OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

تخيل أنك تحاول بناء حاسوب فائق القوة يفكر بالقواعد الغريبة والمتقلبة لعالم الكم. المشكلة هي أن هذه البتات الكمومية (الكيوبتات) هشة للغاية؛ فأي همسة من الحرارة أو مجال مغناطيسي عابر يمكن أن يجعلها تنسى ما كانت تفعله، مما يحول عملية حسابية بارعة إلى لغلط وعبث. ولإصلاح ذلك، يستخدم العلماء حيلة تسمى تصحيح الخطأ الكمومي (QEC). فكر في الأمر كفريق من المحققين يحمون رسالة سرية. فبدلاً من كتابة الرسالة على ورقة واحدة قد تتمزق، يكتبونها عبر فريق كامل من الأشخاص. وإذا تشتت انتباه شخص واحد أو ارتكب خطأً، يمكن للآخرين معرفة الرسالة الأصلية التي كان من المفترض أن تكون وكيفية إصلاحها.

ومع ذلك، فإن تصميم هذا "الفريق من المحققين" هو كابوس. فالقواعد التي تحدد كيفية وقوفهم وتحدثهم وتفقد بعضهم البعض تعتمد على الأجهزة المحددة التي تستخدمها، والأدوات المتاحة للاستماع إلى محادثاتهم، والرياضيات المستخدمة لفك تشفير الرسالة. إذا صممت فريقاً يبدو مثالياً على الورق ولكنه لا يناسب الغرفة التي ستضعه فيها، فسيفشل النظام بأكمله. لفترة طويلة، حاول العلماء العثور على هيكل الفريق المثالي يدوياً، ولكن عدد الاحتمالات ضخم جداً لدرجة أنه يشبه البحث عن حبة رمل معينة في صحراء. وهنا يأتي دور نوع جديد من المساعدين: ذكاء اصطناعي لا يكتفي بالتخمين فحسب، بل يتعلم بالفعل من الواقع الفوضوي لبناء هذه الحواسيب.

---

تعرف على OmniQEC: المعماري الذكي لسلامة الكم

إليك OmniQEC، وهو "عالم ذكاء اصطناعي" جديد مصمم لاكتشاف أفضل أكواد تصحيح الخطأ الكمومي الممكنة للعالم الحقيقي. بدلاً من مجرد النظر إلى الرياضيات على السبورة البيضاء، يعمل OmniQEC كمعماري دؤوب ومطور ذاتياً، يبني، ويختبر، وينقي فرق السلامة الكمومية حتى تصبح جاهزة للمهمة.

يقدم البحث OmniQEC كنظام يعامل اكتشاف هذه الأكواد كلعبة "توليد، اختبار، وتحسين". وفي قلب هذا النظام يوجد "مايسترو" (نموذج لغوي كبير متطور) ينسق سير عمل ثنائي السرعة. تخيل طباخاً يحاول ابتكار الحساء المثالي.

الحلقة السريعة: مطبخ اختبار التذوق
أولاً، يقوم الذكاء الاصطناعي بتشغيل "حلقة سريعة". هذا يشبه اختبار تذوق سريع. يقوم الذكاء الاصطناعي بتوليد آلاف الوصفات المحتملة (هياكل الكود) ويتحقق منها باستخدام اختصارات بسيطة وغير مكلفة. يسأل أسئلة مثل: "هل تحتوي هذه الوصفة على العدد الصحيح من المكونات؟" أو "هل الرياضيات متوازنة؟". تستغرق هذه الفحوصات ثوانٍ معدودة فقط. إذا بدت وصفة ما واعدة بناءً على هذه الفحوصات السريعة، فإنها تحصل على تذكرة للانتقال إلى الجولة التالية. يتيح ذلك للذكاء الاصطناعي مسح مكتبة هائلة من الاحتمالات دون الانغماس في التفاصيل.

الحلقة البطيئة: المحاكاة الكاملة
ثم تأتي "الحلقة البطيئة"، وهي التجربة الحقيقية. هنا، يأخذ الذكاء الاصطناعي أفضل المرشحين من الحلقة السريعة ويبنيها في محاكاة مفصلة. يقوم ببناء "دوائر استخراج المتلازمة" الفعلية — وهي الآلات المعقدة المستخدمة للكشف عن الأخطاء — ويشغلها في بيئة صاخبة وغير مثالية ليرى عدد المرات التي تفشل فيها فعلياً. هذا يشبه طبخ الحساء، وتقديمه للجنة من النقاد، ورؤية ما إذا كان مذاقه جيداً حقاً في غرفة طعام حقيقية. تستغرق هذه الخطوة دقائق أو حتى ساعات لكل مرشح، لذا يكون الذكاء الاصطناعي انتقائياً للغاية بشأن من يصل إلى هذه المرحلة.

سحر التغذية الراجعة
العبقرية الحقيقية لـ OmniQEC تكمن في كيفية تعلمه. يتم تغذية النتائج من "الحلقة البطيئة" (المحاكاة الواقعية) إلى "المايسترو" (الذكاء الاصطناعي). إذا بدت وصفة ما رائعة في اختبار التذوق السريع ولكنها فشلت في المطبخ الحقيقي، فإن الذكاء الاصطناعي يتعلم لماذا ويعدل تخميناته المستقبلية. إنه يطور منطقه الخاص، ويصبح أكثر ذكاءً مع كل دورة. هذا يخلق "سير عمل تآزري بطيء-سريع" حيث يستخدم الذكاء الاصطناعي اختصارات رخيصة للاستكشاف على نطاق واسع، لكنه يستخدم اختبارات دقيقة ومكلفة لتوجيه البحث نحو الحلول الأفضل حقاً.

ما وجدوه: هزيمة الأبطال القدامى

وضع الباحثون OmniQEC تحت الاختبار مقابل أربع عائلات مختلفة من الأكواد الكمومية وثلاثة "أدمغة" ذكاء اصطناعي مختلفة (Claude و GPT و DeepSeek). وضعوا ميزانيات صارمة لعدد الكيوبتات الفيزيائية (قطع الأجهزة) التي يمكن استخدامها، بدءاً من الإعدادات الصغيرة وصولاً إلى إعدادات أكبر تصل إلى 288 كيوبت.

كانت النتائج مبهرة. اكتشف OmniQEC أكواداً أصبحت أفضل باستمرار في كبح الأخطاء مع إضافة المزيد من الموارد. لكن الاكتشاف الأكثر إثارة هو كيف قارنت هذه الأكواد الجديدة الجديدة بالمعيار الذهبي الحالي المعروف باسم أكواد BB (أكواد الدراجة ذات الدورة الثنائية).

• عندما أعطى الفريق لـ OmniQEC ميزانية قدرها 98 كيوبت فيزيائي، اكتشف الذكاء الاصطناعي كوداً تفوق على كود BB القياسي الذي يتطلب 72 كيوبت فيزيائي (تحديداً الكود [[72, 12, 6]]).
• والأكثر إثارة للدهشة، عندما زادت الميزانية إلى 240 كيوبت فيزيائي، هزم أقوى كود وجده نموذج Claude كود BB الضخم الذي يستخدم 144 كيوبت فيزيائي (الكود [[144, 12, 12]]).

يشير هذا إلى أنه من خلال التحسين بناءً على كيفية أداء الكود فعلياً في دائرة صاخبة (بدلاً من مجرد النظر إلى درجات الرياضيات المجردة)، يمكن لـ OmniQQEC إيجاد طرق أكثر كفاءة لحماية المعلومات الكمومية.

فخ الرياضيات "الجيدة بما يكفي"

أحد أهم الدروس التي قدمها البحث هو التحذير من الاعتماد على الاختصارات القديمة. غالباً ما يستخدم العلماء درجة رياضية بسيطة تسمى $\Phi_{code} = kd^2/n$ لتصنيف الأكواد بسرعة. يظهر البحث أن هذه الدرجة يمكن أن تكون مضللة.

في تجاربهم، وجد OmniQEC أكواداً لها درجات رياضية أقل من أكواد BB الشهيرة، لكنها في الواقع أدت بشكل أفضل في المحاكاة الواقعية. إنه يشبه طالباً يحصل على درجة أقل في اختبار تجريبي متعدد الخيارات ولكنه ينتهي به الأمر بالتفوق في الامتحان النهائي لأنه فهم المفاهيم بشكل أفضل. يجادل البحث بأنه إذا قمت بتحسين الدرجة الرياضية السريعة فقط، فقد تفوتك الحلول الأفضل حقاً. يجب عليك النظر إلى الصورة الكاملة، بما في ذلك كيفية تعامل الكود مع الضجيج وفك التشفير.

تكلفة الاكتشاف

تحقق الباحثون أيضاً من "فاتورة" تشغيل هذا الذكاء الاصطناعي. وجدوا أن تكلفة استخدام الذكاء الاصطناعي (التي تُقاس بـ "الرموز" أو الـ tokens، وهي بمثض الكلمات التي يعالجها الذكاء الاصطناعي) لم ترتفع بشكل جنوني لمجرد أن الأكود أصبحت أكبر. كانت التكلفة تتحدد أساساً بنوع "دماغ" الذكاء الاصطناعي الذي استخدموه. على سبيل المثال، قدم نظام الخلفية Claude أفضل توازن بين الأداء والتكلفة، بينما كان DeepSeek هو الأرخص ولكنه وجد أكواداً أضعف قليلاً. يشير هذا إلى أن قدرة الذكاء الاصطناعي على التفكير والتعلم من أخطائه أكثر أهمية من الحجم الهائل للكود الذي يصممه.

لماذا يهم هذا؟

يخلص البحث إلى أن OmniQEC هو أداة قوية جديدة لـ "التصميم المشترك" للحواسيب الكمومية. فبدلاً من تصميم كود، ثم بناء آلة، ثم إدراك أنهما لا يتناسبان، يقوم OmniQEC بتصميم الكود مع مراعاة الآلة. إنه يجسّر الفجوة بين الرياضيات المجردة والواقع الفوضوي للأجهزة.

بينما تعتمد النتائج على المحاكة وليس على بناء حاسوب كمومي فيزيائي بعد، فإن النتائج تشير إلى مسار واضح للمضي قدماً. من خلال استخدام الذكاء الاصطناعي للتنقل في المقايضات المعقدة بين هيكل الكود، وحدود الأجهزة، وفك تشفير الأخطاء، يمكننا العثور على أكواد عملية وعالية الأداء تقربنا من بناء حاسوب كمومي مقاوم للأخطاء ويعمل بالفعل. يشير البحث إلى إمكانية توسيع هذا النهج ليشمل أنواعاً أكثر من الأجهزة وعائلات الأكواد، مما قد يفتح الإمكانات الكاملة للحوسبة الكمومية للجميع.