Auditing an AI-Generated Mathematical Proof: A Correction to a Greedy Conditioning Lemma in Quantum Parallel Repetition

في مجال علوم الحاسوب النظرية، يدرس الباحثون ألعاباً حيث يتعين على لاعبين، منفصلين وغير قادرين على التحدث مع بعضهما البعض، تنسيق إجاباتهما للفوز بجائزة. هذه ليست ألعاب حظ تُلعَب بالنرد، بل هي ألغاز معقدة يتشارك فيها اللاعبون اتصالاً غامضاً يُعرف بالتشابك، وهي ظاهرة من فيزياء الكم تسمح للجسيمات بالتأثير على بعضها البعض فورياً عبر مسافات شاسعة. عندما يكرر هؤلاء اللاعبون مثل هذه اللعبة مرات عديدة في جولة واحدة، تشير قواعد الاحتمالات إلى أنه إذا لم يتمكنوا من الفوز في كل مرة، فإن فرص فوزهم بجميع الجولات معاً يجب أن تنخفض بشكل كبير، مثل كرة ثلج تذوب تحت شمس حارقة. هذا المفهوم، المسمى بالتكرار المتوازي، هو حجر الزاوية لفهم حدود الاتصال الكمي وأمن الأنظمة التشفيرية المستقبلية. لسنوات، سعى علماء الرياضيات لإثبات أن هذا الانخفاض في احتمالية الفوز ليس مجرد إمكانية، بل هو اضمحلال أسي مضمون لجميع هذه الألعاب، وهي نتيجة من شأنها ترسيخ فهمنا لكيفية سلوك العالم الكمي تحت الضغط.

ادعى منشور حديث من OpenAI، بعنوان "عشرة تقدمات في الرياضيات وعلوم الحاسوب النظرية"، أنه قد حل أخيراً هذه المشكلة طويلة الأمد. قدم المستند برهاناً شاملاً لنظرية تكرار متوازي أسي، مجادلاً بأن أي لعبة محدودة يلعبها لاعبان متشابكان، فإن احتمال الفوز بكل نسخ اللعبة في آن واحد يتقلص بسرعة هائلة مع زيادة عدد النسخ. اعتمد البرهان على خطوة منطقية محددة، وهي طريقة لاختيار مجموعة صغيرة من جولات اللعبة للتركيز عليها، والتي كان الهدف منها إظهار أنه إذا فاز اللاعبون في هذه الجولات المختارة، فمن المؤكد تقريباً أنهم سيفوزون في الجولات المتبقية أيضاً. وُصفت هذه الطريقة بأنها عملية "تكييف جشعة" (greedy conditioning)، وهي وسيلة لتضييق الاحتمالات من خلال التحقق باستمرار من الاحتمالات وتعديل الاستراتيجية. بدا الحوار متماسكاً، مكتوباً بنثر رياضي فصيح ومتطور يوحي بالتحقق العميق والصارم لقواعد العالم الكمي.

ومع ذلك، كشف تدقيق دقيق لهذا البرهان من قبل ميكولاي سينيتسكي وكريستوف سينيتسكي عن خلل حرج كامن في منطق تلك الخطوة المحددة. وجد الباحثون أنه بينما كان الهدف العام للبرهان صحيحاً، فإن الآلية المستخدمة للوصول إليه احتوت على خطأ بسيط ولكن حاسم في كيفية قياس النجاح والفشل. كانت التعليمات الأصلية توجه العملية المنطقية للاستمرار في البحث عن جولة جديدة للتركيز عليها كلما كانت فرصة الفوز المتوسطة في الجولات المتبقية أكبر من عتبة صغيرة. ومع ذلك، كان هذا التوجيه منفصلاً رياضياً عن الإجراء التالي المطلوب، وهو العثور على جولة محددة تكون فيها فرصة الخسارة عالية. افترض البرهان أنه إذا كان المتوسط مرتفعاً، فلا بد من وجود حالة فردية محددة ذات فشل عالٍ، وهي قفزة منطقية ليست صحيحة ببساطة. فمن الممكن أن يكون المتوسط مرتفعاً بينما تظل كل فرصة فشل فردية منخفضة، مما يترك الإجراء دون أي حركة صالحة للقيام بها ويؤدي إلى توقف الحجة بأكملها.

ولإثبات هذا الانهيار، أنشأ المدققون سيناريو بسيطاً يتضمن جولتين فقط من اللعبة. في هذا المثال، كان لدى اللاعبين فرصة عالية جداً للفوز بكلتا الجولتين، بما يتجاوز بكثير العتبة المطلوبة لإيقاف العملية. ومع ذلك، وتحت القواعد المكتوبة في البرهان الأصلي، أُجبرت الخوارزمية على الاستمرار في البحث عن جولة ذات معدل فشل عالٍ غير موجود. لقد تعثرت الإجراءات في حلقة مفرغة، تحاول البحث عن إبرة في كومة قش فارغة، لأن الشرط الذي يملي التوقف لم يتحقق أبداً، رغم أن النتيجة المنشودة قد تم الوصول إليها بالفعل. أثبت هذا المثال المضاد أن الإجراء المطبوع كان معطلاً بشكل أساسي، وغير قادر على العمل كما هو موصوف في الحالة التي يكون فيها اللاعبون رابحين بشكل ساحق بالفعل.

لم يتخلص مؤلفو التدقيق من البرهان بأكمله أو النظرية الرئيسية. بدلاً من ذلك، حددوا النقطة الدقيقة التي فشل فيها المنطق وقدموا تصحيحاً موضعياً. أظهروا أن شرط الاستمرار في البحث يجب أن يُعكس: يجب أن تبحث العملية عن متوسط فرصة فشل عالٍ، وليس متوسط فرصة نجاح عالٍ. عندما تم عكس هذا المفتاح المنطقي الوحيد، نجح برهان اللمة (lemma) نفسه. نجحت الطريقة المصححة في تحديد الجولات اللازمة، وضمنت بقاء احتمالية الفوز مرتفعة، وحافظت على المعايير الكمية المستخدمة لاحقاً في الفصل. ومع ذلك، صرح المدققون صراحةً أن هذا الإصلاح لا ينبغي قراءته كتحقق مستقل من نظرية التكرار المتوازي الرئيسية. فالنقاشات اللاحقة المتعلقة بقابلية أخذ العينات (sampleability)، وأخذ العينات المرتبط، ومحاذاة الحالة، والتقريب (rounding) تظل أسئلة منفصلة تتطلب تحققاً من المتخصصين للتأكد من أن بقية البرهان قائم.

يعد هذا الحادث تذكيراً قوياً بالتحديات التي تواجه التحقق من الرياضيات التي يولدها الذكاء الاصطناعي. كانت الأجزاء الناجحة من حجة الذكاء الاصطناعي متطورة ومقنعة للغاية، حيث نسجت أفكاراً معقدة حول الحالات الكمية والاحتمالات بطريقة بدت موثوقة. ومع ذلك، لم يكن الخطأ فشلاً دقيقاً في نظرية عميقة أو حساب معقد خاطئ، بل كان عكسًا أساسيًا للأحداث المتكاملة، خلطاً بين الربح والخسارة، وهو أمر قد يلاحظه عالم رياضيات بشري بنظرة سريعة. يظهر التدقيق أن حجة رياضية معقولة يمكن أن تخفي خطأً صغيراً وموضعياً يبطل الإجراء كما هو مكتوب، حتى لو ظل الاستنتاج النهائي صحيحاً. وبينما يدعم البرهان المصحح الآن اللمة المتعلقة بالتكييف الجشع، فإن عمل المدققين يتوقف عند هذا الحد. لقد قاموا بإصلاح الترس المكسور في الآلة، لكنهم لم يتحققوا من المحرك بأكمله. تظل الأسئلة الأعمق حول قابلية أخذ العينات الكمية وحجج التقريب النهائية مفتوحة، في انتظار التحقق من المتخصصين للتأكد من أن بقية الآلة تعمل بسلاسة الجزء الذي تم إصلاحه.