AG-CoT: Verified Algorithmic Traces for LLM Program Synthesis on Clifford Circuits
تُثبت هذه الورقة أن تدريب النماذج اللغوية على مسارات "سلسلة أفكار" (chain-of-thought) مُحققة من نوع "آرونسون-غوتسمان" (Aaronson-Gottesman)، مقترنةً بالتدريب الاستمراري المفلتر بواسطة المُحقِّق، يُحسّن بشكل كبير من دقة تخليق دوائر كليفورد (Clifford circuits) الصحيحة لتصحيح الخطأ الكمي مقارنة بالنماذج المرجعية التي تعتمد على الدوائر فقط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المجال الناشئ للحوسبة الكمومية، يتعلم العلماء كيفية بناء آلات تعمل وفق القواعد الغريبة لعالم ما دون الذرة. ولجعل هذه الآلات تعمل، يجب على الباحثين كتابة برمجيات — تُسمى الدوائر الكمومية — التي تتلاعب بوحدات صغيرة من المعلومات للوصول إلى نتيجة محددة ومرغوبة. فكر في الدائرة الكمومية كأنها مجموعة من التعليمات التي توجه جسيماً من نقطة البداية إلى وجهة دقيقة. التحدي يكمن في أن هذه التعليمات هشة للغاية؛ فخطوة واحدة خاطئة يمكن أن ترسل الجسيم إلى المكان الخطأ، مما يجعل الحساب بأكمله عديم الفائدة. لسنوات، حاول علماء الحاسوب تعليم الذكاء الاصطناعي كتابة هذه الدوائر تلقائياً، آملين أن تتمكن الآلات من تعلم تصميم المنطق المعقد المطلوب للتجارب الكمومية. ومع ذلك، ظل هناك عائق رئيسي: يمكن للذكاء الاصطناعي غالباً إنتاج كود يبدو صحيحاً تماماً في الظاهر، ويتبع جميع القواعد النحوية للغة البرمجة، بل ويعمل دون توقف، ومع ذلك يفشل في إعداد الحالة الكمومية الدقيقة المطلوبة. الكود صالح، لكن النتيجة خاطئة.
تتناول دراسة جديدة هذه المشكلة تحديداً من خلال التركيز على نوع معين من الدوائر الكمومية يُعرف باسم "دائرة كليفورد" (Clifford circuit). هذه الدوائر مميزة لأنها قوية بما يكفي لتكون مفيدة لتصحيح الأخطاء وغيرها من المهام الحرجة، ومع ذلك فهي تمتلك خاصية رياضية فريدة تسمح بالتحقق منها بدقة تامة على حاسوب قياسي. وخلافاً لمعظم المحاكاة الكمومية، التي تتطلب تتبع عدد مستحيل من الاحتمالات، يمكن التحقق من هذه الدوائر بدقة وسرعة. استخدم الباحثون هذه الميزة لإنشاء نظام تدريب لنماذج اللغات الكبيرة. فبدلاً من مجرد مطالبة الذكاء الاصطناعي بتخمين الكود النهائي، علموه أن يوضح خطوات عمله. تطلب النظام من الذكاء الاصطناعي توليد تتبع منطقي خطوة بخطوة — وهو تسلسل من الاستدلال يشرح كيفية تحويل الحالة الابتدائية إلى الحالة المستهدفة — قبل أن يُسمح له بكتابة البرنامج النهائي. تم بعد ذلك فحص هذا التتبع بواسطة "مُحقِّق" صارم، وهو بمثابة حكم رقمي يؤكد ما إذا كان المنطق سليماً وما إذا كانت الدائرة الناتجة تُعد بالفعل الحالة الكمومية الصحيحة. فقط الأمثلة التي نجح فيها الذكاء الاصطناعي في ضبط المنطق والنتيجة النهائية معاً هي التي تم الاحتفاظ بها لتعليم النموذج بشكل أكبر.
كانت نتائج هذا النهج مذهلة. فعندما اختبر الباحثون الذكاء الاصطناعي على آلاف الأهداف الكمومية المختلفة، أظهرت النماذج التي تعلمت باستخدام التتبعات الخطوية المتحقق منها أداءً أفضل بكاًثير من تلك التي تدربت فقط على الكود النهائي. وفي أحد النماذج المختبرة، قفز عدد الحلول الصحيحة من مجرد حفنة قليلة إلى أكثر من مائتين من نفس مجموعة المشكلات. وفي عائلة نماذج أخرى، ارتفع معدل النجاح من أقل من اثنين بالمائة إلى ما يقرب من تسعة بالمائة. وجدت الدراسة أن مجرد إظهار الإجابة النهائية للذكاء الاصطناعي لم يكن كافياً؛ بل كان على الذكاء الاصطناعي فهم الخطوات المتوسطة للتحول ليتمكن من القيام بذلك بشكل صحيح. علاوة على ذلك، اكتشف الباحثون أنه حتى عندما أنتج الذكاء الاصطناعي كوداً سليماً نحوياً وصالحاً فيزيائياً، فإنه غالباً ما كان يُعد حالة كمومية خاطئة. هذه الفجوة بين برنامج صالح ونتيجة صحيحة هي رؤية بالغة الأهمية، تثبت أن التحقق من قواعد الكود (syntax) غير كافٍ للمهام الكمومية. كانت النماذج الأكثر نجاحاً هي تلك التي تعلمت من التتبعات المتحقق منها ثم جرى صقلها لاحقاً عبر التدريب فقط على محاولاتها الناجحة، مما خلق دورة من التحسين مدفوعة بالتحقق الدقيق.
استكشف الباحثون أيضاً ما إذا كان هذا الأسلوب يمكن أن يتوسع ليشمل نماذج ذكاء اصطناعي أكبر وأكثر قوة. ووجدوا أنه بينما استطاعت هذه النماذ الأكبر كتابة كود يتبع القواعد بدقة شبه تامة ويبقى ضمن عائلة الدوائر الكمومية الصالحة، إلا أنها ظلت تعاني للوصول إلى الحالة المستهدفة الدقيقة دون التوجيه المحدد للتدريب القائم على التتبع. وحتى مع أكثر النماذج تقدماً، ظل معدل النجاح في إعداد الحالة الدقيقة منخفضاً نسبياً، حيث يحوم حول ستة بالمائة للمحاولات الفردية. ومع ذلك، عندما سمح الباحثون للنموذج بتوليد العديد من المرشحين المختلفين لكل مشكلة واستخدموا المُحقِّق لاختيار الأفضل، تحسن تغطية الحلول الصحيحة بشكل ملحوظ. يشير هذا إلى أنه بينما يتحسن الذكاء الاصطناعي في آليات كتابة الكود الكمومي، فإن الصعوبة الحقيقية تكمن في الفهم الدلالي العميق المطلوب لضمان أن الكود يفعل بالضبط ما هو مقصود منه. وتخلص الدراسة إلى أنه لكي يصبح الذكاء الاصطناعي شريكاً موثوقاً في تصميم التجارب الكمومية، يجب تدريبه ليس فقط لإنتاج الكود، بل لإنتاج كود تم التحقق منه بصرامة ليكون صحيحاً في نتيجته، مما يسد الفجوة بين برنامج يعمل وبرنامج يؤدي المهمة بنجاح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.