RubriQ: Rubric-Guided Group Relative Policy Optimization for Constraint-Aware Quantum Circuit Synthesis
إنّ RubriQ هو إطار عمل قابل للتوسع ومدفوع بالحوسبة عالية الأداء (HPC)، يستفيد من تحسين السياسة النسبي المجموعي (GRPO) الموجه بالمعايير لآتمتة تخليق الدوائر الكمومية التي تستوفي في آن واحد صحة الخوارزميات، وتقليل تكلفة كود السطح (surface-code)، وقيود الأجهزة المتاحة حالياً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل أنك تحاول بناء آلة يمكنها حل مشكلات مستحيلة على أي حاسوب نملكه اليوم. هذه الآلة هي حاسوب كمي، وهو جهاز يستخدم القواعد الغريبة للجسيمات المتناهية الصغر للقيام بعمليات حسابية بسرعة البرق. لكن هناك عقبة: هذه الآلات هشة للغاية. لكي نجعلها تعمل، نحتاج إلى ترجمة أفكارنا الكبيرة والمعقدة إلى لغة محددة للغاية ومنخفضة المستوى من "البوابات" (مثل المفاتيح) التي تفهمها الآلة.
المشكلة هي أن هذه الترجمة كابوس. إذا طلبت من حاسوب عادي القيام بذلك، فإن الرياضيات تصبح ضخمة جداً لدرجة أنها تتسبب في انهيار النظام. وإذا حاولت بناء الآلة باستخدام تكنولوجيا اليوم، فستكون مليئة بالضجيج وكثيرة الأخطاء. لذا، يقف العلماء في منطقة وسطى: فهم بحاجة إلى تصميم دوائر مثالية بما يكفي للآلات الخارقة في المستقبل، ولكن بسيطة بما يكفي لتعمل على النماذج الأولية المهتزة الموجودة اليوم. الأمر يشبه محاولة كتابة وصفة مأدبة من خمس نجوم يستطيع طفل صغير طهيها دون حرق المطبخ.
هنا يأتي دور RubriQ، وهي أداة جديدة تعمل مثل محرر ذكي للغاية ولا يكلّ لوصفات هذه الطبخات الكمية. بدلاً من مجرد التخمين والتجربة، يستخدم RubriQ ذكاءً اصطناعياً ضخماً يتعلم من خلال تجربة آلاف الاختلافات في وقت واحد، مسترشداً بـ "روبريك" (نموذج تقييم) صارم (ورقة درجات) تخبره بالضبط كيف يتحسن. هو لا يبحث فقط عن ما هو "جيد بما يكفي"؛ بل يطارد التوازن المثالي بين الدقة الرياضية المطلقة والقدرة العملية على التشغيل على الأجهزة الحقيقية الآن.
قصة RubriQ: تعليم الذكاء الاصطناعي ليكون مهندساً معمارياً كمياً
فكر في تصميم دائرة كمية كأنك تطلب من طالب كتابة قصة. في الماضي، إذا طلبت من حاسوب كتابة برنامج كمي، كان الأمر يشبه إعطاء طالب أمراً غامضاً مثل "اكتب شيئاً رائعاً" والأمل في ألا يكتب كلاماً فارغاً. إذا أخطأ، ستكتفي بقول "لا، حاول مجدداً"، دون أن تدرك لماذا كان خطأً. هذا ما كانت تفعله الطرق القديمة: كانت تعطي "مكافأة شحيحة"، مما يعني أن الذكاء الاصطناعي يحصل على نقطة واحدة فقط إذا كانت الإجابة مثالية بنسبة 100%، وصفر من النقاط لكل ما عدا ذلك. جعل هذا التعلم بطيئاً ومحبطاً للغاية، مثل محاولة تعلم ركوب الدراجة في الظلام.
يغير RubriQ قواعد اللعبة من خلال العمل كمعلم صارم ولكن متعاون، يمتلك نموذج تقييم مفصلاً. فبدلاً من الاكتفاء بقول "ناجح" أو "راسب"، يقوم بتقسيم الدرجة إلى خمس فئات محددة:
- هل نجح الأمر؟ (القصة منطقية).
- هل هو كفء؟ (هل استخدم كلمات كثيرة جداً؟ في المصطلحات الكمية، يتعلق هذا بتقليل "بوابات T"، وهي الأجزاء المكلفة والمستهلكة للموارد في الكود).
- هل هو ثقيل ببوابات كليفورد؟ (هل هناك الكثير من الحركات المعقدة والصعبة التصنيع، أم معظمها حركات بسيطة؟).
- هل سيعمل على أجهزة اليوم؟ (هل يتناسب مع شكل الأجهزة، مثل محاولة وضع وتد مربع في ثقب مستدير؟).
- هل هو سريع؟ (كم عدد الخطوات التي يستغرقها؟).
تقدم الورقة طريقة تسمى تحسين السياسة النسبي للمجموعات (GRPO). تخيل أن الذك_اء الاصطناعي هو طاهٍ يحاول ابتكار طبق جديد. بدلاً من طبخ وجبة واحدة وانتظار المراجعة، يطلب RubriQ من الطاهي طبخ ثماني نسخ مختلفة من الطبق في وقت واحد. ثم يقارن بينها. إذا كانت نسخة واحدة أفضل قليلاً من النسخ الأخرى، يتعلم الذكاء الاصطناعي صنع المزيد منها. وإذا كانت نسخة أخرى كارثية، يتعلم تجنب ذلك المسار. هذا "المقارنة الجماعية" أسرع بكثير وأكثر استقراراً من انتظار إجابة واحدة مثالية.
كيف بنوا الآلة
لجعل هذا يعمل، كان على الباحثين بناء محرك ضخم. لم يكن بإمكانهم تشغيل هذا على حاسوب محمول؛ فقد احتاجوا إلى قوة NERSC Perlmutter، وهو عنقود حواسيب خارقة في مختبر لورانس بيركلي الوطني. استخدموا 8 من وحدات معالجة الرسومات NVIDIA A100 (بطاقات الرسوميات القوية المستخدمة في الذكاء الاصطناعي) لتشغيل المحاكاة.
الجزء الذكي هنا هو: الذكاء الاصطناعي لا يخمن فحسب. إنه يستخدم روبريك برمجياً. وهذا يعني أن "المعلم" ليس شبكة عصبية غامضة قد ترتبك؛ بل هو مجموعة من القواعد المبرمجة مسبقاً التي تتحقق من الرياضيات، والتكلفة، والقيود المادية فوراً. إذا أنتج الذكاء الاصطناعي دائرة تبدو رائعة ولكنها تفشل في الرياضيات، فإن الروبريك يعطيها صفراً فوراً. وإذا أنتج دائرة تعمل ولكنها تستخدم الكثير من "بوابات T" المكلفة، فإن الروبريك يعطيها درجة أقل، مما يدفعه ليكون أكثر كفاءة.
لقد حلوا أيضاً مشكلة رئيسية وهي سرعة المحاكاة. التحقق مما إذا كانت الدائرة الكمية تعمل يتطلب عادةً محاكاة الدائرة بأكملها، وهو أمر يزداد صعوبة بشكل أسّي مع إضافة المزيد من الكيوبتات (البتات الكمية). يدمج RubriQ تقنية CUDA-Q، وهي أداة تسمح لهم بتشغيل هذه المحاكاة مباشرة على وحدات معالجة الرسومات، مما يجعل العملية أسرع بآلاف المرات من تشغيلها على وحدة معالجة مركزية (CPU) قياسية.
ماذا وجدوا
النتائج واعدة، رغم أن المؤلفين حذرون في صياغتها كخطوة كبيرة للأمام وليس كحل سحري.
- إنه يعمل بشكل أفضل من الطرق القديمة: عند اختباره على 1,50ً من المهام الكمية المختلفة، حقق RubriQ نسبة نجاح بلغت 96% من حيث الصحة. وهذا يعني أنه في كل مرة يحاول فيها، ينتج دائرة تقوم بالعمليات الحسابية بشكل صحيح بالفعل.
- إنه أكثر كفاءة بكثير: أهم مقياس للحواسيب الكمية هو "عدد بوابات T" (عدد البوابات المكلفة). تمكن RubriQ من ضغط عدد هذه البوابات بمعدل 3.31 مرة مقارنة بالدوائر التي كانت "صحيحة" فقط ولكنها غير محسنة. وهذا أمر بالغ الأهمية لأن تقليل بوابات T يعني أن الحاسوب يحتاج إلى موارد ووقت أقل للتشغيل.
- إنه يتعلم بشكل أسرع: نظرًا لاستخدامه هذه الروبريكات التفصيلية بدلاً من انتظار درجة مثالية، فقد وصل RubriQ إلى مرحلة الاستقرار (تعلم المهمة) بسرعة تزيد بمعدل 2 إلى 3 مرات عن طرق التعلم المعزز الأخرى التي تعتمد على المكافآت الشحيحة.
- إنه جاهز للأجهزة الحقيقية: لم يتوقف الفريق عند المحاكاة فحسب. لقد أخذوا أفضل الدوائر التي أنتجها RubriQ وشغلوها على حواسيب كمية حقيقية من IBM و IonQ. ووجدوا أن الدوائر كانت متوافقة مع هذه الأجهزة، مع أقل من 1% من انتهاكات قيود الأجهزة.
ماذا يعني هذا
تشير الورقة إلى أنه من خلال التعامل مع تركيب الدوائر الكمية كمهمة توليد كود موجهة بواسطة روبريك صارم ومتعدد الأبعاد، يمكننا أتمتة إنشاء برامج كمية عالية الجودة. وتجادل الورقة ضد الفكرة التي تقول إننا بحاجة إلى شبكات "ناقدة" معقدة ومتعلمة للحكم على عمل الذكاء الاصطناعي؛ وبدلاً من ذلك، فإن نظام تسجيل واضح وقائم على القواعد يعمل بشكل أفضل وأقل تكلفة في التشغيل.
بينما لا تدعي الورقة أنها حلت جميع مشكلات الحوسبة الكمية، إلا أنها تقدم مساراً قابلاً للتطبيق. فمن خلال الجمع بين القدرة الإبداعية للنماذج اللغوية الكبيرة (LLMs) والانضباط الصارم للروبريك البرمجي، يوفر RubriQ طريقة لتصميم دوائر ليست سليمة رياضياً فحسب، بل عملية أيضاً للتشغيل على الآلات الصاخبة وغير المثالية التي نملكها اليوم، مع الاستعداد للعمالقة المتسامحين مع الأخطاء في المستقبل. إنه جسر بين الواقع الفوضوي للأجهزة الحالية والعالم النقي للحوسبة الكمية المستقبلية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.