Discovering formally verified quantum programs with AI
Cet article démontre comment des agents de modèles de langage de grande taille, opérant au sein d'un cadre de vérification formelle dans le prouveur de théorèmes Lean, peuvent découvrir de manière autonome et prouver mathématiquement la correction de nouveaux programmes quantiques qui atteignent des améliorations de performance significatives par rapport aux références existantes dans des applications scientifiques telles que l'arithmétique quantique et la simulation de fusion.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les ordinateurs quantiques promettent de résoudre des problèmes qui sont actuellement impossibles pour les machines que nous utilisons quotidiennement, de la conception de nouveaux médicaments à la modélisation du comportement des étoiles. Cependant, construire une machine capable d'accomplir réellement ces tâches est incroyablement difficile. Le matériel en est encore à ses balbutiements, sujet aux erreurs et bien trop petit pour gérer les calculs massifs requis par la science réelle. Pour combler ce fossé, les scientifiques ont besoin de meilleurs algorithmes — des instructions étape par étape qui indiquent à l'ordinateur quantique comment résoudre un problème en utilisant le moins de ressources possible. Pendant des décennies, la recherche de ces instructions a été un processus lent et manuel, reposant sur l'intuition et le travail acharné d'experts humains qui passent des années à affiner une seule idée.
Le défi réside dans le fait que ces algorithmes sont si complexes que même les ordinateurs classiques les plus puissants ne peuvent pas les tester pour voir s'ils fonctionnent correctement avant que le matériel quantique ne soit prêt. Cela crée un cercle vicieux : nous avons besoin de meilleurs algorithmes pour rendre le matériel utile, mais nous ne pouvons pas vérifier les algorithmes sans le matériel. Une équipe de chercheurs de Google a maintenant brisé ce cycle en combinant l'intelligence artificielle avec une preuve mathématique rigoureuse. Ils ont créé un système où des agents d'IA agissent comme des chercheurs, écrivant et testant des programmes quantiques dans un langage qu'un ordinateur peut vérifier pour une exactitude absolue. Cette approche leur permet de découvrir de nouveaux algorithmes hautement efficaces pour des problèmes scientifiques qui sont bien trop vastes pour être simulés sur n'importe quel ordinateur existant.
Les chercheurs ont construit un laboratoire numérique où des équipes d'agents d'IA collaborent pour résoudre des énigmes scientifiques spécifiques. Au lieu de simplement deviner et vérifier, ces agents travaillent au sein d'un cadre strict appelé un prouveur de théorèmes. Considérez ce cadre comme un livre de règles qui exige que chaque étape d'une solution proposée soit mathématiquement prouvée comme étant correcte avant d'être acceptée. Les agents sont chargés d'écrire des programmes quantiques qui simulent des systèmes physiques, tels que la façon dont les particules interagissent dans un réacteur à fusion ou la façon dont une molécule de médicament se décompose dans le corps. Si un agent propose un programme qui gagne du temps ou utilise moins de ressources, le système vérifie immédiatement les mathématiques. Si la preuve est valide, la solution est sauvegardée ; si elle échoue, l'agent apprend de l'erreur et réessaie. Ce processus se déroule dans un espace de travail partagé où différentes équipes d'agents peuvent voir les progrès des autres, partager des idées et bâtir sur les découvertes de chacun, tout comme des scientifiques humains lors d'une conférence.
En utilisant cette méthode, l'équipe s'est attaquée à cinq défis scientifiques majeurs. Dans un cas, ils ont amélioré une opération mathématique fondamentale utilisée dans de nombreux algorithmes quantiques, la rendant près de trois cents fois plus efficace que la meilleure méthode précédente. Dans un autre, ils ont optimisé un algorithme de recherche, trouvant des solutions jusqu'à 1,4 fois plus rapides que les alternatives les plus performantes connues. Les réussites les plus significatives sont venues de la simulation de phénomènes physiques complexes. Pour une simulation pertinente pour la fusion nucléaire, qui implique de suivre la perte d'énergie des particules se déplaçant à travers l'hydrogène, l'IA a découvert un programme qui a réduit les ressources requises de près de onze fois. Pour une simulation d'une réaction chimique impliquée dans la photochimie, l'amélioration était huit fois meilleure. Enfin, pour un modèle d'une enzyme clé qui aide le corps humain à traiter les médicaments, l'IA a trouvé une solution près de 2,5 fois plus efficace.
Ces résultats ne sont pas seulement des améliorations théoriques ; ils représentent un changement dans la manière dont la découverte scientifique peut avoir lieu. Les programmes découverts par l'IA sont si complexes qu'ils impliquent des milliers de composants logiques, bien au-delà de ce que les ordinateurs quantiques actuels peuvent exécuter. Parce que le travail de l'IA est soutenu par des preuves mathématiques formelles, les chercheurs peuvent avoir la certitude que ces programmes fonctionneront correctement une fois que le matériel aura rattrapé son retard. Le système permet effectivement aux scientifiques de concevoir des algorithmes pour des machines qui n'existent pas encore, raccourcissant ainsi le chemin vers l'informatique quantique pratique. En automatisant la recherche de ces solutions et en les vérifiant avec une certitude mathématique, les chercheurs ont démontré que l'intelligence artificielle peut accélérer le développement de la technologie quantique, transformant ce qui était autrefois une lutte manuelle et lente en un processus de découverte rapide et collaboratif.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.