Lean-QuantumAlg: A Framework for AI Agents to Produce Quantum Algorithms that Humans Can Trust

In de wereld van de informatica groeit de ambitie om machines te bouwen die problemen kunnen oplossen die ver buiten het bereik van de huidige supercomputers liggen. Dit zijn quantumcomputers, apparaten die de vreemde regels van de subatomaire wereld benutten om informatie te verwerken op manieren die onmogelijk lijken voor klassieke machines. Ze beloven codes te kraken die voor huidige computers duizenden jaren zouden duren om te breken, of chemische reacties te simuleren die kunnen leiden tot nieuwe medicijnen. Echter, om deze machines nuttig te maken, moeten wetenschappers eerst de instructies, of algoritmen, schrijven die hen vertellen wat ze moeten doen. De uitdaging is dat quantummechanica berucht moeilijk is om correct uit te voeren. Een kleine fout in de logica kan ervoor zorgen dat de hele berekening mislukt, en omdat de wiskunde zo complex is, worstelen zelfs menselijke experts om er zeker van te zijn dat hun instructies foutloos zijn.

Deze onzekerheid heeft ertoe geleid dat onderzoekers hulp zoeken bij kunstmatige intelligentie. AI-agenten worden ongelooflijk vaardig in het schrijven van code en zelfs in het bewijzen van wiskundige stellingen. Maar er is een nieuw probleem ontstaan: alleen omdat een AI een bewijs kan schrijven dat er correct uitziet op een computerscherm, betekent dit niet dat het bewijs daadwerkelijk het probleem oplost dat de mens beoogde. De computer kan een andere versie van de vraag controleren, of het kan de benodigde middelen om het programma uit te voeren op een manier tellen die verborgen kosten negeert. Als een AI beweert een manier te hebben gevonden om een specifieke encryptiecode te breken, maar het bewijs rust op een misverstand van hoe de computer zijn stappen telt, dan is het resultaat nutteloos. De wetenschappelijke gemeenschap heeft een manier nodig om te waarborgen dat wanneer een AI zegt een probleem te hebben opgelost, het ook echt dat specifieke probleem heeft opgelost, met alle kosten en voorwaarden in acht genomen.

Een team van onderzoekers heeft nu een nieuw systeem geïntroduceerd genaamd Lean-QuantumAlg om exact dit dilemma op te lossen. Ze hebben een digitaal framework gebouwd dat fungeert als een strikt contract tussen de menselijke gebruiker en de kunstmatige intelligentie. In dit systeem definieert de mens het probleem en de regels van het spel, terwijl de AI de taak krijgt om het algoritme te construeren en te bewijzen dat het werkt. De belangrijkste innovatie is dat het framework de AI dwingt om het bewijs van juistheid direct te koppelen aan het bewijs van het resourcegebruik. In simpelere termen zorgt het systeem ervoor dat een AI niet kan beweren dat een oplossing efficiënt is als deze in werkelijkheid meer energie of tijd gebruikt dan toegegeven, en dat het niet kan beweren dat een oplossing correct is als het de computer niet terugbrengt naar de oorspronkelijke staat na de berekening.

De onderzoekers demonstreerden de kracht van deze aanpak door AI-agenten negen verschillende quantumalgoritmen te laten formaliseren, variërend van basiszoekmethoden tot complexe aanvallen op moderne encryptiestandaarden zoals RSA-2048. In het verleden vereiste het verifiëren van dit soort algoritmen dat mensen door duizenden regels code lazen om elk klein detail te controleren. Met dit nieuwe framework, zodra de kernregels van het systeem door mensen zijn geaudit en vertrouwd, kan de AI het zware werk doen. De onderzoekers ontdekten dat voor elk van de negen algoritmen minder dan één procent van de code menselijke controle vereiste. De rest van het werk werd afgehandeld door het framework, dat automatisch controleerde of het bewijs van de AI geldig was en of het algoritme aan elke enkele vereiste van het contract voldeed.

Dit systeem werkt door het verificatieproces op te splitsen in afzonderlijke, onveranderlijke onderdelen. Eerst specificeert een mens het probleem, waarbij precies wordt gedefinieerd wat het algoritme moet bereiken en welke middelen het mag gebruiken. Deze specificatie staat los van de oplossing zelf. Vervolgens construeert de AI het algoritme, wat essentieel een reeks instructies is voor de quantumcomputer. Het framework voert vervolgens een simulatie van dit algoritme uit om te zien wat er gebeurt. Het controleert drie cruciale zaken: produceert het algoritme het juiste antwoord met de vereiste waarschijnlijkheid, laat het de geleende onderdelen van het quantumsysteem precies achter zoals het ze vond, en blijft het binnen de grenzen van tijd en geheugen die de mens heeft gesteld? Als de AI probeert een kostbare stap weg te laten of middelen onjuist te tellen, wijst het framework het bewijs af.

Een van de meest significante bevindingen is hoe deze methode omgaat met "geleende" middelen. In quantumcomputing moet een algoritme vaak extra geheugen gebruiken dat het niet bezit, op voorwaarde dat het dat geheugen daarna in de oorspronkelijke staat teruggeeft. Als de AI het geheugen in de juiste conditie teruggeeft maar het op een manier verstrengeld laat met andere delen van het systeem die niet was toegestaan, is het algoritme gebrekkig. Het Lean-QuantumAlg-framework controleert deze gezamenlijke staat met extreme precisie, om te garanderen dat het geleende geheugen werkelijk is hersteld. Dit niveau van detail was voorheen moeilijk te automatiseren, maar het nieuwe systeem maakt het een standaard onderdeel van het verificatieproces.

De onderzoekers toonden ook aan dat deze aanpak goed schaalt. Door de gedeelde fundering van het systeem eenmaal te auditeren, konden ze deze hergebruiken voor veel verschillende algoritmen. Voor de negen geteste algoritmen, die onder meer aanvallen op de P-256 encryptiestandaard bevatten die wordt gebruikt in veilige communicatie, nam de hoeveelheid code die een mens moest lezen drastisch af. In de meest complexe gevallen was de menselijke controle beperkt tot slechts een fractie van de totale code, terwijl het framework de rest afhandelde. Dit suggereert dat AI in de toekomst kan worden gebruikt om nieuwe quantumalgoritmen te ontdekken en te certificeren met een snelheid en schaal die menselijke experts alleen nooit zouden kunnen bereiken, mits er een vertrouwd systeem is om de resultaten te verifiëren.

Het werk beweert niet dat AI alle quantumproblemen heeft opgelost of dat deze algoritmen onmiddellijk klaar zijn om op fysieke hardware te draaien. In plaats daarvan biedt het een rigoureuze methode om te garanderen dat de door AI gegenereerde wiskundige bewijzen betrouwbaar zijn. Het scheidt de taak van de mens, die bepaalt wat belangrijk is, van de taak van de machine, die de logica controleert. Door dit te doen, opent het een pad voor de schaalbare ontdekking van quantumalgoritmen, waarbij wordt gewaarborgd dat wanneer een AI beweert een oplossing te hebben gevonden, die oplossing echt, efficiënt en exact is wat er gevraagd werd. Het resultaat is een nieuwe standaard voor vertrouwen in het tijdperk van geautomatiseerde wetenschappelijke ontdekking, waarin de machine het werk doet, maar de mens de uiteindelijke rechter blijft over wat ertoe doet.