Discovering formally verified quantum programs with AI
本文展示了大型语言模型智能体如何在 Lean 定理证明器的形式化验证框架内运行，从而自主发现并从数学上证明新型量子程序的正确性，这些程序在量子算术和融合模拟等科学应用中实现了相对于现有基准的显著性能提升。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
量子计算机有望解决目前我们日常使用的机器无法完成的问题，从设计新药到模拟恒星的行为。然而，制造出能够实际执行这些任务的机器极其困难。其硬件仍处于婴儿期，容易出错，且规模太小，无法处理现实科学所需的庞大计算量。为了弥补这一差距，科学家需要更好的算法——即告诉量子计算机如何使用最少资源来解决问题的逐步指令。几十年来，寻找这些指令一直是一个缓慢且依赖人工的过程，依靠的是人类专家多年来不断完善单一构想的直觉与辛勤工作。
挑战在于，这些算法如此复杂，以至于即使是最强大的经典计算机也无法在量子硬件就绪之前测试它们是否能正确运行。这造成了一个“先有鸡还是先有蛋”的困局：我们需要更好的算法来使硬件发挥作用，但如果不依靠硬件，我们就无法验证这些算法。谷歌的一支研究团队通过将人工智能与严密的数学证明相结合，打破了这一循环。他们创建了一个系统，让人工智能代理充当研究员，使用一种计算机可以进行绝对正确性检查的语言来编写并测试量子程序。这种方法使他们能够发现用于解决科学问题的全新、高效的算法，而这些问题的规模之大，远超现有计算机的模拟能力。
研究人员建立了一个数字实验室，让人工智能代理团队协作解决特定的科学谜题。这些代理并非仅仅进行猜测和尝试，而是在一个被称为“定理证明器”的严格框架内工作。可以将这个框架想象成一本规则手册，它要求提出的每一个解决方案的每一步都必须在数学上被证明是正确的，然后才能被接受。这些代理的任务是编写模拟物理系统的量子程序，例如粒子在核聚变反应堆中如何相互作用，或者药物分子如何在体内分解。如果一个代理提出的程序能够节省时间或使用更少的资源，系统会立即检查其数学逻辑。如果证明成立，该方案就会被保存；如果失败，代理则会从错误中学习并再次尝试。这个过程发生在一个共享的工作空间中，不同的代理团队可以在其中看到彼此的进展、分享想法并基于彼此的发现进行深入研究，就像人类科学家在学术会议上交流一样。
利用这种方法，该团队应对了五个主要的科学挑战。在其中一个案例中，他们改进了一种用于许多量子算法的基础数学运算，使其效率比之前的最佳方法提高了近三百倍。在另一个案例中，他们优化了一种搜索算法，找到的解决方案比已知最强的替代方案快了高达1.4倍。最显著的成就来自于模拟复杂的物理现象。在一次与核聚变相关的模拟中（涉及追踪粒子穿过氢气时的能量损失），人工智能发现了一个能将所需资源减少近十一倍的程序。对于涉及光化学反应的化学反应模拟，改进程度达到了八倍。最后，对于一个帮助人体代谢药物的关键酶模型，人工智能找到的解决方案效率提升了近2.5倍。
这些结果不仅仅是理论上的改进；它们代表了科学发现方式的一种转变。人工智能发现的程序如此复杂，以至于涉及数千个逻辑组件，远超当前量子计算机的运行能力。由于人工智能的工作得到了形式化数学证明的支持，研究人员可以确信，一旦硬件跟上步伐，这些程序将会正确运行。该系统有效地允许科学家为尚不存在的机器设计算法，从而缩短通往实用化量子计算的路径。通过自动化寻找这些解决方案的过程并用数学确定性进行验证，研究人员展示了人工智能可以加速量子技术的发展，将曾经缓慢、手动的挣扎过程转变为快速、协作的发现过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。