Anthropic सोबत काम करणाऱ्या संशोधकांनी Claude Mythos 5 कडून क्वांटम सर्किटे सुचवून घेतली आणि नंतर स्वतंत्र प्रोग्रामने त्या सूचना तपासल्या. 15 ऑक्टोबरला सादर केलेल्या प्रीप्रिंटमध्ये त्यांनी आठपैकी सात सर्किट-निर्मिती कामांत तुलनेसाठी वापरलेल्या रचनांपेक्षा Toffoli गेट संख्या आणि कमाल क्युबिट संख्या कमी असल्याचे नोंदवले. आठवे काम अभाज्य क्रमाच्या क्षेत्रातील मॉड्युलर व्युत्क्रमाचे होते; त्यातून गेट आणि क्युबिटमध्ये वेगवेगळ्या तडजोडी करणारे रचनाकुल मिळाले.

हे सुचवलेल्या लॉजिकल सर्किटांचे अंदाज आहेत; क्वांटम संगणकावर घेतलेली मोजमापे नाहीत. AI-सहाय्यित रचना कुठे उपयोगी पडू शकते हे ठरवणाऱ्या संशोधकांसाठी निकालातील उपयुक्त बाब म्हणजे, टीमने मॉडेलला अंमलात आणण्यासाठी अचूक फंक्शन आणि चुकीचे प्रयत्न झटपट नाकारण्याची सोय दिली. BIG CHANGE ने संशोधनपत्र आणि Anthropic चे 16 ऑक्टोबरचे संशोधनविषयक स्पष्टीकरण तपासले. आम्ही शोध चालवला नाही, संसाधनांचे अंदाज पुनरुत्पादित केले नाहीत किंवा हार्डवेअरवर सर्किट चालवले नाही.

मोठा बदल

  • काय बदलले: मूल्यांकन साधनाच्या मार्गदर्शनाखालील शोधातून क्वांटम संगणनाच्या आठ ठरवलेल्या मूलभूत क्रियांसाठी सर्किट रचना मिळाल्या. संशोधनपत्रात सात कामांसाठी कमी गेट आणि क्युबिट संख्या, तर मॉड्युलर व्युत्क्रमासाठी वेगळी तडजोड नोंदवली आहे.
  • हे महत्त्वाचे का: मोठा क्वांटम अल्गोरिदम लहान रूटीन वारंवार वापरतो. त्रुटी-सुधारणा आणि हार्डवेअर बंधने जोडल्यावरही या रचना वैध राहिल्यास, त्या रूटीनसाठी अंदाजित संसाधने कमी केल्याने भविष्यातील अंमलबजावणीच्या गरजा कमी होऊ शकतात.
  • कशावर लक्ष ठेवावे: सर्किटांची बांधणी, नमूद त्रुटीमर्यादा आणि विशिष्ट हार्डवेअरसाठी संसाधन अंदाज यांची स्वतंत्र छाननीच हे निष्कर्ष या चाचणी-उदाहरणांपलीकडे किती लागू होतात ते ठरवेल.

मॉडेल सुचवते; मूल्यांकन साधन तपासते

सामान्य प्रोग्राम ज्या माहितीवर पुन्हा लिहू शकतो, ती क्वांटम सर्किटला जपावी लागते. तात्पुरती मूल्ये तयार करणारे काम उलट करून ती साफ करावी लागतात; या प्रक्रियेला अनकम्प्युटेशन म्हणतात. ही मूल्ये ठेवण्यासाठी क्युबिट लागतात; ती पुन्हा मोजण्यासाठी गेट लागतात. संशोधनपत्र अशा रूटीनवर लक्ष केंद्रित करते, ज्यांचे वर्तन उलट करता येणाऱ्या क्वांटम क्रियेत बसवलेल्या क्लासिकल फंक्शनने सांगता येते. या मर्यादित वर्गामुळे स्वयंचलित अचूकता तपासणी व्यवहार्य होते.

आठही कामांसाठी संशोधकांनी अपेक्षित इनपुट-आउटपुट वर्तन लिहिले आणि रिकाम्या प्रोग्रामपासून शोध सुरू केला. Claude ने सर्किटे बांधणाऱ्या Python प्रोग्रामच्या रूपात अल्गोरिदमची अनेक कुले सुचवली. स्वतंत्र शोधांनी प्रत्येक कुल सुधारले आणि वेळोवेळी चांगले उमेदवार एकमेकांना दिले. मूल्यांकन साधनाने सादर सर्किट अपेक्षित आउटपुट देते का, इनपुट जपते का, तात्पुरते क्युबिट साफ करते का आणि फेज योग्य हाताळते का ते तपासले. त्यानंतर Toffoli गेट आणि एकाच वेळी वाटप केलेल्या लॉजिकल क्युबिटची कमाल संख्या मोजली. कामाची अट न पाळणारा उमेदवार नाकारला; वैध उमेदवारांना या दोन संसाधन संख्यांच्या गुणाकारानुसार क्रम दिला.

संशोधनपत्र याला OpenEvolve आणि Claude Mythos 5 वापरणारा उत्क्रांती-आधारित शोध म्हणते. प्रत्येक फेरीत मॉडेलला पालक प्रोग्राम, अभिप्राय आणि संग्रहातील मर्यादित पर्याय मिळाले. मूल्यांकनाचे निष्कर्ष पुढील सूचनेसाठी वापरले गेले. Anthropic म्हणते की एलिप्टिक वक्रावरील बिंदूंच्या बेरजेसाठीचा दीर्घ शोध 53 तास चालला; अधिक व्यापक शोध घ्यावा अशा मानवी सूचना मधूनमधून दिल्या गेल्या. सुरुवातीच्या अटी, कामांची निवड आणि गुणांकनाचे नियम हे मानवी निर्णय होते.

नोंदवलेली बचत आणि तिच्या अटी

टीमचा आठ कामांच्या निष्कर्षांचा तक्ता एका ऑप्टिमायझेशन अल्गोरिदमचे डीकोडर, संख्यात्मक फंक्शन, रसायनशास्त्राचे सर्किट, लॅटिस-गेज सिम्युलेशन आणि मॉड्युलर व्युत्क्रम यांचा समावेश करतो. Reed–Solomon डीकोडरसाठी प्रकाशित आधारभूत रचनेतील 5.1 दशलक्ष Toffoli गेट आणि कमाल 1,938 लॉजिकल क्युबिट यांची 440,000 गेट व 1,837 क्युबिटच्या सुचवलेल्या रचनेशी तुलना केली आहे. संशोधनपत्राच्या हिशेबानुसार गेट व क्युबिटच्या गुणाकारावर आधारित गुणांकन 12 पट सुधारते. फिक्स्ड-पॉइंट गॉसियन फंक्शनमध्ये नोंदवलेल्या संख्या 24,000 गेट व 362 क्युबिटवरून 1,583 गेट व 139 क्युबिटपर्यंत जातात; त्या गुणांकनात 39 पट सुधारणा होते.

आठवे काम वेगळ्या पद्धतीने वाचावे लागते. अभाज्य क्रमाच्या क्षेत्रातील मॉड्युलर व्युत्क्रमासाठी लेखक एकच आधारभूत रचना किंवा सुधारणेचा गुणक देत नाहीत; आधीच्या रचना कमी क्युबिटसाठी अधिक गेट वापरतात किंवा उलट तडजोड करतात. त्यांचे संपूर्ण बेंचमार्क सर्किट 4.0 दशलक्ष Toffoli गेट आणि 935 लॉजिकल क्युबिट वापरते. Anthropic च्या वर्णनानुसार नव्या कुलातील एक रचना आधीच्या सर्वांत लहान रचनेपेक्षा 12% अधिक क्युबिट, पण 17 पट कमी गेट वापरते. ही तडजोड आहे; सर्व बाबतीत घट नाही.

सुचवलेल्या एका डीकोडरमध्ये विश्वासार्हतेबाबत जाणीवपूर्वक तडजोडही आहे. अपवादांच्या सर्वांत वाईट संभाव्य मालिकेसाठी 665 क्युबिटऐवजी एका अपवादात्मक साठवलेल्या मूल्यासाठी तो 19 क्युबिट राखतो. संशोधनपत्रातील निर्दिष्ट वितरणानुसार साधारण 10,000 पैकी एका इनपुटला अधिक साठवण लागेल आणि तो अयशस्वी होईल, असा अंदाज आहे. इतर कामांत वेगळे अचूकता किंवा अपयश निकष वापरले आहेत. तक्त्यातील ओळींची तुलना करताना गेट व क्युबिट संख्यांसोबत या अटीही लक्षात ठेवाव्या लागतात.

गणना काय निश्चित करू शकत नाही

मूल्यांकन साधन कार्यक्षम क्लासिकल सिम्युलेशन करता येणाऱ्या सर्किटांतून संगणकीय बेसिसमधील इनपुटचा मागोवा घेते. मोठ्या व्याप्तीसाठी ते प्रत्येक संभाव्य इनपुटची अचूकता सिद्ध करण्याऐवजी नमुन्यातील इनपुट तपासते. काही कामांच्या अटींमध्ये अचूक निकाल आवश्यक असले तरी नोंदवलेली पडताळणी मर्यादित चाचणी-संचच वापरते. या तपासण्या प्रत्येक कामासाठी नमूद इंटरफेस आणि त्रुटी-सहनशीलतेच्या मर्यादेत सूचनांना आधार देतात; क्वांटम हार्डवेअरवर सर्किट चालल्याचे दाखवत नाहीत.

Toffoli संख्या आणि कमाल लॉजिकल क्युबिट हे भविष्यातील वेळ व जागेच्या खर्चाचे अप्रत्यक्ष निर्देशक आहेत. मशीनची गेट डेप्थ, राउटिंग, त्रुटी-सुधारणा व्यवस्था आणि फिजिकल क्युबिट यांमुळे कोणती रचना जास्त योग्य आहे ते बदलू शकते. लेखक प्रत्येक कामाचे इनपुट प्रतिनिधित्वही निश्चित ठेवतात, त्यामुळे काही एन्कोडिंग बदल शोधाबाहेर राहतात. आशादायक सबरूटीन संपूर्ण अल्गोरिदममध्ये वापरण्यापूर्वी या मर्यादा महत्त्वाच्या आहेत.

सर्वांत ठोस निष्कर्ष रचना-पद्धतीबाबत आहे. संशोधनाचा प्रश्न स्पष्ट अटींमध्ये मांडलेला असेल आणि पुरेसे जलद स्वतंत्र मूल्यांकन साधन असेल, तर मॉडेल अशा सर्किट संरचना शोधू शकते ज्या गेटच्या साध्या स्थानिक फेरबदलांच्या मालिकेत सापडणार नाहीत. संसाधनांचे नेमके आकडे हे अजूनही लेखकांच्या प्रीप्रिंटचे निष्कर्ष आहेत; त्यांचे स्वतंत्र पुनरुत्पादन आणि हार्डवेअरचा विचार केलेले मूल्यमापन बाकी आहे.

स्रोत आणि पुढील वाचन