← بازگشت به جدیدترین خبرها
اکتبر 17, 2026

کلود آنتروپیک مدارهای تصحیح خطای کوانتومی را بازطراحی کرد و رکوردهای گوگل را شکست

آنتروپیک اعلام کرده که مدل کلود، تا حد زیادی به‌صورت خودمختار، موفق شده مدارهای تصحیح خطای کوانتومی را برای هشت وظیفه‌ی مختلف بازطراحی کند و در این مسیر از الگوریتم‌های منتشرشده‌ی پیشین، از جمله کارهای تیم گوگل در این حوزه، بهتر عمل کرده است. اگر این نتایج در ارزیابی‌های علمی مستقل تایید شوند، این موضوع یکی از نمونه‌های ملموس‌تری خواهد بود که یک مدل زبانی بزرگ مستقیماً به پیشرفت در یک رشته‌ی فنی بسیار تخصصی مثل محاسبات کوانتومی کمک کرده است؛ نه صرفاً به‌عنوان یک ابزار کمکی برای نوشتن کد یا خلاصه‌سازی مقاله.

چرا تصحیح خطای کوانتومی این‌قدر مهم است

یکی از بزرگ‌ترین چالش‌های ساخت کامپیوترهای کوانتومی عملی، ناپایداری کیوبیت‌ها (واحدهای پایه‌ی اطلاعات کوانتومی) در برابر نویز و خطا است. برای غلبه بر این مشکل، دانشمندان از «مدارهای تصحیح خطا» استفاده می‌کنند که اطلاعات را میان چندین کیوبیت فیزیکی پخش می‌کنند تا حتی اگر چند کیوبیت دچار خطا شوند، اطلاعات اصلی قابل بازیابی باشد. طراحی این مدارها یک مسئله‌ی بهینه‌سازی فوق‌العاده پیچیده است: هدف این است که با کمترین تعداد «گیت» (عملیات منطقی کوانتومی) و کمترین تعداد کیوبیت اضافی، بالاترین سطح محافظت در برابر خطا را به دست آورد. هر گیت کمتر، یعنی زمان اجرای کوتاه‌تر و فرصت کمتر برای بروز خطای جدید؛ به همین دلیل، کاهش تعداد گیت‌ها در یک مدار تصحیح خطا، مستقیماً به معنای نزدیک‌تر شدن به کامپیوترهای کوانتومی عملی و قابل‌استفاده است.

نتایج مشخص: چه چیزی بهبود یافته است

طبق گزارش آنتروپیک، کلود در یکی از نسخه‌های بازطراحی‌شده برای «وارون‌سازی پیمانه‌ای» (modular inversion)، با وجود استفاده‌ی ۱۲ درصد بیشتر از کیوبیت، توانسته تعداد گیت‌های لازم را ۱۷ برابر کاهش دهد؛ یعنی یک معاوضه‌ی (trade-off) هوشمندانه بین دو منبع محدود (کیوبیت و گیت) که در بسیاری از کاربردهای عملی، ارزشش را دارد، چون کاهش گیت معمولاً اهمیت بیشتری نسبت به افزایش کمی در تعداد کیوبیت دارد.

مورد دیگری که آنتروپیک به آن اشاره کرده، بازطراحی دیکودر Reed-Solomon است؛ نوعی الگوریتم تصحیح خطا که ریشه در نظریه‌ی کدگذاری کلاسیک دارد و در محاسبات کوانتومی هم کاربرد پیدا کرده. در این مورد، کلود توانسته تعداد گیت‌های لازم را نسبت به ساختار پیشین منتشرشده توسط تیم گوگل، حدود ۱۲ برابر کاهش دهد؛ عددی که اگر درست باشد، پیشرفت قابل توجهی در کارآمدی این بخش خاص از زیرساخت تصحیح خطای کوانتومی محسوب می‌شود.

«تا حد زیادی خودمختار» دقیقاً چه معنایی دارد

نکته‌ی مهمی که باید در این‌جا دقیق بود، عبارت «تا حد زیادی خودمختار» است. این بدان معنا نیست که کلود بدون هیچ راهنمایی یا نظارت انسانی، از صفر شروع به کشف این بهبودها کرده باشد. در چنین پروژه‌های تحقیقاتی، معمولاً پژوهشگران انسانی مسئله را تعریف می‌کنند، معیار ارزیابی (مثل تعداد گیت یا کیوبیت) را مشخص می‌کنند و فضای جست‌وجو را محدود می‌کنند؛ سپس مدل در این چارچوب مشخص‌شده، به‌صورت نسبتاً مستقل به دنبال راه‌حل‌های بهینه می‌گردد. این نوع همکاری انسان-مدل، که گاهی «جست‌وجوی خودکار در فضای راه‌حل» (automated search) نامیده می‌شود، با سناریوی علمی‌تخیلی «هوش مصنوعی که به‌تنهایی علم جدید کشف می‌کند» تفاوت زیادی دارد؛ اما همچنان نشان‌دهنده‌ی توانایی واقعی و قابل‌اندازه‌گیری مدل‌های زبانی بزرگ در حل مسائل بهینه‌سازی تخصصی است.

چرا این نوع کار برای مدل‌های زبانی سخت است

شاید در نگاه اول عجیب به نظر برسد که یک مدل زبانی، که اصولاً برای پیش‌بینی توالی کلمات طراحی شده، بتواند در طراحی مدارهای فیزیک کوانتومی مفید باشد. اما باید توجه کرد که طراحی مدار کوانتومی، در نهایت یک مسئله‌ی ترکیبیاتی (combinatorial) است: باید از میان تعداد نجومی ترکیب‌های ممکن از گیت‌ها و کیوبیت‌ها، ترکیبی پیدا کرد که هم از نظر ریاضی درست باشد (یعنی واقعاً خطا را تصحیح کند) و هم از نظر منابع (تعداد گیت و کیوبیت) کارآمد باشد. مدل‌های زبانی بزرگ، به‌خصوص وقتی با ابزارهای کمکی مثل شبیه‌سازهای کوانتومی و حلقه‌های بازخورد خودکار ترکیب شوند، می‌توانند هزاران ترکیب را در زمان کوتاهی بررسی کنند؛ کاری که برای یک پژوهشگر انسانی به‌تنهایی می‌تواند ماه‌ها یا حتی سال‌ها طول بکشد.

به بیان دیگر، نقش کلود در این‌جا شبیه به یک «جستجوگر هوشمند» در فضای راه‌حل‌های ممکن است؛ جستجوگری که با استفاده از الگوهای یادگرفته‌شده از حجم عظیم متون علمی و کد منتشرشده، می‌تواند فرضیه‌های معقول‌تری نسبت به یک جست‌وجوی کاملاً تصادفی مطرح کند و سریع‌تر به راه‌حل‌های خوب برسد.

زمینه و پس‌زمینه: آنتروپیک و علم کوانتوم

این خبر در کنار چند خبر دیگر از آنتروپیک در همین روزها منتشر شده که نشان می‌دهد این شرکت به‌طور فعال روی کاربرد کلود در مسائل علمی و امنیتی پیچیده سرمایه‌گذاری کرده است؛ از جمله گزارشی درباره‌ی این‌که کلود توانسته منشا بذرهای (seeds) یک استاندارد رمزنگاری قدیمی NIST را ردیابی کند. این الگو نشان می‌دهد آنتروپیک به‌طور مشخص می‌خواهد روایت «کلود به‌عنوان ابزار پژوهش علمی جدی» را، در کنار کاربردهای معمول‌تر مثل کدنویسی و دستیار مکالمه‌ای، تقویت کند؛ احتمالاً هم برای جذب مشتریان پژوهشی و دانشگاهی و هم برای تمایز رقابتی در برابر مدل‌های دیگر.

تحلیل: چرا باید این ادعاها را با احتیاط خواند

با وجود این‌که این نتایج تاثیرگذار به نظر می‌رسند، باید یادآوری کرد که این گزارش از خود آنتروپیک منتشر شده و هنوز در قالب یک مقاله‌ی علمی داوری‌شده (peer-reviewed) توسط اجتماع فیزیک کوانتومی بررسی نشده است. در علم محاسبات کوانتومی، که حوزه‌ای بسیار تخصصی و با معیارهای دقیق ارزیابی است، معمولاً چنین ادعاهایی باید توسط گروه‌های پژوهشی مستقل بازتولید و تایید شوند تا به‌طور کامل در ادبیات علمی این رشته پذیرفته شوند. تا آن زمان، باید این خبر را به‌عنوان یک نتیجه‌ی اولیه و امیدوارکننده در نظر گرفت، نه یک پیشرفت نهایی و قطعی.

اما حتی با این احتیاط، اهمیت این خبر برای صنعت هوش مصنوعی قابل انکار نیست: اگر مدل‌های زبانی بزرگ بتوانند به‌طور مکرر و قابل اعتماد در چنین مسائل بهینه‌سازی تخصصی به کار گرفته شوند، این می‌تواند سرعت پیشرفت در زمینه‌هایی مثل محاسبات کوانتومی، طراحی مواد جدید و زیست‌شناسی محاسباتی را به‌طور قابل‌توجهی افزایش دهد؛ دقیقاً همان نوع کاربردی که شرکت‌هایی مثل آنتروپیک و گوگل دیپ‌مایند، در کنار کاربردهای تجاری روزمره، آن را به‌عنوان توجیه بلندمدت سرمایه‌گذاری عظیم در این فناوری مطرح می‌کنند.

نکته‌ی پایانی این‌که این خبر، در کنار گزارش‌های دیگر آنتروپیک درباره‌ی افزایش نسبت کار انجام‌شده توسط ایجنت‌های هوش مصنوعی در داخل خود این شرکت، تصویری منسجم‌تر از استراتژی آنتروپیک ارائه می‌دهد: نشان دادن این‌که کلود نه فقط یک چت‌بات برای پاسخ به سوالات روزمره، بلکه ابزاری است که می‌تواند مستقیماً در خطوط مقدم پژوهش علمی و مهندسی پیچیده مشارکت کند. اگر این روایت در ماه‌های آینده با نمونه‌های قابل‌تکرار و تاییدشده‌ی بیشتری همراه شود، می‌تواند جایگاه آنتروپیک را در میان مشتریان سازمانی و پژوهشی، فراتر از بازار عمومی دستیارهای مکالمه‌ای، تقویت کند.

منبع: AI Weekly

SOS سایتت خوابیده؟