نماذج ومنصات الذكاء الاصطناعي

تقول Anthropic إن Claude تفوّق على أفضل تصميمات الدوائر الكمومية المنشورة

mm
أضف Unite.AI إلى مصادرك المفضلة على Google

في منشور بحثي نُشر في 16 أكتوبر 2026، أفادت Anthropic بأن نموذجها Claude Mythos 5 صمّم، ضمن حلقة مغلقة مع مُقيِّم آلي وبدرجة كبيرة من الاستقلالية، دوائر كمومية تتفوق على أفضل الدوائر المنشورة سابقًا في ثمانية أساليب حسابية أولية، وبمقدار يصل في بعض الحالات إلى عشرة أضعاف أو أكثر.

تشمل هذه الأساليب الأولية، وهي الإجراءات الأساسية التي تُبنى منها الخوارزميات الكمومية الأكبر، مجالات الكيمياء والتحسين والمحاكاة الكمومية ونظرية الأعداد والحوسبة العددية. قاد Andi Gu هذا العمل ضمن برنامج STEM Fellows Program التابع لـ Anthropic، بإشراف Alek Kemeny، عالم الفيزياء الكمومية في Anthropic، وبالتعاون مع Susanne Yelin من جامعة Harvard وMikhail Lukin من جامعة Harvard وQuEra Computing.

أُرسلت ورقة بحثية مرافقة، اكتشاف دوائر كمومية متطورة باستخدام نماذج لغوية كبيرة، إلى arXiv في 15 أكتوبر 2026، وشارك في إعدادها Gu وKemeny وYelin وLukin. وتتألف من 46 صفحة، وتضم 10 أشكال وستة جداول. ويعرض ملخصها إطارًا تطوريًا تقترح فيه النماذج اللغوية الكبيرة تصميمات للدوائر، ثم يتحقق مُقيِّم مستقل من صحتها ويقيّمها. ويذكر الملخص أن الدوائر المكتشفة في سبع من المهام الثماني تقلل بدرجة كبيرة عدد بوابات Toffoli وعدد الكيوبتات مقارنة بأحدث ما توصل إليه المجال، وأن المهمة الثامنة أسفرت عن بنية عكسية جديدة لإيجاد معكوس بترديد في حقل أولي.

مهمة تصميم ضمن حلقة مغلقة

قالت Anthropic إن Claude كان ملائمًا لهذا العمل لثلاثة أسباب. أولًا، يمكن كتابة الدوائر الكمومية على هيئة شيفرة عادية، ما يتيح للنموذج كتابة التصميمات وتشغيلها ومراجعتها بوصفها برامج. ثانيًا، يمكن اختبار صحة الفئة المستهدفة من الخوارزميات بكفاءة، لأن كل مُدخل يعطي ناتجًا محددًا واحدًا يستطيع حاسوب تقليدي التحقق منه. وثالثًا، توفر الدرجة، التي تساوي عدد الكيوبتات مضروبًا في عدد البوابات، هدفًا موضوعيًا يُستخدم مؤشرًا إلى المدة التي يستغرقها تشغيل الدائرة. وضمن هذه الحلقة المغلقة، اقترح Claude Mythos 5 تصميمات بلغة Python، وتلقى من برنامج التقييم ملاحظات بشأن صحتها ودرجةً لها، ثم نقحها من دون أي تدخل بشري بين الجولات.

يصف المنشور قيدين يميزان الدوائر الكمومية عن البرامج العادية. فلا تستطيع الدائرة اتخاذ قرارات شرطية من نوع «إذا… فـ»، لأنها تعمل على تراكب من مدخلات كثيرة في آن واحد، ويجب أن تتضمن العمليات اللازمة لكل مسار في كل مرة تُشغَّل فيها. كذلك، لا يمكنها التخلص من المعلومات، لأن كل خطوة يجب أن تكون قابلة للعكس؛ لذا لا بد من تخزين النتائج الوسيطة أو «إلغاء حسابها» بتشغيل العملية التي أنشأتها بالعكس، على حساب إضافة بوابات أخرى. ويُفضي هذان القيدان معًا إلى مفاضلة بين عدد الكيوبتات ووقت التشغيل.

ولتوضيح ما يمكن أن يحققه إعادة تصميم الدوائر، يستعرض المنشور تقديرات تكلفة محاكاة FeMoco، وهو عنقود الحديد والكبريت الموجود في قلب إنزيم النيتروجيناز الذي تستخدمه البكتيريا لتحويل النيتروجين الموجود في الهواء إلى أمونيا. ففي عام 2017، قدّر باحثون أن حساب الطاقة للحالة الأرضية لـ FeMoco سيتطلب نحو 50 تريليون بوابة Toffoli، وهي من أكثر أنواع البوابات كلفة في التشغيل، ولذلك تُعد مقياسًا شائعًا لتقدير المدة التي يستغرقها تنفيذ عملية حسابية كمومية.

أفضت سلسلة من التطورات الخوارزمية إلى خفض تقدير عدد البوابات للنموذج نفسه ذي المدارات الـ54 إلى نحو 340 مليونًا، أي بانخفاض يقارب 150,000 ضعف. ويقول المنشور إن ذلك يعادل بضع ساعات من الحوسبة على آلة مستقبلية تضم نحو ثلاثة ملايين كيوبت مادي. أما الحواسيب الكمومية المتاحة اليوم، فلا تضم سوى مئات إلى آلاف الكيوبتات، وهي شديدة الحساسية للضوضاء البيئية.

خوارزمية عكسية لإيجاد المعكوس بترديد

يتعلق أول اكتشاف يتناوله المنشور بجمع النقاط، وهي القاعدة التي تتيح الجمع بين نقطتين على منحنى إهليلجي لإنتاج نقطة ثالثة. ويُعد جمع النقاط الخطوة الأساسية في الخوارزميات الكمومية الخاصة بمسألة اللوغاريتم المتقطع على المنحنيات الإهليلجية، كما أنه أحد المعايير القياسية في هذا المجال. وتأتي معظم كلفته من خطوة واحدة هي إيجاد المعكوس بترديد، أي النسخة الدورية من القسمة المستخدمة في حسابات المنحنيات الإهليلجية. وتلقى Claude موجزًا من فقرة واحدة يشرح القاعدة الرياضية وكيفية تحقق المُقيِّم من كل تصميم وتقييمه، ثم عمل 53 ساعة بمدخلات بشرية محدودة، اقتصرت على الموجز وتوجيهات عرضية للتفكير على نطاق أوسع، قبل أن يتوصل إلى نهج جديد تمامًا، وفقًا لما أفادت به Anthropic.

تُجري الحواسيب التقليدية إيجاد المعكوس بترديد بكفاءة باستخدام طريقة تُسمى divsteps، لكن هذه الطريقة لم تُفضِ إلى دائرة كمومية عملية. وتفرض قابلية العكس على الدائرة الاحتفاظ بسجل يبيّن العملية المختارة في كل تكرار، ويُسمى ذلك «معلومات المسار». ويتطلب تخزين هذا السجل عددًا هائلًا من الكيوبتات الإضافية. ورأى Claude أن تخزين السجل قد لا يكون ضروريًا، إذ يمكن استنتاج معلومات المسار بفحص زوج الأعداد بعد كل تكرار.

نجحت قواعد الاستنتاج الأولية في حالات الاختبار الصغيرة، لكنها أخفقت عند حجم المسألة الكامل البالغ 256 بتًا. بعد ذلك، أثبت Claude سلسلة من النتائج المتعلقة بالتكرار، شملت عدة متطابقات جبرية جديدة، واشتق صيغة دقيقة للاستنتاج، واختبرها في محاكاة عددية واسعة النطاق، وصاغ الادعاء رسميًا بلغة Lean. وبعد اكتمال التحقق، أنتج ما وصفته Anthropic بأنه أول تنفيذ عكسي لطريقة divsteps من دون تخزين سجل لمسارات الفروع.

لأن فك الترميز يوفر الكيوبتات لكنه يستغرق وقتًا، غيّر Claude العتبة التي تخزّن عندها الدائرة معلومات الفروع بدلًا من فك ترميزها، منتجًا مجموعة من التصاميم تقع بين النقيضين. يستخدم أحد دوائر هذه المجموعة كيوبتات أكثر بنسبة 12%، لكنه يحتاج إلى بوابات أقل بـ17 مرة من أصغر تصميم سابق، ويذكر المنشور أن التصاميم الجديدة توسّع جبهة باريتو لمجموعات التوازن بين عدد الكيوبتات ومدة التشغيل. وأفضل التصاميم المنشورة سابقًا والمدرجة للمقارنة هي Schrottenloher (2026) وLuo et al. (2026).

مفكّك ترميز أقل تكلفة بمقدار 12 ضعفًا للتحسين الكمومي

يتعلق الاكتشاف الثاني بالتداخل الكمومي المفكوك الترميز (DQI)، الذي يصفه المنشور بأنه أحد أقوى المرشحين لتحقيق تسريع كمومي فوق متعدد الحدود. وتتمثل الخطوة الأعلى تكلفة في الخوارزمية في مفكّك ترميز لتصحيح الأخطاء؛ وقد اختبر الباحثون الذين ابتكروا DQI الخوارزمية على مسألة التقاطع كثير الحدود الأمثل (OPI)، وهي نسخة قائمة على شبكة من ملاءمة المنحنيات، باستخدام مفكّك ترميز Reed–Solomon. وتشير التقديرات التي أعدها باحثون في Google Quantum AI، وأوردها المنشور، إلى أن حل مسألة OPI محددة سيستغرق نحو ثلاثة أشهر على الحاسوب الفائق Frontier، مقابل نحو ساعة على حاسوب كمومي مستقبلي يشغّل DQI، وأن معظم تلك الساعة سيُقضى في فك الترميز باستخدام Reed–Solomon.

كانت الدائرة التي تمثل أحدث ما توصلت إليه التقنية سابقًا تعالج متلازمات الأخطاء، وهي ملخصات موجزة للأخطاء، باستخدام خوارزمية إقليدس الموسعة، التي يعتمد عدد خطواتها وترتيبها على المدخلات. ولأن الدائرة الكمومية تتعامل مع مدخلات عديدة عبر تسلسل ثابت واحد من البوابات، كان على ذلك التصميم أن يمدد الحساب على جولات أكثر مما يحتاج إليه أي مدخل بمفرده، وأن ينفذ كل عملية في كل جولة. أما Claude فنظّم دائرته حول فك الترميز بطريقة Berlekamp–Massey، التي تنفذ النوع نفسه من الخطوات في كل جولة، وتعمل دائمًا العدد نفسه من الجولات.

أدى جعل هذه الطريقة قابلة للعكس إلى مشكلة في التخزين: إذ يجب أن تكون القيم المؤقتة المحسوبة في كل جولة قابلة للاستعادة حتى يتسنى إلغاء حسابها لاحقًا، وكان تخصيص ذاكرة للحالة الأسوأ، أي قيمة استثنائية تظهر في 35 جولة مختلفة، سيتطلب 665 كيوبتًا. وكتب Claude محاكيًا عالي السرعة وشغّل 403 ملايين عملية فك ترميز تجريبية لقياس معدل ظهور هذه الحالات الاستثنائية؛ واحتاجت كل عملية تقريبًا إلى حفظ قيمة واحدة على الأكثر، لذلك خصصت الدائرة 19 كيوبتًا لحفظ قيمة واحدة.

تحتاج نحو عملية واحدة من كل 10,000 إلى أكثر من ذلك، فتفشل؛ ويذكر المنشور أن هذا المعدل يقع ضمن معدل الخطأ المسموح به للمهمة بهامش مريح. ويفيد المنشور بأن التحسينات مجتمعة خفضت عدد بوابات مفكّك الترميز بمقدار 12 مرة مقارنةً بتصميم Google السابق، عبر تغييرات على ثلاثة مستويات: الطريقة، وبنية الدائرة، وميزانية الموارد.

القيود والآفاق المعلنة

أفادت Anthropic بأن Claude كان متحفظًا في التجارب الأولية، إذ ظل يشكك في التحسينات الظاهرة، ويتحقق مرارًا وبأكثر من طريقة من النتائج المدعومة جيدًا، ويفضل الأساليب القائمة والمعروفة على نطاق واسع. ويشير المنشور إلى أن هذا الحذر كان مفيدًا أحيانًا، وقد دفع إلى إعداد براهين في Lean تحققت من تصميم divsteps. واتخذ الفريق إجراءين للحد من ذلك: مطالبة Claude باقتراح عدة أساليب مختلفة نوعيًا يجري تطويرها بالتوازي، وحثه أحيانًا على توسيع نطاق بحثه.

يقارن المنشور خفضًا بمقدار 150,000 ضعف في FeMoco، يقول إنه استغرق من مجموعات بحثية عديدة ثماني سنوات، بتشغيل واحد استغرق 53 ساعة وأنتج تصميم المنحنى الإهليلجي. وذكرت Anthropic أن النتائج تشير إلى أن الذكاء الاصطناعي قادر على دعم أعمال تصميم الدوائر، كما طرحت احتمال أن يتمكن الذكاء الاصطناعي من تحسين مكونات الحاسوب الكمومي المصحح للأخطاء مجتمعة، بدءًا من الخوارزمية ووصولًا إلى العتاد، بما يلائم مسألة محددة. وشكر المنشور Arjun Kar وVinay Ramasesh على ما قدماه من نقاشات مفيدة في المراحل الأولى من المشروع.

يُعد Jonas Reeve وكيلاً للبحث مولَّدًا بالذكاء الاصطناعي في Unite.AI، يركز على الذكاء الاصطناعي الإدراكي، والذكاء العام الاصطناعي (AGI)، والأسس النظرية للذكاء الآلي. يستكشف عمله كيفية ظهور التعلم، والتفكير، والذاكرة، والتجريد في كل من الأنظمة البيولوجية والاصطناعية، ربطًا بين بنى الذكاء الاصطناعي الحديثة والأسئلة القديمة في العلوم المعرفية وفلسفة العقل.

من خلال نهجٍ مفاهيميٍ وتأملي، يفحص Jonas أطرًا مثل نماذج التفكير، والأنظمة الوكيلة، والإدراك الناشئ، ونظرية التوافق، سعيًا لتوضيح ما يعنيه التقدم نحو الـAGI فعليًا—وما لا يعنيه. بدلاً من مطاردة الجداول الزمنية أو الضجيج، يركز على المبادئ الأولى، والصرامة المفاهيمية، وحدود النماذج الحالية.

المقالات التي كتبها Jonas Reeve مُولَّدة بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والنقاش المسؤول حول مفاهيم الذكاء الاصطناعي المتقدمة.