Kvantecomputing

Zapata og UMD lancerer ForShor til verificeret, AI-understøttet kvanteforskning

Quinn Aster
Føj Unite.AI til dine foretrukne kilder på Google
Conceptual quantum circuit candidates passing through a mathematical proof-checking process.
NøglepunkterForShor kræver, at AI-foreslåede kredsløbsdesigns består formelle Lean-beviser, før de…
Vis mere
  • ForShor kræver, at AI-foreslåede kredsløbsdesigns består formelle Lean-beviser, før de optjener point på leaderboardet.
  • Udfordringen fokuserer på kredsløbsoptimering til Shors algoritme snarere end på at bevise, at hardware kan faktorisere store tal.
  • Zapata vil bruge ForShor som et prøvefelt for verifikationsmetoder i sin Quantum Pilot-platform.

Zapata Quantum og University of Maryland har lanceret ForShor.ai, en åben udfordring inden for AI-understøttet kvanteforskning, der bygger på en formelt verificeret implementering af Shors algoritme. Deltagerne kan bruge AI til at foreslå forbedringer, indsende løsninger til en rangliste og udforske dokumentation, der forbinder matematikken med maskinkontrollerede beviser.

Initiativet retter sig mod et voksende problem inden for AI-drevet videnskab: Det er lettere at fremstille en plausibel algoritme eller forklaring end at fastslå, at den er korrekt. ForShor lader forskere søge efter bedre design inden for en ramme med eksplicitte matematiske begrænsninger, samtidig med at forskerne fortsat inddrages i forståelsen af resultaterne.

Projektet blev offentliggjort den 18. november og udbygger Zapatas samarbejde med UMD. Det skal afprøve verificeringsteknikker, der er relevante for virksomhedens softwareplatform Quantum Pilot.

Hvorfor Shors algoritme er udgangspunktet

Shors algoritme er bedst kendt for sine konsekvenser for kryptografi. Dens kvantedel kan finde en gentagen struktur, kaldet en orden, i modulær aritmetik. Klassiske matematiske trin kan derefter bruge resultatet til at hjælpe med at faktorisere et stort heltal.

ForShor fokuserer på designet af de aritmetiske kredsløb, der indgår i beregningen. University of Marylands projektbeskrivelse fremhæver hurtig Toom–Cook-multiplikation som en vigtig byggesten. Denne metode opdeler et stort multiplikationsproblem i mindre dele, hvilket giver flere muligheder for at organisere aritmetikken.

Disse valg påvirker, hvor mange kvanteporte og arbejdskvantebits et kredsløb kræver. En kvanteport er en operation i et kvantekredsløb; en logisk kvantebit er en enhed af kvanteinformation på algoritmeniveau. Hvis et af kravene reduceres, kan det forbedre et designs muligheder, selvom overførsel til fysisk hardware medfører yderligere omkostninger.

Udfordringen giver forskerne et konkret optimeringsproblem med betingelser, der kan kontrolleres, i stedet for at bede et AI-system om at opfinde en helt ny kvantealgoritme uden begrænsninger.

Hvad verificeringsrammen kontrollerer

ForShor-fortrykket, indsendt den 16. november af Anirudh Suresh, Joshua M. Courtney, Runzhou Tao og Yudong Cao, beskriver et testmiljø, der tager imod en designspecifikation kaldet en politik. Politikken fastlægger valgene i en rekursiv konstruktion af et kredsløb og kan udarbejdes af en menneskelig forsker eller en AI-agent.

Rammen omfatter tre indbyrdes forbundne påstande: implementeringens matematiske korrekthed, den asymptotiske vækst i omkostningerne ved kvanteporte og korrektheden af at oversætte den verificerede algoritme til en mere detaljeret kredsløbsrepræsentation.

Den rapporterede skalering af omkostningerne ved kvanteporte er O(n2+ε), hvor n angiver inputstørrelsen, og ε er positiv. Det beskriver, hvordan omkostningerne vokser, når problemet bliver større. Det betyder ikke, at en bestemt instans på 2.048 bit kan køres med et lille, fast antal kvanteporte.

Implementeringen bruger formelle beviser i Lean 4. Ved formel verifikation beskriver forskere den krævede adfærd præcist og fremlægger beviser, som en bevisassistent kan kontrollere. Det går videre end at teste et program på udvalgte eksempler, selvom garantierne fortsat afhænger af de definitioner og antagelser, der bevises.

AI foreslår design, og rammen kontrollerer dem

Projektets interaktive dokumentation af beviserne viser, hvordan aritmetiske valg indgår i det større kredsløb til ordensbestemmelse. Den forbinder forklaringer og diagrammer med den tilsvarende Lean-kode, så læserne kan gennemgå argumentationen på forskellige detaljeringsniveauer.

En del af designrummet handler om instruktionstabeller til rekursiv multiplikation. Forskellige kombinationer af additioner, skift og beslægtede operationer kan ændre et kredsløbs omkostninger. En foreslået tabel skal opfylde rammens betingelser for tilladelighed, før den kan opnå de relevante korrekthedsgarantier.

Denne arbejdsdeling er nyttig for AI-understøttet forskning. En agent kan undersøge mulige kombinationer eller foreslå optimeringer, mens en kontrakt, der kan kontrolleres uafhængigt, afgør, om resultatet er gyldigt. Forskerne kan derefter undersøge, hvorfor en vellykket kandidat virker, i stedet for kun at betragte dens score som resultatet.

»ForShor sætter formel verifikation, med mennesker inddraget undervejs, i centrum af processen,« sagde Peter Shor, algoritmens skaber og medlem af Zapatas videnskabelige rådgivende udvalg.

Zapata CTO Yudong Cao beskrev initiativet som et gennemsigtigt lærings- og forskningsmiljø. Den offentlige udfordring omfatter en rangliste og ressourcer til fællesskabet, og virksomheden oplyser, at bidragydere kan blive medforfattere til en efterfølgende forskningsartikel.

Sådan hænger ForShor sammen med Quantum Pilot

ForShor er en målrettet forskningsudfordring inden for en bredere indsats for at gøre udviklingen af kvanteapplikationer mere systematisk. Zapatas platform Quantum Pilot kombinerer et videnslag, beregningsværktøjer og arbejdsgange til verificering.

Quantum Graph forbinder applikationer, algoritmer, forskning og hardwarekøreplaner. Quantum Engine håndterer opgaver som valg af algoritmer, ressourceestimering, eksperimentdesign og benchmarking. Quantum Assurance kombinerer formelle metoder med ekspertvurdering, før resultaterne indgår i en beslutning.

Ressourceestimering undersøger, hvilke ressourcer en algoritme reelt vil kræve for at kunne udføres. Et matematisk gyldigt design kan stadig kræve flere qubits eller længere køretid, end en tilgængelig maskine kan levere. Ved at koble analysen til den verificerede implementering kan forskere undgå at bevise, at ét kredsløb er korrekt, mens de estimerer omkostningerne ved et andet.

Som beskrevet i Unite.ai’s tidligere artikel om Quantum Pilot skal platformen forbinde potentielle anvendelsesområder med teknisk gennemførlighed og sammenligninger med klassisk databehandling. Zapata siger, at ForShor skal fungere som prøveplatform for de verifikationsmetoder, der bruges i denne bredere proces.

Et bevis for softwareegenskaber, ikke for hardwarens parathed

ForShors bidrag er et software- og matematikrammeværk, der kan granskes. Det viser ikke, at nutidens kvanteprocessorer kan faktorisere tal af kryptografisk betydning eller fjerne de tekniske krav til fejltolerant databehandling.

Fysiske fejlrater, fejlkorrektion, hardwareforbindelser og køretid er fortsat separate hensyn. Et maskinkontrolleret bevis fastslår tilsvarende et bestemt matematisk resultat; hvis resultatet skal være forståeligt for forskere, kræver det stadig klare definitioner, dokumentation og gennemgang.

Den bredere forskningsidé er at lade AI udforske designmuligheder grundigt, samtidig med at dens forslag skal bestå eksplicitte, reproducerbare kontroller. ForShor giver denne tilgang et konkret udgangspunkt: en afgrænset kvanteopgave, en åben implementering og et fællesskab, der kan undersøge både de foreslåede design og ræsonnementet bag dem.

Quinn Aster er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker krydsfeltet mellem kunstig intelligens og kvantecomputing. Deres arbejde undersøger, hvordan AI-teknikker anvendes til at optimere qubitkontrol, forbedre kvantefejlkorrektion og accelerere kvantealgoritmer — og bygger bro mellem abstrakt teori og eksperimentel fremgang.

Med et teoretisk og dybt intellektuelt perspektiv undersøger Aster forskning, der opstår i kvante‑laboratorier, akademiske institutioner og nationale forskningsprogrammer. De fokuserer på, hvordan maskinlæringsmodeller hjælper med at håndtere kvante‑støj, kalibrere hardware og navigere i den enorme kompleksitet i kvantesystemer, samtidig med at de tydeligt påpeger de begrænsninger og usikkerheder, der stadig præger feltet.

Artikler forfattet af Quinn Aster er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, klarhed og ansvarlig dækning af fremskridt inden for kvantecomputing og AI-drevet optimering.