Kvantecomputing

Zapata og UMD lanserer ForShor for verifisert kvanteforskning med KI-assistanse

Quinn Aster
Legg til Unite.AI blant dine foretrukne kilder på Google
Conceptual quantum circuit candidates passing through a mathematical proof-checking process.
Viktige punkterForShor krever at AI-foreslåtte kretsdesigner består formelle Lean-bevis før de får…
Vis mer
  • ForShor krever at AI-foreslåtte kretsdesigner består formelle Lean-bevis før de får poeng på resultattavlen.
  • Utfordringen retter seg mot kretsoptimalisering for Shors algoritme snarere enn å bevise at maskinvare kan faktorisere store tall.
  • Zapata vil bruke ForShor som en testarena for verifiseringsmetoder i sin Quantum Pilot-plattform.

Zapata Quantum og University of Maryland har lansert ForShor.ai, en åpen utfordring innen kvanteforskning med KI-assistanse, basert på en formelt verifisert implementering av Shors algoritme. Deltakerne kan bruke KI til å foreslå forbedringer, sende inn løsninger til en resultatliste og utforske dokumentasjon som knytter matematikken til maskinkontrollerte bevis.

Initiativet retter seg mot et voksende problem innen KI-drevet vitenskap: Det er enklere å lage en plausibel algoritme eller forklaring enn å fastslå at den er korrekt. ForShor legger søket etter bedre utforminger innenfor et rammeverk med tydelige matematiske begrensninger, samtidig som forskerne fortsatt involveres i forståelsen av resultatene.

Prosjektet ble kunngjort 18. november og viderefører Zapatas samarbeid med UMD. Målet er å teste verifiseringsteknikker som er relevante for selskapets programvareplattform Quantum Pilot.

Hvorfor Shors algoritme er utgangspunktet

Shors algoritme er særlig kjent for sine konsekvenser for kryptografi. Den kvantemekaniske delen kan finne en gjentakende struktur, kalt en orden, i modulær aritmetikk. Klassiske matematiske trinn kan deretter bruke dette resultatet til å bidra til faktorisering av et stort heltall.

ForShor fokuserer på utformingen av de aritmetiske kretsene som inngår i denne beregningen. Prosjektbeskrivelsen fra University of Maryland peker på rask Toom–Cook-multiplikasjon som en viktig byggestein. Denne metoden deler et stort multiplikasjonsproblem opp i mindre deler, noe som gir flere muligheter for hvordan regneoperasjonene kan organiseres.

Disse valgene påvirker hvor mange porter og arbeidskvantebiter en krets trenger. En port er en operasjon i en kvantekrets, mens en logisk kvantebit er en enhet av kvanteinformasjon på algoritmenivå. Hvis ett av disse behovene reduseres, kan det bedre utsiktene for en utforming, selv om overføringen til fysisk maskinvare medfører ytterligere kostnader.

Utfordringen gir forskerne et konkret optimaliseringsproblem med kontrollerbare vilkår, i stedet for å be et KI-system finne opp en helt ny kvantealgoritme uten begrensninger.

Hva verifiseringsrammeverket kontrollerer

ForShor-forhåndspublikasjonen, som ble sendt inn 16. november av Anirudh Suresh, Joshua M. Courtney, Runzhou Tao og Yudong Cao, beskriver et testoppsett som tar imot en utformingsspesifikasjon kalt en policy. Denne policyen fastsetter valg i en rekursiv kretskonstruksjon og kan komme fra en menneskelig forsker eller en KI-agent.

Rammeverket omfatter tre sammenhengende påstander: den matematiske korrektheten til implementeringen, den asymptotiske veksten i portkostnaden og korrektheten ved å oversette den verifiserte algoritmen til en mer detaljert kretsrepresentasjon.

Den rapporterte skaleringen av portkostnaden er O(n2+ε), der n angir størrelsen på inndataene, og ε er positiv. Dette uttrykker hvordan kostnaden øker når problemet blir større. Det betyr ikke at et bestemt tilfelle på 2,048 bit kan kjøres med et lite, fast antall porter.

Implementeringen bruker formelle bevis i Lean 4. Ved formell verifisering angir forskerne den ønskede oppførselen nøyaktig og legger fram bevis som en bevisassistent kan kontrollere. Dette går lenger enn å teste et program på utvalgte eksempler, selv om garantiene fortsatt er knyttet til definisjonene og antakelsene som bevises.

KI foreslår utforminger, og rammeverket kontrollerer dem

Prosjektets interaktive dokumentasjon av bevisene viser hvordan aritmetiske valg inngår i den større kretsen for ordensfinning. Den knytter forklaringer og diagrammer til den tilhørende Lean-koden, slik at leserne kan undersøke resonnementet på ulike detaljnivåer.

En del av utformingsrommet gjelder instruksjonstabeller for rekursiv multiplikasjon. Ulike kombinasjoner av addisjoner, skiftoperasjoner og beslektede operasjoner kan endre kostnaden for en krets. En foreslått tabell må oppfylle rammeverkets vilkår for tillatelighet før den kan omfattes av de relevante korrekthetsgarantiene.

Denne arbeidsdelingen er nyttig for forskning med KI-assistanse. En agent kan utforske mulige kombinasjoner eller foreslå optimaliseringer, mens en kontrakt som kan kontrolleres uavhengig, avgjør om resultatet er gyldig. Forskerne kan deretter undersøke hvorfor en vellykket kandidat fungerer, i stedet for å behandle poengsummen som det eneste resultatet.

«ForShor setter formell verifisering, med mennesker involvert i prosessen, i sentrum», sa Peter Shor, algoritmens opphavsmann og medlem av Zapatas vitenskapelige rådgivende styre.

Zapata-direktør for teknologi Yudong Cao beskrev initiativet som et whitebox-miljø for læring og forskning. Den åpne utfordringen omfatter en resultatliste og ressurser for fellesskapet, og selskapet sier at bidragsytere kan bli medforfattere av en senere forskningsartikkel.

Slik henger ForShor sammen med Quantum Pilot

ForShor er en avgrenset forskningsutfordring innenfor en bredere satsing på å gjøre utviklingen av kvanteapplikasjoner mer systematisk. Zapatas Quantum Pilot-plattform kombinerer et kunnskapslag, beregningsverktøy og arbeidsflyter for verifisering.

Quantum Graph knytter sammen applikasjoner, algoritmer, forskning og veikart for maskinvare. Quantum Engine håndterer oppgaver som valg av algoritme, ressursestimering, utforming av eksperimenter og ytelsesmåling. Quantum Assurance kombinerer formelle metoder med ekspertvurdering før resultatene legges til grunn for en beslutning.

Ressursestimering handler om å finne ut hva en algoritme faktisk vil kreve for å kunne kjøres. Et matematisk gyldig design kan likevel kreve flere kvantebiter eller lengre kjøretid enn en tilgjengelig maskin kan tilby. Når analysen knyttes til den verifiserte implementasjonen, kan forskere unngå å bevise at én krets er korrekt, samtidig som de estimerer kostnaden for en annen.

Som omtalt i den tidligere artikkelen om Quantum Pilot på Unite.ai, skal plattformen knytte potensielle bruksområder til teknisk gjennomførbarhet og sammenligninger med klassisk databehandling. Zapata sier at ForShor skal fungere som en testarena for verifiseringsmetoder som brukes i denne bredere prosessen.

Et bevis på programvareegenskaper, ikke maskinvareberedskap

ForShors bidrag er et granskbart rammeverk for programvare og matematikk. Det viser ikke at dagens kvanteprosessorer kan faktorisere tall av kryptografisk betydning eller fjerne de tekniske kravene ved feiltolerant databehandling.

Fysiske feilrater, feilkorreksjon, maskinvaretilkobling og kjøretid er fortsatt separate hensyn. Et maskinverifisert bevis fastslår på samme måte et angitt matematisk resultat, men det krever tydelige definisjoner, dokumentasjon og gjennomgang å gjøre resultatet forståelig for forskere.

Den bredere forskningsideen er å la KI utforske designmuligheter grundig, samtidig som forslagene må bestå eksplisitte, reproduserbare kontroller. ForShor gir denne tilnærmingen et konkret utgangspunkt: en definert kvanteoppgave, en åpen implementasjon og et fagmiljø som kan granske både kandidatdesignene og resonnementene bak dem.

Quinn Aster er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, og dekker skjæringspunktet mellom kunstig intelligens og kvantedatabehandling. Arbeidet deres utforsker hvordan AI-teknikker brukes til å optimalisere qubitkontroll, forbedre kvantefeilkorrigering og akselerere kvantealgoritmer—og bygger bro mellom abstrakt teori og eksperimentell fremgang.

Med et teoretisk og dypt intellektuelt perspektiv undersøker Aster forskning som kommer fra kvante‑laboratorier, akademiske institusjoner og nasjonale forskningsprogrammer. De fokuserer på hvordan maskinlæringsmodeller hjelper med å håndtere kvantestøy, kalibrere maskinvare og navigere i den enorme kompleksiteten i kvantesystemer, samtidig som de er tydelige på begrensningene og usikkerhetene som fortsatt preger feltet.

Artikler skrevet av Quinn Aster er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, klarhet og ansvarlig dekning av fremskritt innen kvantedatabehandling og AI‑drevet optimalisering.