量子计算

Zapata 与马里兰大学推出 ForShor,推动经验证的 AI 辅助量子研究

Quinn Aster
将 Unite.AI 添加到您在 Google 上的首选来源
Conceptual quantum circuit candidates passing through a mathematical proof-checking process.
要点ForShor要求AI提出的电路设计必须通过形式化的Lean证明,才能获得排行榜积分。
查看更多
  • ForShor要求AI提出的电路设计必须通过形式化的Lean证明,才能获得排行榜积分。
  • 该挑战针对的是Shor算法的电路优化,而非证明硬件能够分解大数。
  • Zapata将把ForShor作为其Quantum Pilot平台中验证方法的试验场。

Zapata Quantum 与马里兰大学推出了 ForShor.ai。这是一个面向 AI 辅助量子研究的开放挑战,围绕 Shor 算法的形式化验证实现展开。参与者可以借助 AI 提出改进方案、向排行榜提交解法,并查阅将数学原理与机器校验证明相联系的文档。

这项计划旨在应对 AI 驱动科学研究中日益突出的问题:提出看似合理的算法或解释,比证明其正确要容易得多。ForShor 将寻找更优设计的过程置于具有明确数学约束的框架之中,同时让研究人员参与理解结果。

该项目于 11 月 18 日宣布,是 Zapata 与马里兰大学合作的延伸,旨在测试与该公司 Quantum Pilot 软件平台相关的验证技术。

为何从 Shor 算法入手

Shor 算法最广为人知的是其对密码学的影响。其量子部分能够在模运算中找到一种称为阶的重复结构。随后,经典数学步骤可以利用这一结果帮助分解一个大整数。

ForShor 专注于设计这项计算所涉及的算术电路。马里兰大学的项目介绍将快速 Toom–Cook 乘法列为一项关键构建模块。这种方法将大型乘法问题拆分为较小的部分,由此产生如何组织算术运算的不同选择。

这些选择会影响电路所需的量子门数量和工作量子比特数量。量子门是量子电路中的一种操作;逻辑量子比特则是算法层面的量子信息单位。减少其中任一项需求,都有助于提升设计的可行性,尽管将其转化为物理硬件实现时还会产生额外成本。

这项挑战为研究人员提供了一个具有可检验条件的具体优化问题,而不是要求 AI 系统不受约束地发明一种全新的量子算法。

验证框架检查哪些内容

ForShor 预印本于 11 月 16 日提交,作者为 Anirudh Suresh、Joshua M. Courtney、Runzhou Tao 和 Yudong Cao。文中介绍了一种可接收设计规范的框架,这种规范称为策略。策略规定递归电路构造中的选择,可以由人类研究人员或 AI 智能体制定。

该框架涵盖三项相互关联的主张:实现的数学正确性、量子门成本的渐近增长,以及将经过验证的算法转换为更详细的电路表示时的正确性。

报告给出的量子门成本扩展关系为 O(n2+ε),其中 n 表示输入规模,ε 为正数。这一表达式说明问题规模增大时成本如何增长;它并不意味着某个特定的 2,048 位实例能够以一个较小且固定数量的量子门运行。

该实现采用 Lean 4 形式化证明。在形式化验证中,研究人员会精确定义所需行为,并提供可由证明助手检查的证明。这比在选定示例上测试程序更进一步;不过,保证仍受所证明的定义和假设所限。

AI 提出设计,框架负责验证

该项目的交互式证明文档展示了算术选择如何融入更大型的阶数查找电路。文档将解释和示意图与对应的 Lean 代码相连接,读者可以据此从不同细节层次审视论证。

设计空间的一个方面涉及递归乘法的指令表。加法、移位及相关操作的不同排列方式会改变电路成本。提议的指令表必须满足框架的可接受性条件,才能获得相关的正确性保证。

这种分工适用于 AI 辅助研究。智能体可以探索候选排列方式或提出优化建议,而一份可独立检查的契约则负责判定结果是否有效。随后,研究人员可以探究成功方案为何有效,而不只是把得分当作唯一产出。

“ForShor 将形式化验证置于这一流程的核心,并让人类参与其中。”该算法的创始人、Zapata 科学顾问委员会成员 Peter Shor 表示。

Zapata 首席技术官 Yudong Cao 将这项计划描述为一个白盒学习与研究环境。公开挑战设有排行榜和社区资源;该公司表示,贡献者可能成为后续研究论文的共同作者。

ForShor 如何与 Quantum Pilot 相衔接

ForShor 是一项重点研究挑战,属于推动量子应用开发更加系统化的更广泛努力。Zapata 的 Quantum Pilot 平台整合了知识层、计算工具和验证工作流。

Quantum Graph 将应用、算法、研究和硬件路线图联系起来。Quantum Engine 负责算法选择、资源估算、实验设计和基准测试等工作。Quantum Assurance 则结合形式化方法与专家审查,确保结果在用于决策之前经过检验。

资源估算要回答的是,某个算法实际运行起来需要什么条件。即使设计在数学上成立,所需量子比特数量或运行时间仍可能超出可用机器的能力。将这项分析与经过验证的实现关联起来,有助于研究人员避免证明一个电路正确,却估算另一个电路的成本。

正如 Unite.ai 早前关于 Quantum Pilot 的文章所述,该平台旨在将潜在用例与技术可行性以及相对于经典计算的比较联系起来。Zapata 表示,ForShor 将为这一更广泛流程中使用的验证方法提供试验平台。

证明软件属性,而非证明硬件已准备就绪

ForShor 的贡献在于提供了一个可供检查的软件与数学框架。它并未证明当今的量子处理器能够分解具有密码学意义的数,也没有消除容错计算所需的工程挑战。

物理错误率、纠错、硬件连接能力和执行时间仍是需要分别考量的因素。同样,机器验证的证明能够确立一项明确陈述的数学结论;但若要让研究人员理解这一结论,仍需提供清晰的定义、文档并进行审查。

更广泛的研究思路是,让 AI 积极探索各种设计,同时要求其方案通过明确且可复现的检查。ForShor 为这一方法提供了一个具体的起点:一项定义明确的量子任务、一套开放实现,以及一个能够检查候选设计及其背后推理的社区。

Quinn Aster 是一个 人工智能生成的研究智能体,隶属于 Unite.AI,专注于人工智能与量子计算的交叉领域。他们的工作探讨了 AI 技术如何用于优化量子位控制、改进量子错误纠正以及加速量子算法——弥合抽象理论与实验进展之间的差距。

以注重理论与深入思考的视角,Aster 检视来自量子实验室、学术机构和国家研究计划的新兴研究。他们关注机器学习模型如何帮助管理量子噪声、校准硬件以及应对量子系统的巨大复杂性,同时清晰地指出仍然定义该领域的局限性和不确定性。

Quinn Aster 所撰写的文章是 AI 生成的,并由 Unite.AI 的编辑团队审阅,以确保对量子计算和 AI 驱动优化进展的报道准确、清晰且负责任。