Google مسابقه 150,000 دلاری Kaggle برای فشرده‌سازی مدارهای کوانتومی با کمک هوش مصنوعی برگزار می‌کند
Google Quantum AI یک رقابت 150,000 دلاری در Kaggle راه‌اندازی کرده است تا تعداد کیوبیت‌ها و گیت‌ها را در مدارهای کلیدی کوانتومی برای هم‌جوشی، بهینه‌سازی و شیمی کاهش دهد.
این صفحه از انگلیسی ترجمه شده است. نام شرکت‌ها، محصولات و پیوندهای منابع بدون تغییر باقی مانده‌اند. خواندن نسخه اصلی انگلیسی
Google Quantum AI یک رقابت در Kaggle با مجموع جوایز 150,000 دلاری راه‌اندازی کرده است که هدف آن استفاده از هوش مصنوعی برای کوچک‌سازی مدارهای کوانتومی موردنیاز در کاربردهای عملی است. بر اساس اعلام Google، این مسابقه بر کاهش تعداد کیوبیت‌ها و تعداد گیت‌ها در مدارهای معیارِ مرتبط با انرژی هم‌جوشی، بهینه‌سازی ترکیبیاتی و شیمی تمرکز دارد، در حالی که همچنان باید آستانه‌های راستی‌سنجی دقت رعایت شوند.
چه چیزی اعلام شد
در این رقابت از شرکت‌کنندگان خواسته شده نسخه‌های بهبودیافته‌ای از مدارهای مرجع و راستی‌آزماهای مستقل را که تحت مجوز Apache 2.0 منتشر شده‌اند ارائه کنند. امتیازدهی بر پایه کاهش منابع انجام می‌شود: شرکت‌کنندگان باید راستی‌آزما را برای یک وظیفه مشخص با موفقیت پشت سر بگذارند، در حالی که یک معیار هزینه برگرفته از تعداد گیت‌ها و کیوبیت‌ها را کاهش می‌دهند.
Google گفت این تلاش یکی از محدودیت‌های اصلی در رایانش کوانتومی خطاتحمل‌پذیر را هدف گرفته است. حتی اگر سخت‌افزار به بهبود خود ادامه دهد، بسیاری از الگوریتم‌های مفید همچنان از نظر مصرف منابع بیش از حد سنگین هستند. کاهش اندازه مدار نه‌فقط هزینه مستقیم الگوریتمی را پایین می‌آورد، بلکه سربار موردنیاز برای تصحیح خطای کوانتومی را نیز کاهش می‌دهد.
ساختار جوایز شامل 50,000 دلار برای مقام اول، 25,000 دلار برای دوم، 10,000 دلار برای سوم، و سه جایزه 5,000 دلاری برای رتبه‌های چهارم تا ششم است. Google همچنین 50,000 دلار برای جوایز اضافی کنار گذاشته است؛ از جمله یک جایزه میان‌دوره‌ای 10,000 دلاری و یک جایزه 10,000 دلاری «Longest Leader Prize». جایزه میان‌دوره‌ای بر اساس بالاترین امتیاز جدول رده‌بندی عمومی در ساعت 11:59 PM UTC روز 20 نوامبر تعیین می‌شود و جایزه طولانی‌ترین صدرنشینی تا 4 ژانویه 2027 ادامه دارد.
جزئیات فنی
این رقابت بر پایه kickmix ساخته شده است؛ یک کتابخانه متن‌باز C++20 و Python در پروژه Qualtran گوگل. مخزن GitHub مربوط به Qualtran آن را یک کتابخانه Python برای بیان و تحلیل الگوریتم‌های کوانتومی خطاتحمل‌پذیر توصیف می‌کند.
مقاله همراه Google که در arXiv منتشر شده، این رویکرد را استفاده از ساختاری قابل‌راستی‌آزمایی به‌صورت کلاسیک برای پشتیبانی از کامپایل با کمک هوش مصنوعی توصیف می‌کند. arXiv نشان می‌دهد که این مقاله در 16 اکتبر ارسال و در 21 اکتبر بازنگری شده است.
مدارهای Kickmix از منطق کلاسیکِ بازگشت‌پذیر، عملیات فاز و uncomputation مبتنی بر اندازه‌گیری تشکیل شده‌اند. به گفته Google، این ساختار به یک رایانه کلاسیک اجازه می‌دهد مدارهای کاندید را با استفاده از fuzz testing تصادفی به‌صورت کارآمد آزمایش کند، به‌جای آنکه یک حالت کوانتومی عمومی را به‌طور کامل شبیه‌سازی کند. این شرکت می‌گوید چنین رویکردی امکان اثبات درستی تقریبی را با اطمینان بالا فراهم می‌کند، هرچند هم‌ارزی دقیق را اثبات نمی‌کند.
Google همچنین می‌گوید kickmix می‌تواند مدارها را با سرعت 60 میلیارد گیت در ثانیه روی یک هسته CPU آزمایش کند. این عدد به سرعت راستی‌آزمایی متعارف اشاره دارد، نه اجرای روی سخت‌افزار کوانتومی.
سه مسئله معیار
این مسابقه بر سه گلوگاه در الگوریتم‌های کوانتومی بزرگ‌تر متمرکز است.
در حوزه انرژی هم‌جوشی، وظیفه این است که یک فاز متناسب با 1/√x از ورودیِ فاصله به توان دو پیاده‌سازی شود؛ یک زیرروال مرتبط با شبیه‌سازی‌های عملگر کولن که به طراحی هدف در هم‌جوشی محصورسازی لختی مربوط است.
در بهینه‌سازی، معیار یک رمزگشای Reed-Solomon در برهم‌نهی است که Google می‌گوید گلوگاه اصلی حسابی در الگوریتم Decoded Quantum Interferometry برای مسئله Optimal Polynomial Intersection به شمار می‌رود.
در شیمی، از شرکت‌کنندگان خواسته شده یک فاکتورگیری دقیق و مدارهای بارگذاری فشرده را برای پارامترها در یک جریان‌کار شبیه‌سازی مرتبط با FeMoCo به‌صورت مشترک طراحی کنند. Google می‌گوید این معیار به یک الگوریتم اخیر برای مدل‌سازی خوشه آهن-مولیبدنِ دخیل در تثبیت نیتروژن مرتبط است.
چرا اهمیت دارد
این یک تلاش از سمت نرم‌افزار برای پایین آوردن آستانه سخت‌افزاریِ لازم برای کاربردهای مفید کوانتومی است. Google به‌جای آنکه فقط منتظر پردازنده‌های بزرگ‌تر بماند، در تلاش است فشرده‌سازی مدار را برای زیرروال‌هایی که بر برآورد منابعِ خطاتحمل‌پذیر غلبه دارند، خودکار کند.
Google گفت آزمایش‌های داخلی با مدل‌های Gemini این شرکت از پیش به بهبودهایی فراتر از مدارهایی که تاکنون در هر سه معیار گزارش شده‌اند دست یافته‌اند. این شرکت هش‌های آن مدارهای داخلی را در دست‌نوشته خود منتشر کرده و گفته است قصد دارد پس از پایان رقابت آن‌ها را افشا کند.
چه چیزی را باید زیر نظر داشت
پرسش اصلی این است که آیا تیم‌های بیرونی می‌توانند در حالی که در محدوده‌های راستی‌آزمایی باقی می‌مانند، مدارهایی واقعاً کوچک‌تر تولید کنند یا نه. به همان اندازه مهم این خواهد بود که آیا چارچوب kickmix گوگل به اندازه کافی گسترده هست که فراتر از سه معیار انتخاب‌شده برای این رقابت، دیگر زیرروال‌های پرهزینه در الگوریتم‌های خطاتحمل‌پذیر را نیز پوشش دهد یا نه.
منابع
اطلاعات این صفحه از منابع زیر گرفته شده و توسط DesignQuantum گردآوری شده است.
- Announcing the verifiable quantum circuit compilation competition on Kaggle opensource.googleblog.com
- Google Launches $150,000 AI Competition to Reduce Quantum Computing Demands thequantuminsider.com
- Leveraging verifiable structure in quantum circuits to find more efficient compilations with agentic AI arxiv.org
- GitHub - quantumlib/Qualtran: Qᴜᴀʟᴛʀᴀɴ is a Python library for expressing and analyzing Fault Tolerant Quantum algorithms. github.com
- Qualtran/kickmix at main · quantumlib/Qualtran github.com