مدل «کلود میثوس ۵» متعلق به شرکت آنتروپیک طرحی برای مدار کوانتومی ارائه داده که از ۱۷ برابر دروازه منطقی کمتر نسبت به روش‌های پیشین بهره می‌برد. این نتیجه می‌تواند به مهندسان کمک کند الگوریتم‌های سنگین کوانتومی را با منابع محاسباتی کمتری اجرا کنند. همچنین راهکاری جدید برای مقابله با یکی از بزرگ‌ترین چالش‌های مهندسی در رایانش کوانتومی، یعنی ایجاد تعادل بین الزامات حافظه و زمان پردازش، فراهم می‌کند.
این طرح حاصل یک آزمایش ۵۳ ساعته به سرپرستی پژوهشگر، اندی گو، در چارچوب برنامه همکاران STEM آنتروپیک است. کلود یک الگوریتم حساب معکوس‌پذیر برای محاسبات منحنی بیضوی توسعه داد و پژوهشگران دانشگاه هاروارد و شرکت QuEra Computing نیز در این کار مشارکت داشتند. یافته‌ها نشان می‌دهد که طراحی خودکار مدار می‌تواند پیشرفت به سمت رایانش کوانتومی کاربردی را تسریع بخشد.
بازنگری در طراحی مدار کوانتومی
رایانه‌های کوانتومی اطلاعات را از طریق کیوبیت‌ها پردازش می‌کنند که می‌توانند ترکیبی از حالت‌ها را از طریق برهم‌نهی (Superposition) نمایش دهند. با این حال، دستگاه‌های موجود تنها دارای صدها تا هزاران کیوبیت هستند و اختلالات محیطی می‌توانند حین محاسبات خطا ایجاد کنند.
بنابراین، مهندسان باید مدارهای کوانتومی را تا حد امکان کارآمد سازند. هر عملیات منابع محاسباتی مصرف می‌کند، در حالی که ذخیره‌سازی نتایج میانی به کیوبیت‌های اضافی نیاز دارد. همچنین مدارهای کوانتومی نمی‌توانند صرفاً اطلاعات موقت را دور بریزند، زیرا عملیات آن‌ها باید معکوس‌پذیر باقی بماند.
آنتروپیک به کلود تکلیف داد تا هشت بلوک ساختمانی محاسباتی را در حوزه‌های شیمی، شبیه‌سازی فیزیک، بهینه‌سازی، نظریه اعداد و محاسبات عددی بهینه‌سازی کند. یک ارزیاب خودکار صحت هر طرح را بررسی و امتیاز نیازهای منبع آن را ثبت کرد.
«کلود میثوس ۵» چرخه‌های مکرر طراحی و آزمون را طی کرد و پیشنهادات خود را بدون ورودی انسانی بین دورها اصلاح نمود. نتایج آن نسبت به طرح‌های منتشر شده قبلی بهبود یافت و برخی از کاهش‌ها به مرتبه‌ای از بزرگی یا بیشتر رسید.
حل یک مشکل حافظه
یکی از نتایج قابل توجه مربوط به وارونگی پیمانه‌ای (Modular Inversion) است، یک عملیات ریاضی که در حساب منحنی بیضوی استفاده می‌شود. این عملیات نقش مرکزی در الگوریتم‌های کوانتومی هدفمند برای مسئله لگاریتم گسسته منحنی بیضوی ایفا می‌کند.
کلود بر الگوریتمی به نام divsteps تمرکز کرد که مقادیر عددی را از طریق عملیات شرطی تکرارشونده ساده‌سازی می‌کند. رایانه‌های کلاسیک می‌توانند این روش را به طور کارآمد اجرا کنند، اما ترجمه آن به مدارهای کوانتومی یک مشکل بزرگ ذخیره‌سازی ایجاد می‌کند.
یک مدار معکوس‌پذیر باید اطلاعات کافی را حفظ کند تا بتواند هر مرحله محاسباتی را بازسازی نماید. بنابراین، divsteps به رکوردی از تصمیمات انشعابی خود نیاز دارد که ممکن است تعداد بسیار زیادی کیوبیت اضافی را مصرف کند.
کلود روشی برای بازیابی مستقیم آن تصمیمات از مقادیر عددی میانی توسعه داد. او هویت‌های ریاضی را برای اثبات روش استخراج کرد، رویکرد را از طریق شبیه‌سازی‌های عددی آزمایش نمود و صحت آن را با استفاده از Lean رسمی‌سازی کرد.
مدار حاصل، نیاز به ذخیره‌سازی تاریخچه کامل تصمیمات انشعابی را از بین می‌برد. کلود سپس طرح‌های ترکیبی را کاوش کرد که مقداری از اطلاعات را ذخیره و بقیه را بازسازی می‌کنند.
یکی از طرح‌ها از ۱۲ درصد کیوبیت بیشتر نسبت به کوچکترین طرح قبلی استفاده می‌کند اما به ۱۷ برابر دروازه کمتر نیاز دارد. این مصالحه گزینه‌های موجود را برای مهندسانی که با سخت‌افزار محدود کوانتومی کار می‌کنند، گسترش می‌دهد.
کوتاه کردن افق زمانی رایانش کوانتومی
آنتروپیک همچنین بهبودهایی را در سایر وظایف طراحی مدار خود گزارش کرد. یک بهینه‌سازی، هزینه‌برترین مرحله در یک الگوریتم پیشرو بهینه‌سازی کوانتومی را تقریباً ۱۲ برابر کاهش داد.
این یافته‌ها پس از سال‌ها پیشرفت در کاهش منابع مورد نیاز برای محاسبات مفید کوانتومی ارائه شده است. پژوهشگران در سال ۲۰۱۷ تخمین زدند که شبیه‌سازی انرژی حالت پایه FeMoco، یک خوشه آهن-گوگرد درگیر در تثبیت نیتروژن زیستی، به حدود ۵۰ تریلیون دروازه توفولی نیاز خواهد داشت.
پیشرفت‌های بعدی این تخمین را به حدود ۳۴۰ میلیون دروازه رساند، که کاهش حدوداً ۱۵۰,۰۰۰ برابری را نشان می‌دهد. آنتروپیک استدلال می‌کند که بهینه‌سازی خودکار مدار می‌تواند به تسریع چنین پیشرفت‌هایی کمک کند.
موانع مهمی همچنان باقی هستند. رایانه‌های کوانتومی هنوز به تصحیح خطای بهتر، کنترل‌های سخت‌افزاری قابل اعتماد و سیستم‌هایی نیاز دارند که بتوانند کیوبیت‌های شکننده را در طول محاسبات طولانی مدیریت کنند. با این حال، مدارهای طراحی‌شده توسط هوش مصنوعی می‌توانند به پژوهشگران کمک کنند تا از ماشین‌های آینده به طور کارآمدتری استفاده نمایند.