فهرست

ساخت مدار کوانتومی با کمک هوش مصنوعی

عنوان خبر: ساخت مدار کوانتومی با کمک هوش مصنوعی
ژانر/موضوع: محاسبات کوانتومی

تاریخ انتشار خبر: 7 ژوئیه 2025
لینک خبر: The Quantum Insider


چکیده:

پژوهشگران دانشگاه پنسیلوانیا سیستمی به نام Q-Fusion توسعه داده‌اند که با استفاده از رویکردی مبتنی بر انتشار (دیفیوژن) به‌طور خودکار مدارهای معتبر کوانتومی تولید میکند. برخلاف روش‌های قدیمی‌تر که به یادگیری تقویتی یا قوانین دست‌ساز متکی بودند، Q-Fusion مستقیماً از داده‌ها یاد میگیرد؛ یعنی مدارها را به‌عنوان فلوچارت در نظر گرفته و خود را برای حذف نویز از گراف‌های آلوده آموزش میدهد. در آزمایش‌ها، این سیستم در تولید هزاران مدار کوانتومی توانست اعتبار ۱۰۰٪ را به دست آورد؛ به این معنا که همه مدارها کاملاً منطبق با قوانین مکانیک کوانتومی بودند و قابلیت اجرا روی سخت‌افزار واقعی را داشتند. این دستاورد، مشکل طراحی دستی مدارهای کوانتومی را که کاری زمان‌بر و پرهزینه است، برطرف میکند. Q-Fusion هم برای مدارهای کوانتومی استاندارد و هم مدارهای پارامتری کاربرد دارد و ظرفیت بالایی برای یادگیری ماشین کوانتومی نشان داده است.



شرح کامل خبر:

در گامی امیدبخش برای خودکارسازی توسعه نرم‌افزارهای کوانتومی، پژوهشگران دانشگاه ایالتی پنسیلوانیا (Penn State) سیستم هوش مصنوعی «کیو-فیوژن» (Q-Fusion) را معرفی کرده‌اند؛ سامانه‌ای که با بهره‌گیری از مدل‌های مبتنی بر دیفیوژن، مدارهای کوانتومی معتبر را به‌طور خودکار و با دقت ۱۰۰٪ در هزاران تست تولید می‌کند. این دستاورد مستقیماً یکی از گلوگاه‌های همیشگی محاسبات کوانتومی را هدف قرار می‌دهد: طراحی دستی و تخصص‌محور مدارهای کوانتومی که به‌ویژه در دوران دستگاه‌های کوانتومی با مقیاس متوسط نویز (NISQ)، با محدودیت تعداد کیوبیت و دقت عملیات، کاری بسیار دشوار است.

نوآوری اصلی Q-Fusion، استفاده از چارچوب LayerDAG و انطباق یک مدل دیفیوژن مبتنی بر گراف — که در اصل برای تولید گراف‌های عمومی طراحی شده بود — با محدودیت‌های منحصربه‌فرد مدارهای کوانتومی است. در این رویکرد، مدار کوانتومی به‌صورت یک گراف جهت‌دار بدون حلقه (DAG) رمزگذاری می‌شود؛ گره‌ها معادل گیت های کوانتومی و یال‌ها نشان‌دهنده ارتباطات بین کیوبیت‌ها هستند. فرآیند دیفیوژن با افزودن نویز کنترل‌شده به گراف‌های مدار معتبر آغاز می‌شود و مدل آموزش می‌بیند تا مدار اصلی را مرحله‌به‌مرحله بازیابی کند. پس از آموزش، سیستم می‌تواند مدارهای جدید و کاملاً معتبر را تولید کند؛ به این صورت که از نویز خالص شروع کرده و با پالایش تدریجی، آن را به یک مدار کوانتومی معنادار تبدیل می‌کند.

این رویکرد محدودیت‌های سایر روش‌های جستجوی معماری کوانتومی (QAS) مانند یادگیری تقویتی (RL)، رمزگذارهای خودبازگشتی (VAE) یا مدل‌های زبانی بزرگ (LLM) را — که معمولاً در مقیاس‌پذیری، پایداری آموزشی یا نیاز به قواعد طراحی‌شده توسط متخصصان برای تضمین اعتبار فیزیکی مشکل دارند — دور می‌زند. در مقابل، Q-Fusion الگوهای مدار معتبر را مستقیماً از داده‌ها یاد می‌گیرد و ساختارهای جدیدی کشف می‌کند که کاملاً با قوانین مکانیک کوانتومی مطابقت دارند. در آزمون‌ها، این سیستم خروجی‌های معتبر را برای مجموعه گیت های ثابت (غیرپارامتریک) و همچنین مدارهای کوانتومی پارامتریک (PQC) — که در یادگیری ماشین کوانتومی اهمیت زیادی دارند — تولید کرد.

یکی از نکات برجسته این کار، نرخ اعتبار ۱۰۰٪ حتی برای مدارهایی با پنج کیوبیت و ۳۲ گیت است؛ مقیاسی که در آن فضای حالت به‌صورت نمایی رشد می‌کند و احتمال پیکربندی‌های نامعتبر به‌شدت افزایش می‌یابد. در مورد PQCها، سیستم بیان‌پذیری امیدوارکننده‌ای نشان داد، اگرچه تنها حدود یک‌سوم مدارهای تولیدشده از نظر عملکردی معنادار بودند که این خود نشان‌دهنده چالش ارزیابی عملکرد مدل‌های کوانتومی بدون وظایف سرتاسری (end-to-end tasks) ست.

از منظر فنی، یکتایی خروجی‌های Q-Fusion نیز چشمگیر بود: بیش از ۴۰٪ مدارهای ۲ کیوبیتی تولیدشده از نظر عملکردی متمایز بودند، که نشان می‌دهد مدل صرفاً داده‌های آموزشی خود را حفظ نکرده بلکه واقعاً یاد گرفته “دستورالعمل‌های” کوانتومی متنوع و درستی تولید کند. لحاظ کردن محدودیت‌های سخت‌افزاری — مانند مجموعه گیت های محلی و اتصالات معماری IBM Heron — نیز قابلیت اجرایی نتایج را بالا می‌برد و تضمین می‌کند که مدارها روی سخت‌افزار واقعی کوانتومی با کمترین پس‌پردازش قابل پیاده‌سازی باشند.

با این حال، این مطالعه به چند محدودیت اشاره می‌کند: داده‌های آموزشی از مدارهای تولیدشده به‌صورت مصنوعی تشکیل شده‌اند و شامل الگوریتم‌های کوانتومی واقعی و منتخب نیستند. همچنین، این مدل هنوز بررسی‌های منطقی پیشرفته کوانتومی مانند حذف گیت یا حذف عملیات اضافی — که طراحان انسانی و بهینه‌سازهای کلاسیک انجام می‌دهند — را لحاظ نمی‌کند. علاوه بر این، تنظیم پارامترها برای PQCها توسط خود مدل انجام نمی‌شود و همچنان به روش‌های کلاسیک یا ترکیبی وابسته است.

با این وجود، نمایش موفق فرآیند دیفیوژن مبتنی بر گراف برای ساخت مدار کوانتومی، پیشرفتی چشمگیر در جستجوی معماری کوانتومی و هم‌طراحی AI-کوانتوم محسوب می‌شود. هرچه مقیاس و پیچیدگی دستگاه‌های کوانتومی افزایش می‌یابد، ابزارهایی مانند Q-Fusion می‌توانند امکان کاوش سریع در فضای طراحی عظیم را فراهم کنند و شکاف میان توان سخت‌افزاری کنونی و کشف الگوریتم‌های جدید کوانتومی برای یادگیری ماشین، بهینه‌سازی و سایر حوزه‌ها را پر کنند. Q-Fusion با بنیان داده‌محور و مبتنی بر دیفیوژن خود، رویکردی قدرتمند و مقیاس‌پذیر به جعبه‌ابزار نرم‌افزار کوانتومی اضافه می‌کند — و راه را برای آینده‌ای هموار می‌سازد که در آن AI به‌طور مستقل برنامه‌های کوانتومی معتبر و آماده‌ی اجرا تولید می‌کند.

منابع:

[1] https://thequantuminsider.com/2025/07/01/ai-powered-diffusion-model-generates-quantum-circuits-opens-path-to-automated-quantum-programming/

[2] https://arxiv.org/pdf/2504.20794?


دیدگاه خود را درباره این خبر با ما به اشتراک بگذارید.

Quantum Atlas وب‌سایت

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *