التحليل الرمزي لخوارزمية Grover للبحث عبر استدلال سلسلة الأفكار وتجزئة أصيلة للكم

تعليم الحواسيب قراءة الدوائر الكمومية

تعد الحواسيب الكمومية بتسريع كبير في بعض المهام، لكن برامجها صعبة الفهم على البشر. الأدوات الحالية يمكنها حساب مخرجات دائرة كمومية، لكنها نادراً ما تشرح سبب عملها. يقدم هذا البحث GroverGPT+، نموذج ذكاء اصطناعي متخصص مصمم لـ"قراءة" كود خوارزمية البحث الشهيرة Grover، وشرح منطقها بشكل واضح ومباشر خطوة بخطوة—مثل معلم ماهر يوجه تلميذاً خلال لغز معقد.

من حساب الأرقام إلى الفهم

يركز معظم البرمجيات الحالية للحوسبة الكمومية على الحساب الخالص. أدخل دائرة وسيقوم هؤلاء المحاكيون بتتبع سحابة هائلة من الاحتمالات الكمومية للتنبؤ بنتائج القياس. العملية قوية لكنها غامضة: تضاعف البرمجيات مصفوفات كبيرة، تعيد احتمالات نهائية، وتترك للمختصين استنتاج كيفية بناء الخوارزمية. بالمقابل، صُمم GroverGPT+ لإجراء تحليل رمزي. يأخذ نفس الوصف منخفض المستوى للدائرة، المكتوب بلغة تجميع كمومية تسمى QASM، ويهدف إلى وصف الأدوار عالية المستوى لأجزاء الدائرة المختلفة—وخاصة "الأوراكل" الذي يُشفّر الإجابات الصحيحة في بحث Grover.

نموذج لغوي مطلع على الكم

من حيث البنية، GroverGPT+ هو نموذج لغوي كبير—بنية شبكة عصبية طورت أصلاً لفهم وتوليد اللغة الطبيعية. لجعله طليقاً في "لغة" الدوائر الكمومية، قدم المؤلفون تعديلين رئيسيين. أولاً، صمموا مجزئاً أصيلاً للكم يكسر كود QASM إلى مقاطع ذات معنى، مثل البوابات الفردية ومعرّفات الكيوبت، بدلاً من مقاطع نصية عشوائية. هذا التشفير المدمج والواعي بالبنية يساعد النموذج على رؤية العمليات كاملة بنظرة واحدة. ثانياً، دربوا النموذج بإشراف سلسلة الأفكار: لم يُعلّم فقط الإجابات النهائية الصحيحة، بل أيضاً هناك آثار تفكير مفصلة تمشي خلال كيفية استخراج الأوراكل، تحديد الحالات الموسومة، والتنبؤ باحتمالية كل نتيجة ممكنة.

اختبار GroverGPT+

لتقييم النظام بشكل صارم، استخدم المؤلفون خوارزمية Grover كمختبر متحكم به. لبحث Grover خواص رياضية نظيفة: لأي عدد معين من الكيوبتات والحالات الموسومة، يمكن للخبراء كتابة بالضبط أي الحالات مميزة ومدى احتمال أن تعثر عليها الخوارزمية. يولد الفريق دوائر عديدة بأحجام مختلفة وأعداد مختلفة من الحلول المستهدفة، ثم يطلب من GroverGPT+ تحديد الحالات الموسومة وإعادة بناء احتمالات المخرج. يقيسون النجاح بطريقتين: دقة البحث، التي تتحقق مما إذا كانت أفضل تنبؤات النموذج تطابق الحالات الموسومة الحقيقية، والأمانة الكلاسيكية، التي تقارن توزيع الاحتمالات الكامل بتوزيع محاكي مثالي.

دقيق ومستقر وقابلية مقياس مدهشة

عبر دوائر تصل إلى سبعة كيوبتات—نطاق التدريب—يعثر GroverGPT+ باستمرار على الحالات المستهدفة الصحيحة ويعيد إنتاج أنماط الاحتمال الصحيحة، محققاً دقة بحث وأمانة تقاربان الواحد مع تباين ضئيل جداً. نماذج لغوية جاهزة من المتاجر، بالمقابل، تظهر أداءً أقل بكثير وأقل استقراراً. ثم يفحص المؤلفون مدى تعميم GroverGPT+ خارج نطاق تدريبه. عند تقديم دوائر كاملة أكبر قليلاً بثمانية أو تسعة كيوبتات، تبقى دقته عالية مع انخفاض طفيف فقط. عند تقديم إدخال أكثر تكثيفاً يتضمن فقط جزء الأوراكل من الدائرة، يستمر في الأداء الجيد حتى يصل إلى ثلاثة عشر كيوبتاً. والأمر اللافت أيضاً أن الزمن الذي يستغرقه النموذج لتحليل دائرة ينمو بلطف مع حجم الدائرة، ويبقى ضمن نحو رتبة واحدة من أصغر الحالات—أفضل بكثير من النمو الأسّي لمحاكاة الحالة الكمومية كاملة.

عدسة جديدة على تعقيد الخوارزميات الكمومية

تشير هذه النتائج إلى أن نماذج الذكاء الاصطناعي مثل GroverGPT+ يمكن أن تصبح رفيقاً قيماً لباحثي الكم، والمربين، والطلاب. بدل أن تحل محل المحاكيات العددية، تقدم وظيفة مختلفة: تحويل كود الدائرة منخفض المستوى إلى شروحات عالية المستوى عما تفعله الخوارزمية ولماذا تعمل. يتقدم المؤلفون أكثر ويقترحون تحولاً مفهوماً: إذا كانت بعض الخوارزميات الكمومية سهلة على مفكر ذكاء اصطناعي لكي يتعلمها ويشرحها بينما أخرى ليست كذلك، فقد يكشف هذا الاختلاف شيئاً عن تعقيدها المفاهيمي الجوهري، بخلاف مقاييس الموارد التقليدية مثل عدد البوابات. في هذا المنظور، لا يعد GroverGPT+ أداة تصحيح أخطاء فحسب، بل نموذج أولي مبكر لـ"أداة علمية" قائمة على الذكاء الاصطناعي—واحدة تساعد على فحص بنية وقابلية فهم الخوارزميات الكمومية ذاتها.

الاستشهاد: Chen, M., Cheng, J., Li, P. et al. Symbolic analysis of Grover search algorithm via Chain-of-Thought reasoning and quantum-native tokenization. npj Quantum Inf 12, 48 (2026). https://doi.org/10.1038/s41534-026-01195-1

الكلمات المفتاحية: خوارزميات كمومية, بحث Grover, نماذج لغوية كبيرة, التحليل الرمزي, أدوات الحوسبة الكمومية