מטא-עיצוב של ניסויים קוונטיים עם מודלי שפה

ללמד מכונות לעצב ניסויים קוונטיים

הטכנולוגיות הקוונטיות מבטיחות תקשורת על־גמישה במיוחד, מחשבים רבי־עוצמה וחיישנים מדויקים באופן יוצא דופן, אבל להמיר את המתמטיקה של הפיזיקה הקוונטית להצבות מעבדתיות ממשיות זה משימה סבוכה במיוחד. מאמר זה מראה כיצד מודל שפה מבוסס בינה מלאכותית יכול ללמוד לכתוב קטעי קוד קצרים שמייצרים, בתורם, משפחות שלמות של ניסויים קוונטיים. במקום להציע למדענים רק עיצוב יחיד ומבריק, ה-AI מגלה כללים כלליים שאדם יכול לקרוא, להשתמש בהם ולבנות עליהם.

מטריקים נקודתיים לחוקים כלליים

כיום משתמשים כבר בבינה מלאכותית כדי לחפש ניסויים קוונטיים שיוצרים מצב מוזר מסוים של אור או חומר. כלים אלה יכולים לעלות על האינטואיציה האנושית, אך בדרך כלל הם מפיקים פתרון יחיד: תצורה מפורטת אחת למטרה מסוימת. ההבנה מדוע הפתרון הזה עובד, או איך להרחיבו, נותרת לחוקר ולעתים קרובות קרובה לבלתי אפשרית. המחברים טוענים שהמדענים אינם זקוקים למתכונים מבודדים אלא לעקרונות עיצוב שניתנים לשימוש חוזר—משהו שיותר דומה לספר בישול מאשר לטיפ חד־שורה.

רעיון חדש: מטא-עיצוב

הצוות מציג מה שהם מכנים "מטא-עיצוב." במקום לבקש מהמחשב לעצב ניסוי בודד, הם מבקשים ממודל שפה מבוסס טרנספורמר לכתוב קוד בפייתון שמייצר בעצמו ניסויים רבים. דוגמה טיפוסית היא פונקציה בשם construct_setup(N). עבור גודל נבחר N, פונקציה זו מפיקה את התוכנית המלאה של ניסוי שאמור ליצור את המצב הקוונטי הרצוי לאותו גודל. באופטיקה קוונטית, שבה חוקרים ממנפים פוטונים בודדים, המשמעות היא שהקוד מחליט כיצד לחבר מקורות זוגות פוטונים, מחלקות קרן וגלאים כדי להפיק מצבים משולבים מאוד ככל שמספר החלקיקים גדל.

האימון על עולמות קוונטיים סינתטיים

כדי ללמד את המודל את המיומנות הזו, המחברים ניצלו אי־סימטריה מועילה. נתון תיאור של תצורת ניסוי, יחסית קל למחשב לחשב איזה מצב קוונטי ייצא ממנו. הבעיה ההפוכה—למצוא תצורה שמייצרת מצב רצוי—קה קשה הרבה יותר. לכן החוקרים ייצרו באקראי מיליוני תוכניות פייתון קצרות, הריצו אותן עבור כמה גדלים קטנים (N = 0, 1, 2), וחישבו את שלושת המצבים הקוונטיים הנובעים. כל דוגמת אימון צימדה "שלושה מצבים לדוגמה" ל"הקוד שהפיק את כולם." מודל השפה למד לקרוא את שלושת המצבים האלה כסוג של תבנית ולחזות את הקוד הבסיסי שימשיך לעבוד ככל ש-N גדל.

גילוי ושחזור של דפוסים קוונטיים

לאחר האימון, המודל נבחן על 20 משפחות של מצבים קוונטיים שחשובים לפיזיקאים, רבות מהן נלקחו מעבודות קודמות על עיצוב ניסויים אוטומטי. עבור כל משפחה ראה המודל רק את שלושת המצבים הראשונים ונדרש לייצר תוכניות מועמדות. הקודים שנוצרו הורצו ונבדקו עד כמה הם תואמים למצבים היעד, לא רק עבור הגדלים שנראו אלא גם עבור גדלים גדולים יותר. בשישה מתוך 20 המקרים הפיק ה-AI תוכניות שהיו נכונות לחלוטין והמשיכו לעבוד כאשר המערכות גדלו, כולל שתי משפחות שלגביהן לא היה ידוע קודם מבנה כללי. אחת קשורה למערכות ספין שבהן חלקיקי "ספין־אפ" שכנים לא יושבים זה לצד זה, בהשראת ניסויים עם אטומי רידברג; אחרת משחזרת את מצבי הקרקע של מודל מאגומדר–גוש המפורסם מפיזיקת המוצק. המודל גם הצליח לשחזר מבנים ידועים למצבים מפורסמים כמו מצבי GHZ ו‑Bell.

מעבר לפוטונים: מעגלים וגרפים

המחברים הראו גם שהאסטרטגיית מטא‑העיצוב חלה מעבר לניסויים אופטים. הם אימנו מודלים דומים לכתוב קוד של מעגלים קוונטיים—רצפי שערים סטנדרטיים הפועלים על קיוביטים—שמייצרים מצבים יעד על מחשבי קוונטום. הם גם השתמשו בזה כדי לייצר חוקים פשוטים לבניית מצבי גרף, שבהם קיוביטים מסודרים בקווים, טבעות או צורות כוכב משמשים כמקורות למשחק חישוב קוונטי המבוסס על מדידות בלבד. בשני המקרים הפיק ה‑AI תוכניות קצרות וקריאות שגדלו נכון ממערכות קטנות לגדולות יותר.

מדוע זה חשוב למדע

עבור לא־מומחים, המסר המרכזי הוא ששיטה זו הופכת את ה‑AI מקופסה שחורה שמציעה תשובות בלבד לכלי החושף מבנה מדעי יסודי. על ידי כתיבת קוד קריא לאדם שמכליל, מודל השפה חושף דפוסים במשפחות של מצבים וניסויים קוונטיים שניתן לבחון, לבדוק ולהתאים על ידי חוקרים. זה לא רק מקטין את עלויות המחשוב המדהימות הכרוכות בעיצוב ניסויים גדולים אחד־אחד, אלא גם פותח נתיב לשימוש במודלי שפה כשותפים לגילוי מדעי בתחומים רבים—ממערכות מיקרוסקופיות חדשות ועד חומרים מתקדמים—שבהם מה שאנו מחפשים באמת הם כללים פשוטים החבויים בתוך תופעות מורכבות.

ציטוט: Arlt, S., Duan, H., Li, F. et al. Meta-designing quantum experiments with language models. Nat Mach Intell 8, 148–157 (2026). https://doi.org/10.1038/s42256-025-01153-0

מילות מפתח: עיצוב ניסויים קוונטיים, מודלי שפה, מצבי פוטונים קוונטיים, סינתזת תוכנה, גילוי מדעי