هوش مصنوعی GPT-5 به حل یکی از پیچیده‌ترین مسائل محاسبات کوانتومی کمک می‌کند
خبرگزاری دانشجو - 1404-07-08 18:42:21
به گزارش گروه دانشگاه خبرگزاری دانشجو، در علوم کامپیوتر، NP به مسائلی اشاره دارد که در آنها می‌توان به سرعت راه‌حل را تأیید کرد، حتی اگر یافتن آن راه‌حل زمان بسیار زیادی ببرد.
این دسته از نظریه‌ها، بخش زیادی از نظریه پیچیدگی مدرن را هدایت کرده‌اند. همتای کوانتومی آن، نظریه کوانتومی کوانتومی (QMA) است که در آن، اثبات نه به صورت رشته‌ای از بیت‌ها، بلکه به صورت یک حالت کوانتومی شکننده ارائه می‌شود.
محققان اکنون می‌گویند GPT-۵ شرکت OpenAI به اثبات محدودیت‌های سختگیرانه در QMA کمک کرده است. این مدل یک عبارت ریاضی را پیشنهاد کرد که منجر به دستیابی به موفقیت در میزان کاهش خطا شد.
این مطالعه ممکن است یکی از اولین مواردی باشد که هوش مصنوعی گامی ملموس در تحقیقات پیچیدگی کوانتومی ارائه داده است.
تعیین مرز‌ها در QMA
اسکات آرونسون از دانشگاه تگزاس در آستین و فریک ویتیوین از CWI آمستردام مقاله جدید «محدودیت‌های تقویت جعبه سیاه در QMA» را نوشتند که اکنون در arXiv قرار دارد.
کار آنها بر اساس نتیجه‌ی استیسی جفری و ویتوین در سال ۲۰۲۵ بنا شده و جدایی اوراکل آرونسون در سال ۲۰۰۸ را گسترش می‌دهد.
در QMA، یک اثبات‌کننده به نام مرلین یک شاهد کوانتومی را برای یک تأییدکننده به نام آرتور ارسال می‌کند. آرتور یک الگوریتم کوانتومی را اجرا می‌کند تا تصمیم بگیرد که آیا آن را بپذیرد یا خیر. دو عدد این سیستم‌ها را تعریف می‌کنند. کامل بودن، شانسی است که آرتور یک اثبات معتبر را بپذیرد. درست بودن، شانسی است که او به اشتباه یک اثبات نادرست را بپذیرد.
روش‌های تقویت می‌توانند با تکرار آزمایش و ترکیب نتایج، خطا را کاهش دهند. جفری و ویتوین نشان دادند که کامل بودن می‌تواند به نزدیکی نمایی مضاعف به یک برسد. سوال بی‌پاسخ این بود که آیا می‌تواند فراتر از آن برود؟
سهم کلیدی GPT-۵
آرونسون در تحلیل مشکل داشت و به GPT-۵ روی آورد. اولین پیشنهادات مدل اشتباه بود. پس از بحث و جدل، پیشنهاد داد که مشکل را با یک تابع واحد که میزان نزدیکی پذیرش به قطعیت را اندازه‌گیری می‌کرد، دوباره چارچوب‌بندی کنیم.
این ایده تعیین‌کننده بود. محققان با استفاده از نظریه تقریب نشان دادند که کامل بودن نمی‌تواند از نزدیکی نمایی مضاعف به یک فراتر رود و سلامت نمی‌تواند از کوچک نمایی کمتر شود.
آرونسون در وبلاگ خود با عنوان Shtetl Optimized نوشت: حالا، در سپتامبر ۲۰۲۵، من اینجا هستم تا به شما بگویم که هوش مصنوعی بالاخره برای چیزی که تجربه من به من می‌گوید اصیل‌ترین فعالیت فکری بشر از نظر انسانی است، آمده است: یعنی اثبات جدایی‌های اوراکل بین کلاس‌های پیچیدگی کوانتومی.
این اثبات نشان می‌دهد که تقویت جعبه سیاه به سقف خود رسیده است. کامل بودن نمی‌تواند از دو برابر نمایی بیشتر شود و صحت نمی‌تواند از نمایی کمتر شود.
این نتیجه تأیید می‌کند که حل این مسئله که آیا QMA برابر با QMA۱ است یا خیر، به روش‌های غیرنسبی‌سازی نیاز دارد که ساختار‌های مدار را تجزیه و تحلیل می‌کنند، نه اینکه آنها را به عنوان جعبه سیاه در نظر بگیرند. عدم تقارن نیز واضح است: کامل بودن به یک شاهد خوب واحد بستگی دارد، در حالی که صحت باید در برابر هر شاهد ممکنی صادق باشد.
برخی منتقدان گفتند که بینش GPT-۵ واضح است. آرونسون پاسخ داد: «پیشنهاد GPT۵-Thinking در مورد تابعی برای استفاده از «باید می‌داشت» برای ما واضح بود. اگر بیشتر می‌دانستیم، یا زمان بیشتری را صرف مطالعه ادبیات یا پرسیدن از متخصصان می‌کردیم، برای ما واضح می‌بود.
این مطالعه سوالات بزرگی را بی‌پاسخ می‌گذارد، از جمله اینکه آیا QMA با QMA۱ برابر است یا خیر. اما این یک نقطه عطف است: هوش مصنوعی دیگر فقط پیش‌نویس مقالات یا نوشتن کد نیست.
در این مورد، این امر به پر کردن شکافی چند دهه‌ای در یکی از انتزاعی‌ترین حوزه‌های علوم کامپیوتر کمک کرد.
