Anthropic publicó el 16 de octubre una investigación en la que Claude diseñó circuitos cuánticos más eficientes en 8 tareas computacionales. Según la empresa, el modelo recibió una descripción de los requisitos y un programa externo que comprobó la validez de las propuestas y clasificó sus costes. Algunas tareas mostraron mejoras de un orden de magnitud o más sobre diseños publicados previamente. El resultado es un diseño algorítmico, no el lanzamiento de una nueva ordenador cuántica o un servicio disponible comercialmente.
La compañía describe trabajar con Claude Mythos 5 en un bucle de propuesta, prueba y mejora. El modelo escribió un diseño, recibió retroalimentación del programa de evaluación y volvió a trabajar en él. El marco no es menos importante que el modelo: una propuesta no es aceptada solo porque está bien formulada. Se requería pasar una prueba de validación y una métrica de recursos especificada, que proporcionaba una base para comparar las diferentes versiones creadas durante el experimento.
¿Qué estaban tratando de salvar exactamente?
Un circuito cuántico describe una secuencia de operaciones en qubits, las unidades de información en una ordenador cuántica. Para una tarea dada, diferentes diseños pueden cambiar el número de qubits y operaciones requeridas. La investigación se centró en las rutinas básicas utilizadas por algoritmos más amplios. Una mejora en una rutina importante puede reducir los recursos que un algoritmo futuro requerirá, incluso sin reemplazar el hardware en sí.
Según Anthropic, el programa de evaluación puntuó los diseños utilizando una combinación de recuento de qubits y recuento de puertas. Este índice le da al modelo un objetivo cuantitativo para la mejora, pero no cubre todos los desafíos de un ordenador en funcionamiento. Los errores físicos, la corrección de errores, el control y las limitaciones de hardware siguen siendo parte del sistema. Por lo tanto, un ahorro en el índice de circuito no es lo mismo que un acortamiento idéntico en el tiempo de ejecución de un servicio existente.
La compañía informa que las mejoras incluyeron ideas estructurales y matemáticas, no solo cambiar algunas definiciones de diseño familiares. Entre los ejemplos descritos se encuentran formas de reducir el almacenamiento de información intermedia o de recuperarla cuando sea necesario. En la computación cuántica, la forma en que se borra o restaura la información útil es de especial importancia. Un mejor diseño puede cambiar el equilibrio entre el uso de memoria y la cantidad de cálculo.
Un bucle de trabajo que separaba la propuesta de la verificación.
El modelo recibió una especificación de lenguaje natural, mientras que el software evaluó el resultado. Por consiguiente, una propuesta que no calcule lo que se necesita puede ser rechazada, incluso si parece eficiente. La comparación de costes solo tiene sentido después de que se haya establecido la exactitud. Esta separación permite entender por qué el éxito en este tipo de tarea es diferente de producir una respuesta libre a una pregunta que no tiene una prueba definida.
Un resultado clave se desarrolló durante 53 horas, con una intervención humana limitada que incluyó orientación inicial y, a veces, el estímulo para pensar en direcciones más amplias. Anthropic no describe un proceso totalmente carente de intervención humana. La especificación, selección de tareas, mecanismo de evaluación e intervenciones específicas formaban parte del entorno de trabajo. Incluso cuando el modelo opera de forma independiente entre las rondas de prueba, este entorno determina lo que se considera éxito.
Para un diseño aritmético de curva elíptica, la compañía también describe la formalización en Lean para verificar una afirmación matemática. Este es un componente adicional de verificación, no una característica que cada respuesta de Claude adquiere por sí misma. Es importante que el lector distinga entre la capacidad del modelo para ofrecer una solución y los procesos necesarios para fundamentarla. El experimento demuestra la combinación entre ellos, no un reemplazo automático de todo el proceso de verificación.
Cómo leer los números de mejora.
Un ejemplo utiliza 12% más qubits que un diseño anterior más pequeño, pero 17 veces menos puertas. El resultado ilustra por qué "más eficiente" no siempre es "menos de todo". La planificación puede pagar un poco más en un recurso para ahorrar mucho en otro. La decisión de qué diseño es apropiado depende de la restricción importante para el sistema que se supone que lo ejecutará.
Otro ejemplo describe una mejora de 12 veces en el número de puertas de un paso de decodificación dado. Esto no significa que cada computación cuántica se vuelva 12 veces más rápida o que los 8 experimentos hayan logrado la misma mejora. Cada misión tiene su propio punto de referencia y criterios. Los datos publicados por Anthropic son los resultados de la investigación que presenta; adoptar un diseño particular requiere entender los supuestos y las limitaciones de esa tarea.
Incluso una comparación con el mejor diseño previamente publicado es una afirmación de alcance limitado. No significa que se hayan probado todas las aplicaciones industriales existentes, ni que se hayan descartado todas las alternativas posibles. El uso correcto del resultado es examinar la especificación y los índices de comparación presentados. Esto nos permite evaluar si una mejora es relevante para otro problema, sin copiar automáticamente un número medido en diferentes condiciones.
¿Qué pueden aprender los desarrolladores del framework?
Incluso un equipo de computación no cuántica puede beneficiarse del principio de trabajo. Cuando la validación y la clasificación de costes son posibles, se puede construir un bucle en el que la IA sugiere cambios y el software proporciona retroalimentación. Esto requiere definir qué se puede cambiar, qué se debe preservar y cómo se mide el éxito. Un resultado rápido que no cumpla con la demanda no es una mejora, aunque sea más barato de implementar.
También debes mantener el punto de comparación. Si se reemplazan la tarea, el modelo y el índice de rendimiento juntos, es difícil saber qué hizo la diferencia. Un experimento local puede comenzar desde un caso definido, guardar versiones e incluso probar fallos. Estos son principios para diseñar una prueba útil, y no una garantía de que los resultados de la investigación se reflejarán en cualquier base de código o cualquier tarea de ingeniería asignada a un modelo.
Lo que queda en el camino a una ordenador cuántica útil
Anthropic señala que el diseño de circuitos es solo una parte de la construcción de una ordenador cuántica útil. Un diseño aún más eficiente necesita ser integrado en un sistema capaz de ejecutarlo y corregir errores. El estudio no proporciona una fecha en que se lanzarán nuevas aplicaciones comerciales, ni prueba que un diseño particular ya se haya probado en hardware a la escala requerida. La posibilidad de avanzar en la computación cuántica es una importancia que los investigadores atribuyen a los resultados, sujetos a estas limitaciones.
El logro reportado es mejores diseños para tareas definidas a través de una combinación de un modelo, retroalimentación y verificación. Para los investigadores, este es un resultado que puede seguir siendo probado y ampliado. Para el resto de los lectores, la razón para seguir es que el progreso en IA también puede venir de mejorar la forma en que se resuelve un problema, no solo de un modelo más grande. El camino de esta mejora a un producto útil todavía requiere más trabajo.