অ্যানথ্রোপিক বলে যে এর ক্লড মিথোস 5 মডেলটি কোয়ান্টাম সার্কিট ডিজাইন করেছে যা আটটি কম্পিউটেশনাল টাস্কের মধ্যে সাতটি জুড়ে সেরা পূর্বে প্রকাশিত ডিজাইনগুলিতে উন্নতি করে, কিছু ক্ষেত্রে মাত্রা বা তার বেশি ক্রম অনুসারে। শুক্রবার প্রকাশিত একটি গবেষণা পোস্টে এবং 15 অক্টোবর arXiv-এ জমা দেওয়া একটি 46-পৃষ্ঠার পেপারে এই দাবিটি করা হয়েছে, এটি এখনও ল্যাবের সবচেয়ে সুনির্দিষ্ট প্রদর্শনী যে বড় ভাষার মডেলগুলি বিদ্যমান জ্ঞানের সংক্ষিপ্তসারের পরিবর্তে আসল বৈজ্ঞানিক নকশা তৈরি করতে পারে।
অ্যানথ্রোপিক কোয়ান্টাম পদার্থবিদ আলেক কেমেনির পরামর্শদাতা এবং হার্ভার্ডের পদার্থবিদ সুজান ইয়েলিন এবং মিখাইল লুকিনের সহযোগিতায়, যিনি কোয়ান্টাম কম্পিউটিং কোম্পানি QuEra-এর প্রতিষ্ঠাতাও ছিলেন, অ্যানথ্রপিকের স্টেম ফেলোস প্রোগ্রামের মাধ্যমে অ্যান্ডি গু এর নেতৃত্বে কাজটি পরিচালিত হয়েছিল৷ Unite.AI-এর মতে, "বড় ভাষার মডেলের সাথে অত্যাধুনিক কোয়ান্টাম সার্কিট আবিষ্কার করা" শিরোনামের কাগজটি 10টি পরিসংখ্যান এবং ছয়টি টেবিল সহ 46 পৃষ্ঠাগুলি চালায়, যা দ্য কোয়ান্টাম ইনসাইডার এবং ইন্টারেস্টিং ইঞ্জিনিয়ারিংয়ের পাশাপাশি ফলাফলগুলি বিশদভাবে রিপোর্ট করার প্রথম আউটলেটগুলির মধ্যে ছিল৷
আটটি কাজ হল কম্পিউটেশনাল প্রিমিটিভস — মৌলিক রুটিন যা থেকে বৃহত্তর কোয়ান্টাম অ্যালগরিদম তৈরি করা হয় — বিস্তৃত রসায়ন, অপ্টিমাইজেশান, কোয়ান্টাম সিমুলেশন, সংখ্যা তত্ত্ব এবং সংখ্যাসূচক কম্পিউটিং৷ কাগজের বিমূর্ত অনুসারে, আটটি কাজের মধ্যে সাতটিতে আবিষ্কৃত সার্কিটগুলি শিল্পের অবস্থার তুলনায় টফোলি গেট গণনা এবং কিউবিট গণনা উভয়কে উল্লেখযোগ্যভাবে হ্রাস করে, যখন অষ্টমটি প্রাইম-ফিল্ড মডুলার ইনভার্সশনের জন্য সম্পূর্ণ নতুন বিপরীত স্থাপত্য তৈরি করে।
অ্যানথ্রোপিক-এর গবেষণার আউটপুট এবং বিজ্ঞানে AI প্রয়োগের বৃহত্তর দৌড়ের অব্যাহত কভারেজের জন্য, আমাদের ব্রেকিং এআই নিউজ কভারেজটি অনুসরণ করুন।
কিভাবে বন্ধ লুপ কাজ করে
নকশা প্রক্রিয়া একটি বিবর্তনীয় লুপ যেখানে ভাষা মডেল সার্কিট প্রস্তাব করে এবং একটি স্বাধীন মূল্যায়নকারী তাদের পরীক্ষা করে। কোয়ান্টাম সার্কিটগুলিকে সাধারণ কোড হিসাবে লেখা যেতে পারে, তাই ক্লদ মিথোস 5 পাইথন প্রোগ্রাম হিসাবে ডিজাইন জমা দিয়েছে, মূল্যায়নকারীর কাছ থেকে সঠিকতা প্রতিক্রিয়া এবং একটি স্কোর পেয়েছে এবং সংশোধিত হয়েছে — রাউন্ডগুলির মধ্যে কোনও মানব ইনপুট নেই।
স্কোরটি ইচ্ছাকৃতভাবে সহজ: কিউবিটের সংখ্যা গেটের সংখ্যা দ্বারা গুণিত। সেই পণ্যটি ভবিষ্যতের কোয়ান্টাম কম্পিউটারে একটি সার্কিট চালানোর জন্য কতক্ষণ সময় লাগবে তার প্রক্সি হিসাবে কাজ করে এবং এটি মডেলটিকে নিচে ঠেলে একটি উদ্দেশ্যমূলক লক্ষ্য দেয়।
কোয়ান্টাম সার্কিটগুলিও সীমাবদ্ধতা আরোপ করে যা সাধারণ সফ্টওয়্যার করে না। একটি সার্কিট যদি-তখন সিদ্ধান্তের উপর শাখা করতে পারে না, কারণ এটি একবারে অনেক ইনপুটের একটি সুপারপজিশনে সঞ্চালিত হয় এবং প্রতিবার এটি চালানোর সময় প্রতিটি পাথের জন্য অপারেশন থাকতে হবে। এটি তথ্যও বাতিল করতে পারে না, যেহেতু প্রতিটি পদক্ষেপ অবশ্যই বিপরীত হতে হবে — মধ্যবর্তী ফলাফলগুলি অবশ্যই সংরক্ষণ করতে হবে বা অতিরিক্ত গেটে খরচে উল্টোভাবে উত্পাদিত গণনা চালিয়ে "অসংখ্যিত" হতে হবে৷ এই সীমাবদ্ধতাগুলি কিউবিট গণনা এবং রানটাইমের মধ্যে একটি ট্রেড-অফ বাধ্য করে, যা অবিকল ট্রেড-অফ ক্লাউডের ডিজাইনগুলিকে পুনরায় আকার দেওয়া হয়েছে।
একটি 53-ঘন্টা রান একটি নতুন মডুলার ইনভার্সন অ্যালগরিদম তৈরি করে
প্রথম বিশদ আবিষ্কারটি পয়েন্ট সংযোজন, উপবৃত্তাকার-বক্ররেখার বিচ্ছিন্ন লগারিদম সমস্যার জন্য কোয়ান্টাম অ্যালগরিদমের মূল অপারেশন এবং ক্ষেত্রের মানদণ্ডের অন্যতম। এর বেশিরভাগ খরচ একক ধাপে বসে — মডুলার ইনভার্সন, উপবৃত্তাকার-বক্ররেখা পাটিগণিতে ব্যবহৃত ডিভিশনের মোড়ক সংস্করণ।
অ্যানথ্রপিকের পোস্ট অনুসারে, ক্লড গাণিতিক নিয়ম এবং মূল্যায়নকারী কীভাবে প্রতিটি নকশা স্কোর করবে তা ব্যাখ্যা করে একটি এক-অনুচ্ছেদ সংক্ষিপ্ত পেয়েছিলেন, তারপর সত্যিকারের নতুন পদ্ধতিতে পৌঁছানোর আগে ন্যূনতম মানব হস্তক্ষেপের সাথে 53 ঘন্টা কাজ করেছিলেন। ক্লাসিক্যাল কম্পিউটারগুলি ডিভস্টেপস নামক একটি পদ্ধতির সাহায্যে দক্ষতার সাথে মডুলার ইনভার্সন পরিচালনা করে, কিন্তু সেই পদ্ধতিটি কখনই ব্যবহারিক কোয়ান্টাম সার্কিট তৈরি করেনি, কারণ রিভার্সিবিলিটি সার্কিটকে প্রতিটি পুনরাবৃত্তিতে কোন অপারেশনটি বেছে নেওয়া হয়েছে তা রেকর্ড করতে বাধ্য করে — এবং সেই শাখার ইতিহাস সংরক্ষণের জন্য প্রচুর সংখ্যক অতিরিক্ত কিউবিট প্রয়োজন।
ক্লডের অন্তর্দৃষ্টি ছিল যে রেকর্ডটি মোটেও সংরক্ষণ করার প্রয়োজন নেই: প্রতিটি পুনরাবৃত্তিতে উত্পাদিত সংখ্যার জোড়া পরিদর্শন করে শাখা তথ্যগুলি পরে ডিকোড করা যেতে পারে। প্রাথমিক ডিকোডিং নিয়মগুলি ছোট পরীক্ষার ক্ষেত্রে কাজ করেছিল কিন্তু সম্পূর্ণ 256-বিট সমস্যা আকারে ব্যর্থ হয়েছে, পোস্টে বলা হয়েছে। মডেলটি তারপর পুনরাবৃত্তি সম্পর্কে নতুন বীজগাণিতিক পরিচয়ের একটি সিরিজ প্রমাণ করে, একটি সুনির্দিষ্ট ডিকোডিং সূত্র বের করে, এটিকে বৃহৎ আকারের সংখ্যাসূচক সিমুলেশনে বৈধ করে এবং লিন প্রুফ অ্যাসিস্ট্যান্টে দাবিটিকে আনুষ্ঠানিক করে।
ফলাফল, অ্যানথ্রপিক বলে, কোনো সংরক্ষিত শাখা ইতিহাস ছাড়াই ডিভস্টেপের প্রথম বিপরীতমুখী বাস্তবায়ন। কারণ ডিকোডিং কিউবিট বাঁচায় কিন্তু রানটাইম খরচ করে, ক্লড উভয়ের মধ্যে সীমান্ত বরাবর ডিজাইনের একটি পরিবার তৈরি করেছিল। সেই পরিবারের একটি সার্কিট 12% বেশি কিউবিট ব্যবহার করে কিন্তু পূর্ববর্তী সবচেয়ে ছোট ডিজাইনের তুলনায় 17 গুণ কম গেট ব্যবহার করে; পোস্টে শ্রোটেনলোহার (2026) এবং লুও এট আল হিসাবে সেরা পূর্বে প্রকাশিত ডিজাইনের নাম দেওয়া হয়েছে। (2026)।
কোয়ান্টাম অপ্টিমাইজেশানের জন্য একটি 12x সস্তা ডিকোডার
দ্বিতীয় আবিষ্কারটি ডিকোডেড কোয়ান্টাম ইন্টারফেরোমেট্রি (DQI) কে লক্ষ্য করে, একটি সুপারপলিনোমিয়াল কোয়ান্টাম স্পিডআপের জন্য সবচেয়ে শক্তিশালী পরিচিত প্রার্থী হিসাবে পোস্টে বর্ণনা করা হয়েছে। অ্যালগরিদমের সবচেয়ে ব্যয়বহুল পদক্ষেপটি একটি ত্রুটি-সংশোধনকারী ডিকোডার, এবং পোস্টে উদ্ধৃত Google Quantum AI গবেষকদের অনুমান থেকে বোঝা যায় যে সর্বোত্তম বহুপদী ছেদ সমস্যাটির একটি নির্দিষ্ট উদাহরণ ফ্রন্টিয়ার সুপার কম্পিউটারে প্রায় তিন মাস সময় লাগবে বনাম ভবিষ্যতের কোয়ান্টাম কম্পিউটারে প্রায় এক ঘণ্টা — সেই ডিকোলো স্পিড-এর বেশিরভাগ ক্ষেত্রেই
পূর্ববর্তী অত্যাধুনিক ডিকোডার সার্কিটটি বর্ধিত ইউক্লিডীয় অ্যালগরিদমের উপর নির্মিত হয়েছিল, যার ধাপ গণনা ইনপুটের উপর নির্ভর করে, একটি কোয়ান্টাম সার্কিটকে সবচেয়ে খারাপ ক্ষেত্রে গণনা প্রসারিত করতে বাধ্য করে এবং প্রতিটি রাউন্ডে প্রতিটি অপারেশন চালায়। ক্লদ এর পরিবর্তে বার্লেক্যাম্প-ম্যাসি ডিকোডিং এর চারপাশে তার সার্কিট সংগঠিত করেছিল, যা প্রতি রাউন্ডে একই কাজ করে। এটিকে বিপরীত করার ফলে একটি মেমরি সমস্যা তৈরি হয়েছে, যা মডেলটি পরিসংখ্যানগতভাবে সমাধান করেছে: এটি একটি উচ্চ-গতির সিমুলেটর লিখেছে এবং কত ঘন ঘন ব্যতিক্রমী মানগুলি ঘটে তা পরিমাপ করতে 403 মিলিয়ন নমুনা ডিকোডিং চালিয়েছে। প্রায় প্রতিটি রানের জন্য সর্বাধিক একটি মান সংরক্ষণ করা প্রয়োজন, তাই সার্কিটটি 665 এর পরিবর্তে 19 কিউবিট সংরক্ষণ করে একটি সবচেয়ে খারাপ-কেস ডিজাইনের প্রয়োজন হয়, মোটামুটি 10,000 এর মধ্যে একটি রান ব্যর্থ হয় — পোস্টে বলা হয়েছে যে হার টাস্কের ত্রুটি বাজেটের মধ্যে ভাল। পদ্ধতি, আর্কিটেকচার, এবং রিসোর্স-বাজেট স্তরে পরিবর্তনের মাধ্যমে অপ্টিমাইজেশনগুলি Google-এর পূর্ববর্তী নির্মাণের তুলনায় 12 এর একটি ফ্যাক্টর দ্বারা ডিকোডারের গেট গণনাকে হ্রাস করে।
কেন এটি গুরুত্বপূর্ণ - এবং এটি কী প্রমাণ করে না
দাগগুলিকে ব্যাখ্যা করার জন্য, অ্যানথ্রপিকের পোস্টটি ফেমোকোর ইতিহাস বর্ণনা করে, নাইট্রোজেনেসের কেন্দ্রস্থলে আয়রন-সালফার ক্লাস্টার, এনজাইম ব্যাকটেরিয়া নাইট্রোজেনকে অ্যামোনিয়াতে পরিণত করতে ব্যবহার করে। 2017 সালে, গবেষকরা অনুমান করেছিলেন যে FeMoco-এর স্থল-রাষ্ট্র শক্তি গণনা করার জন্য প্রায় 50 ট্রিলিয়ন টফোলি গেট প্রয়োজন হবে; আট বছরে অ্যালগরিদমিক অগ্রগতির একটি সিরিজ অনুমানকে প্রায় 340 মিলিয়নে নিয়ে এসেছে - একটি 150,000-গুণ হ্রাস যা প্রায় 3 মিলিয়ন ফিজিক্যাল কিউবিট সহ ভবিষ্যতের মেশিনে কয়েক ঘন্টা গণনার সাথে মিলে যায়। কোম্পানী যে বৈসাদৃশ্য টেনেছে তা অস্পষ্ট: যে 150,000-গুণ উন্নতিতে অনেক গবেষণা গোষ্ঠীকে আট বছর সময় লেগেছে, যখন উপবৃত্তাকার-বক্ররেখার ফলাফল একটি মাত্র 53-ঘন্টা দৌড়ে এসেছে।
সতর্কতাগুলি সমানভাবে পরিষ্কার। আজকের কোয়ান্টাম কম্পিউটারগুলিতে মাত্র কয়েকশ থেকে হাজার হাজার কিউবিট রয়েছে এবং সেই কিউবিটগুলি শব্দের প্রতি অত্যন্ত সংবেদনশীল, তাই এগুলি কাজের মেশিনে প্রদর্শনের পরিবর্তে ভবিষ্যতের হার্ডওয়্যারের জন্য ডিজাইন। এবং ফলাফলগুলি হল অ্যানথ্রপিকের নিজস্ব দাবি, যদিও লীন প্রমাণ, সংখ্যাগত বৈধতা এবং একটি স্বাধীন মূল্যায়নকারী দ্বারা সমর্থিত; আরএক্সআইভি কাগজের বৃহত্তর পিয়ার স্ক্রুটিনি কেবল শুরু।
অ্যানথ্রোপিক একটি প্রাথমিক আচরণগত প্যাটার্নও উল্লেখ করেছে যা লক্ষ্য করা যায়: প্রাথমিক পরীক্ষায় ক্লড রক্ষণশীল ছিলেন, বারবার ডবল- এবং ট্রিপল-চেকিং ভাল-সমর্থিত ফলাফল এবং পরিচিত পন্থা পছন্দ করেন। দলটি সমান্তরালভাবে বেশ কয়েকটি গুণগতভাবে ভিন্ন ডিজাইনের প্রয়োজন করে এবং মাঝে মাঝে মডেলটিকে তার অনুসন্ধানকে প্রসারিত করার জন্য অনুরোধ করে এটিকে মোকাবেলা করে — একই সতর্কতা, পোস্ট নোট, যা প্রথম স্থানে লীন প্রমাণগুলিকে প্ররোচিত করেছিল।
কোম্পানির বিবৃত দৃষ্টিভঙ্গি হল যে AI অবশেষে একটি নির্দিষ্ট সমস্যার জন্য অ্যালগরিদম থেকে হার্ডওয়্যার পর্যন্ত একটি ত্রুটি-সংশোধিত কোয়ান্টাম কম্পিউটারের প্রতিটি উপাদানকে যৌথভাবে অপ্টিমাইজ করতে পারে। ফলাফলগুলি ধরে রাখলে, একটি ভাষা মডেল কম্পিউটিংয়ের সবচেয়ে চাহিদাপূর্ণ ডিজাইন শৃঙ্খলাগুলির মধ্যে একটিতে তার নিজস্ব ধারণ করতে পারে এমন প্রদর্শনের চেয়ে কাগজটি যেকোনো একক সার্কিটের জন্য কম মনে রাখা যেতে পারে।
এআই থেকে এগিয়ে থাকুন
কোয়ান্টাম কম্পিউটিং, ফ্রন্টিয়ার মডেল এবং তাদের মধ্যে গবেষণার অগ্রগতি দ্রুত চলে। আরও এআই খবর পড়ুন AI Buzz Wire-এ।
*আরও এআই খবর পড়ুন →
