تحويل الورق إلى برنامج: ثورة في توليد الأكواد الكمية بمساعدة الذكاء الاصطناعي!

في عصورنا الحديثة، أصبح الذكاء الاصطناعي أداة حيوية في مختلف المجالات، بما في ذلك العلوم الحاسوبية. وقد أظهرت نماذج اللغات الضخمة (Large Language Models) قدرتها على كتابة الأكواد العلمية، لكن التحدي الأكبر يكمن في تحويل المعلومات من الأوراق البحثية إلى برامج قابلة للتطبيق دون فقدان الدقة.

أحد العوامل التي تعيق هذه العملية هو ما يُعرف بـ **تحويل المعرفة (Knowledge Externalization)**، الذي يتطلب تحويل الافتراضات الحسابية الضمنية — مثل اتفاقيات الفهارس، واختيارات القياس، وعلامات الفيرميونيك، وترتيب الانكماش، وقيود الذاكرة — إلى مواصفات تقنية صريحة قبل التنفيذ. هذا يعني أننا بحاجة إلى نهج يعتمد على عدة مراحل لإدخال هذه المواصفات، مع توفير بوابات للتحقق وإيقاف التنفيذ إذا لزم الأمر، بين استخراج النظرية وتوليد الكود.

تجربة جديدة تركزت على نوعين مختلفين من المهام الكمية الجماعية، بما في ذلك استخدام طريقة **DMRG** (Density-Matrix Renormalization Group) من مراجعة تعليمية، وتحويل **Pfaffian** لحالات Hartree-Fock-Bogoliubov إلى حالات منتجات المصفوفات. كانت النتائج مثيرة: في حالة DMRG، جميع النماذج البالغ عددها 16 والموجهة بالمواصفات حققت معايير التحقق في الفيزياء، بينما كانت المحاولات المباشرة قد حققت النجاح في 6 من أصل 13 محاولة.

أما بالنسبة لتحويل Pfaffian-MPS، فقد نجح النهج الجديد في 11 من 26 محاولة، في حين لم تحقق أي محاولة مباشرة النجاح. تُظهر دقة هذا العمل كيف أن تحويل المواصفات يمكن أن يؤثر بشكل كبير على نجاح التنفيذ. بالإضافة إلى ذلك، توضح النتائج أن هناك نقاط ضعف في عملية التنفيذ، تؤثر في نجاح النتائج عند استخدام نماذج ذات قوة أقل.

بالاعتماد على هذه المهارات الجديدة، يمكن للباحثين والمطورين استخدام بروتوكولات قابلة للتدقيق لتحسين تنفيذ خوارزميات الكثرة، وتحديد أين تنجح عمليات تحويل المعرفة وأين تفشل.