Это первый раз, когда искусственный интеллект вносит ключевой вклад в изучение квантовой теории сложности. Авторы статьи, опубликованной на arxiv.org, доказывают, что методы уменьшения ошибок в задаче Merlin-Artur (QMA)-квантовой версии NP в классической теории сложности-непреодолимое препятствие. В этом случае решающий шаг в доказательстве был сделан не человеком, а GPT-5.
Задача QMA считается квантовым аналогом NP. «Доказатель» Мерлин отправляет квантовое доказательство — специальное квантовое статус — в «проверку» Артура, который выполняет квантовый алгоритм, чтобы проверить, что ответ на задачу — да. Если доказательство верно, Артур принимает это; Если это ложь, он отвергает это. Два числа имеют решающее значение для обеих систем: полнота или вероятность того, что Артур примет правильное доказательство, и согласованность, или вероятность того, что он неправильно примет неправильный. Обычные пороги 2/3 и 1/3. Но эти цифры могут быть увеличены путем усиления, в котором экзаменатор повторяет тест и объединяет результаты.
Авторы исследования, Скотт Ааронон из Техасского университета в Остине (США) и Frick Vitteveen из CWI Amsterdam (Нидерланды), направлены на то, чтобы ответить на вопрос, который остается открытым в течение многих лет: в какой степени методы черного ящика могут повысить надежность доказательств QMA?
Методы подкрепления (усиление) могут снизить вероятность ошибок. Ученые доказали, что полнота может стремиться к единству с вдвое высокой экспоненциальной скоростью. Вопрос оставался открытым, может ли оно превзойти это значение, пишет Quantum Insider.
Когда первоначальные попытки найти решение попадает в тупик, Аордон решает обратиться к GPT-5. Первоначально версии, предлагаемые моделью, были неправильными. Однако после нескольких раундов обсуждений, однако GPT-5 предложил переформулировать проблему, используя простое математическое выражение, которое отражает, насколько близко к безопасности может быть ближе к вероятности того, что доказательства будут приняты системой проверки.
Эта идея оказывается решающейS анализируя выражение с помощью средств теории агроксимации, исследователи, наконец, смогли подтвердить строгие пределы компенсации ошибок QMA. Полнота не может превышать уровень двойной экспоненциальной близости к единице, и достоверность не может упасть ниже экспоненциально низкого значения.
«Год назад я пытался решить такие задачи, используя новые модели рассуждений GPT в то время, но мои результаты были далеко не хорошими», — написал Ааркон в своем блоге. -«Теперь, в сентябре 2025 года, я готов сообщить, что II, наконец, начал делать то, что, согласно моему опыту, является наиболее типичным человеком всех интеллектуальных действий: а именно, чтобы доказать разделение оракулов между квантовыми классами.
Результат подтверждает, что определение равенства между QMA и QMA1 потребует неплотных методов, которые анализируют структуры схем вместо того, чтобы рассматривать их как черные ящики. Одна асимметрия также очевидна: полнота зависит от надежных доказательств, в то время как согласованность должна быть подтверждена всеми возможными доказательствами.
Исследование оставляет важные проблемы открытыми, в том числе о том, является ли QMA равносильно QMA1. Но это знаменует собой поворотный момент: Искусственный интеллект больше не ограничивается составлением документов или написанием кода.
