AI News
Alle Meldungen
Offiziell

Agenten von Google DeepMind schreiben in Lean verifizierte Quantenprogramme, die bisherige Baselines übertreffen

Google DeepMind und Google Quantum AI bauen im Theorembeweiser Lean eine Bibliothek von Quantenprogrammen auf, in der Teams von Gemini-4-Agenten Programme schreiben und beweisen.

Forschung · · 2 Min. Lesezeit

Google DeepMind und Google Quantum AI berichten, dass Teams von Gemini-4-Agenten im Theorembeweiser Lean Quantenprogramme geschrieben haben. Die Programme übertreffen bisherige Baselines um bis zum 2,55-Fachen bei paralleler Suche und um das 290-Fache bei Quantenarithmetik. Der arXiv-Eintrag zum Paper „Discovering formally verified quantum programs with AI“ nennt Sergey Shirobokov und 24 Co-Autoren, leitender Autor ist Pushmeet Kohli.

Den Anstoß gibt ein Engpass beim Testen von Quantenalgorithmen. Klassische Computer können Quantenalgorithmen nur für kleine oder eingeschränkte Instanzen simulieren. Eine Suchschleife, die Kandidaten per Simulation bewertet, erreicht daher nicht die Größenordnungen, in denen Quantenalgorithmen relevant würden. Die Gruppe umgeht das Problem, indem sie die Simulation durch einen Beweis ersetzt. Die Forschenden formulieren die Korrektheitsanforderung und ein Kostenziel als Lean-Theorem, von den Autoren als formale Spezifikation bezeichnet. Agenten-Teams schlagen Programme vor, und der Lean-Kernel prüft sowohl Korrektheit als auch Kosten. Ein separater Komparator verifiziert anschließend jede akzeptierte Lösung erneut: Ein Programm gilt nur dann als Ergebnis, wenn es die Beweisprüfung zweimal besteht.

Die Agenten arbeiten in Teams, die sich ein Wiki mit verifizierten Lösungen, Teilergebnissen und Sackgassen teilen. Ideen und Kritik tauschen sie auf festgelegten Konferenzen aus. Laut dem Überblick von DAIR.AI können Ideen eines Teams Verbesserungen in einem anderen anstoßen.

Die zentralen Zahlen sind die Verbesserungen gegenüber bisherigen Baselines: bis zum 2,55-Fachen bei paralleler Suche und das 290-Fache bei Quantenarithmetik. Laut der Academy-Seite nennt der Abstract als Arithmetikergebnis arcsin. Für Simulationen, die für Kernfusion, Photochemie und Arzneimittelstoffwechsel relevant sind, berichtet der Abstract von Zuwächsen um das 11-, 8- und 2,5-Fache.

Die beiden Fassungen des Papers nennen unterschiedliche Werte für die parallele Suche. Die Seite der DAIR.AI Academy vom 6. November gibt bis zum 1,4-Fachen an. Der am 9. November als Version 2 überarbeitete arXiv-Abstract nennt bis zum 2,55-Fachen. Was sich zwischen den Versionen geändert hat, geht aus dem arXiv-Eintrag nicht hervor; die überarbeitete Fassung beansprucht derzeit das 2,55-Fache.

Die Beweisprüfung ist hier entscheidend, weil sie das Belohnungssignal verändert. Eine simulationsbasierte Suche kann Programme nur in Größen bewerten, die ein klassischer Rechner bewältigt; ihr Feedback endet also dort, wo die Simulation endet. Ein Lean-Beweis für Korrektheit und Kosten gilt dagegen für jede Größe, die die Aussage abdeckt. Die Autoren argumentieren, dass die Agenten dadurch Algorithmen erkunden können, die weder heutige klassische noch heutige Quantenhardware direkt testen kann.

Was sich ändert

Art: Forschung · Betrifft: Gemini 4, Lean theorem prover

Warum es wichtig ist

Formale Beweisprüfung kann Simulation als Belohnungssignal ersetzen, sodass Agenten nach Algorithmen suchen können, die heutige Computer nicht direkt testen können.

Originalquelle

Wo wir es gesehen haben

1 Quelle

DAIR.AI (Elvis Saravia)

Google DeepMindGoogle Quantum AI

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es