QAgent يواجه إحدى العقبات الصامتة في الحوسبة الكمية: كتابة كود QASM بلا أخطاء

لا تزال كتابة كود التجميع الكمي منخفض المستوى (Quantum Assembly Code) عملية يدوية مرهقة ومليئة بالأخطاء، حتى في زمن باتت فيه النماذج اللغوية الكبيرة (Large Language Models) تسيطر على أغلب طبقات تطوير البرمجيات. فريق بحثي يطرح الآن حلاً محتملاً باسم QAgent، في ورقة بحثية نُشرت على أرشيف الأبحاث (arXiv) في 26 أغسطس 2025، ويصفها الباحثون بأنها أول إطار عمل متعدد الوكلاء الذاتيين (Autonomous Multi-Agent Framework) مصمم خصيصاً لتوليد كود OpenQASM من البداية إلى النهاية.

يُعد OpenQASM اللغة الوسيطة المعتمدة فعلياً لوصف الدارات الكمية، أي ما يشبه كود التجميع (Assembly Code) بالنسبة للعتاد الكمي. الدقة هنا ليست تفصيلاً ثانوياً: خطأ واحد في تسلسل بوابة منطقية (Gate Sequence) أو افتراض لا يصح على عتاد معين قد يقوّض دقة الدارة (Fidelity) بالكامل دون أن يظهر ذلك بوضوح. حتى المساعدات البرمجية العامة المدعومة بالنماذج اللغوية، ولو كانت مربوطة بحزمة تطوير برمجيات (SDK)، غالباً ما تتعثر هنا لأنها لا تدرك القيود الخاصة بكل عتاد ولا انحرافاته الفعلية.

كيف صُمم النظام

يقسّم QAgent المشكلة إلى ثلاث مراحل متناسقة بدلاً من تكليف نموذج واحد بكل شيء دفعة واحدة. تبدأ العملية بوحدة تخطيط واعية بالمخطط البنيوي (Schema-aware Planning) تفكك بنية المهمة، تليها مرحلة توليد الكود (Code Synthesis) التي تستند إلى أمثلة منتقاة بعناية وتكاملات مع أدوات خارجية لإنتاج كود QASM الفعلي. أما المرحلة الأخيرة فتطبق معايرة واعية بالعتاد (Hardware-aware Calibration)، تضبط تلقائياً خصائص العتاد الكمي الفعلي قبل التنفيذ.

وتقوم مرحلة التوليد على مكوّن التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG)، الذي يجلب معرفة بنيوية عن النوى الكمية (Quantum Kernels) وأمثلة محلولة وقيود خاصة بكل عتاد، بدلاً من الاعتماد كلياً على الذاكرة البارامترية للنموذج. ويبدو أن هذا الارتكاز المعرفي هو العامل الأساسي وراء تحسّن موثوقية النظام.

ماذا تقول نتائج الاختبارات

اختبر الباحثون QAgent على خمسة نماذج لغوية مختلفة و12 نواة كمية (Quantum Kernel) نموذجية، إضافة إلى تركيبات من هذه النوى مدمجة في مهام أكثر تعقيداً. في مهام النواة الواحدة، رفع QAgent دقة النجاح من أول محاولة (Pass@1) بنسبة تراوحت بين 47 و70 بالمئة مقارنة بالأساليب المرجعية، وهي قفزة كبيرة في فئة مشاكل تكون فيها الصحة ثنائية لا تحتمل الوسط. وفي مهام النوى المتعددة، تجاوزت النماذج الأكبر المدعومة بـQAgent نسبة دقة 88 بالمئة.

لكن النتيجة الأكثر دلالة تتعلق بالصلابة تحت ظروف واقعية. فعندما أدخل الفريق انحراف تردد واقعي في العتاد (Hardware Frequency Drift)، وهو مصدر شائع لتدهور الأداء في المعالجات الكمية الفعلية، حافظت المعايرة الآلية في QAgent على دقة تنفيذ قريبة من المثالية. في المقابل، أظهرت أساليب النماذج اللغوية المعتمدة على حزم التطوير (SDK) تحت ظروف الانحراف نفسها تدهوراً واضحاً، مما يشير إلى أن الوعي بالمعايرة، لا مجرد توليد كود أفضل، هو الفارق الحقيقي بين QAgent والأساليب السابقة.

فتح الفريق الكود المصدري للتطبيق (Open-sourced)، ليمنح باحثي البرمجيات الكمية الآخرين خط أساس يمكن البناء عليه أو تحديه. ولم تظهر أي تناقضات أو أرقام متنازع عليها في التقارير المتاحة حول هذا العمل، وتعود جميع الادعاءات بشكل متسق إلى ورقة أرشيف الأبحاث (arXiv) نفسها.

بالنسبة لصناعة لا تزال تحدد كيف يتناسب التطوير المدعوم بالذكاء الاصطناعي مع منظومة الحوسبة الكمية، يقدّم خط أنابيب التخطيط-التوليد-المعايرة في QAgent نموذجاً عملياً واضحاً: التعامل مع توليد الكود الكمي ليس كمشكلة استعلام واحد، بل كسير عمل يجب أن يأخذ في الحسبان عدم القابلية للتنبؤ الفيزيائي في العتاد المستهدف.