Група дослідників з Техаського університету A&M, Nvidia та Лос-Аламоської національної лабораторії представила новий підхід до налаштування квантових схем. Розроблений ними фреймворк SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning) поєднує квантову симуляцію, символьну генерацію гіпотез та великі мовні моделі (LLM). Мета — замінити інтуїтивний перебір параметрів у гібридних алгоритмах, таких як Quantum Approximate Optimization Algorithm (QAOA), на систематичний аналіз.

Як SCALAR змінює правила гри

В основі SCALAR лежить ідея, що для ефективної роботи QAOA не потрібно щоразу заново підбирати параметри. Система використовує симуляції на платформі CUDA-Q, зіставляючи результати з топологічними ознаками графа: кількістю вершин, середнім ступенем, коефіцієнтом кластеризації, хроматичним числом та іншими. Потім інструмент txGraffiti генерує символьні гіпотези, а LLM інтерпретує та ранжує їх. Ключова відмінність SCALAR від класичного машинного навчання — він не передбачає відповідь, а формулює твердження, які дослідник може підтвердити або спростувати.

Експериментальні результати: від 82 до 2000 графів

Перший етап тестування проводився на 82 задачах MaxCut з бенчмарку MQLib. Використовувалися невеликі незважені графи, де точне рішення можна отримати повним перебором. SCALAR згрупував їх за «структурним відбитком» — набором із чотирьох ключових ознак. Результат показав, що в 13 із 14 груп оптимізовані параметри QAOA на малій глибині (1–2 шари) виявилися практично ідентичними. Це емпіричне спостереження, а не доведена теорема, але воно вже вказує на потенційну можливість уніфікації налаштування.

Другий етап — розширення на 2000 випадкових графів чотирьох топологій (регулярні, Ердеша-Реньї, Барабаші-Альберт, Воттса-Строгаца). Тут ефект проявився слабше: однакові базові ознаки не гарантували схожі параметри, а при збільшенні глибини схем точність прогнозів падала. Це логічно: чим складніша схема, тим більше ступенів свободи, і структура графа перестає бути єдиним визначальним фактором.

Обмеження та практична цінність

Основні результати отримані на симуляторах. Єдина демонстрація на 77 кубітах з використанням тензорного симулятора CUDA-Q — це proof-of-concept, а не масштабоване рішення. Автори чесно визнають: додавання нових ознак (наприклад, стандартного відхилення ступеня вершини) може покращити розділення, але універсального набору ознак для всіх типів графів та глибин QAOA не існує.

SCALAR — не автономна система. Вибір ознак, інтерпретація гіпотез та оцінка їхньої значущості вимагають участі експерта. Однак сам підхід — заміна сліпого перебору на символьний аналіз за допомогою LLM — це крок до того, щоб квантові алгоритми стали більш передбачуваними та менш ресурсоємними.

Мій коментар: Для індустрії, де кожен запуск квантової схеми коштує дорого, SCALAR пропонує елегантний компроміс між глибиною аналізу та обчислювальними витратами. Поки це інструмент для дослідників, а не для production-середовищ, але напрямок — відмова від «чорної скриньки» на користь інтерпретованих гіпотез — виглядає перспективним. Якщо вдасться розширити набір ознак та адаптувати систему під реальні квантові процесори, ми можемо побачити значне прискорення в розробці гібридних алгоритмів.