Команда дослідників з Техаського університету A&M, Nvidia та Лос-Аламоської національної лабораторії представила SCALAR — інноваційний нейросимволічний фреймворк, призначений для глибокого аналізу квантових схем. Ця система поєднує квантову симуляцію, символьну генерацію гіпотез та великі мовні моделі (LLM) для виявлення прихованих взаємозв'язків між параметрами алгоритму QAOA (Quantum Approximate Optimization Algorithm) та структурними характеристиками графів у задачі MaxCut.

Принцип роботи SCALAR

SCALAR не замінює дослідника, а слугує потужним інструментом для генерації перевірних гіпотез. На базі платформи CUDA-Q система спочатку запускає симуляції квантових схем, потім зіставляє отримані результати з набором ознак графа. Далі модуль txGraffiti генерує символьні гіпотези, а LLM допомагає їх інтерпретувати та ранжувати за значущістю. Ключове завдання фреймворку — формулювати твердження, які можна перевірити, уточнити або спростувати.

Експериментальні результати

На першому етапі SCALAR протестували на 82 задачах MaxCut з бенчмарку MQLib, використовуючи невеликі незважені графи. Аналіз проводився для схем глибини один і два. За допомогою «структурного відбитка» — набору з чотирьох ключових ознак (кількість вершин, середній ступінь, середній коефіцієнт кластеризації та відношення максимальної незалежної множини) — система виділила 14 груп графів. У 13 з них оптимізовані параметри QAOA виявилися практично ідентичними. Це емпіричне спостереження, а не доведена теорема, але воно вказує на потенційну передбачуваність.

Другий етап включав 2000 випадково згенерованих графів чотирьох топологій: регулярні, Ердеша — Реньї, Барабаші — Альберт та Воттса — Строгаца. Тут ефект виявився менш вираженим: однакові базові ознаки не гарантували схожі параметри, а зі збільшенням глибини схем передбачуваність знижувалася.

Обмеження та перспективи

Основні результати отримано на симуляторах, а не на реальному квантовому обладнанні. Демонстрація на 77 кубітах з тензорним симулятором CUDA-Q — лише одиничний приклад, що не підтверджує масштабованість. Автори зазначають, що додавання нових ознак (наприклад, стандартного відхилення ступеня вершини) може покращити розділення графів, але універсального набору ознак для всіх варіантів QAOA не існує. SCALAR також не є повністю автономним: вибір ознак та інтерпретація гіпотез вимагають участі експерта.

Мій аналіз: SCALAR — вражаючий крок до автоматизації аналізу квантових схем, але його практична цінність поки обмежена симуляціями. Для криптоіндустрії, де квантові обчислення загрожують існуючим алгоритмам шифрування, подібні інструменти можуть прискорити пошук вразливостей. Однак до впровадження в реальні квантові системи ще далеко.