У світі квантових обчислень налаштування параметрів схем — це часто рутинний і затратний за часом процес, заснований на методі проб і помилок. Команда дослідників із Техаського університету A&M, Nvidia та Лос-Аламоської національної лабораторії представила новий інструмент, який кардинально змінює цю парадигму. Розроблений ними фреймворк SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning) поєднує в собі квантову симуляцію, символьну генерацію гіпотез і можливості великих мовних моделей (LLM).

Архітектура та принцип роботи SCALAR

SCALAR не є «чорною скринькою», яка автоматично видає готові рішення. Його завдання — виступати в ролі інтелектуального асистента, який допомагає дослідникам швидше виявляти приховані закономірності. Процес починається з симуляції квантових схем на платформі CUDA-Q. Потім система зіставляє отримані результати з набором структурних ознак графа, таких як кількість вершин, середній ступінь і коефіцієнт кластеризації. На наступному етапі в справу вступає інструмент txGraffiti, який генерує символьні гіпотези, а LLM ранжує та інтерпретує їх, відсіюючи малозначущі варіанти.

Експериментальні результати: від малого до складного

У першій фазі тестування SCALAR був застосований до 82 задач MaxCut з бенчмарку MQLib. Йшлося про невеликі незважені графи, де точну відповідь можна було отримати повним перебором. Результат виявився вражаючим: використовуючи «структурний відбиток» із чотирьох ключових ознак, система виділила 14 груп графів. У 13 із цих груп оптимізовані параметри алгоритму QAOA (Quantum Approximate Optimization Algorithm) на малій глибині схем виявилися практично ідентичними.

Однак, як зазначають автори, це емпіричне спостереження, а не строгий доказ. У другій фазі, де аналіз було розширено на 2000 випадково згенерованих графів чотирьох різних топологій, ефект проявився слабше. При збільшенні глибини схем і різноманітності структур передбачуваність параметрів знижувалася, що вказує на фундаментальні обмеження підходу.

Обмеження та перспективи

Ключовий момент, який необхідно враховувати: всі основні результати були отримані на симуляторах, а не на реальному квантовому обладнанні. Демонстрація на 77 кубітах з використанням тензорного симулятора CUDA-Q була одиничним прикладом, а не повноцінним дослідженням масштабованості. Крім того, SCALAR не є повністю автономною системою — вибір ознак та інтерпретація гіпотез, як і раніше, вимагають участі експерта.

Мій аналіз: SCALAR — це не прорив, який вирішить усі проблеми квантової оптимізації, але надзвичайно важливий крок у бік автоматизації рутинних процесів. Він демонструє, що симбіоз класичного ШІ та квантових обчислень може значно прискорити фундаментальні дослідження. Однак шлях від симулятора до реального, «шумного» квантового процесора залишається складним, і результати SCALAR на реальному обладнанні можуть сильно відрізнятися. Тим не менш, сам підхід — використання LLM для генерації та перевірки гіпотез у квантовій області — виглядає надзвичайно багатообіцяючим.