Квантові обчислення та штучний інтелект починають перетинатися не лише в теоретичних дискусіях, а й у практичних інструментах. Група дослідників з Техаського університету A&M, Nvidia та Лос-Аламоської національної лабораторії представила фреймворк SCALAR, який поєднує нейросимволічний підхід із квантовою симуляцією. Це не просто черговий алгоритм — це спроба замінити інтуїтивний підбір параметрів квантових схем на систематичний аналіз.
SCALAR використовує велику мовну модель (LLM) для інтерпретації символічних гіпотез, які генеруються на основі даних симуляції. У центрі уваги — гібридний алгоритм QAOA (Quantum Approximate Optimization Algorithm), який розв'язує задачу MaxCut на графах. Замість того щоб покладатися на випадковий пошук, система аналізує структурні ознаки графа: кількість вершин, середній ступінь, коефіцієнт кластеризації, хроматичне число та інші.
Як працює фреймворк
SCALAR побудований на платформі CUDA-Q. Спочатку система запускає симуляцію квантової схеми, потім зіставляє результати з ознаками графа. На цьому етапі в справу вступає інструмент txGraffiti, який генерує символічні гіпотези, а LLM ранжує їх за значущістю. Важливо: SCALAR не доводить теореми, а лише пропонує твердження, які можна перевірити. Це прискорює дослідницький процес, але не замінює експерта.
Результати експериментів
У першій фазі тестування використовувалися 82 задачі MaxCut з бенчмарку MQLib. Йшлося про невеликі незважені графи, де точне рішення можна отримати перебором. SCALAR запускав схеми глибини один і два, а потім групував графи за «структурним відбитком» — набором із чотирьох ключових ознак. Із 14 виділених груп у 13 випадках оптимізовані параметри QAOA виявилися майже ідентичними. Це емпіричне спостереження, а не закон, але воно вказує на потенційну передбачуваність.
У другій фазі вибірка розширилася до 2000 випадкових графів чотирьох топологій: регулярні, Ердеша — Реньї, Барабаші — Альберт та Воттса — Строгаца. Тут ефект проявився слабше: однакові базові ознаки не гарантували схожі параметри, особливо при збільшенні глибини схем.
Обмеження та перспективи
Експерименти проводилися на симуляторах, а не на реальному квантовому обладнанні. Демонстрація на 77 кубітах з використанням тензорного симулятора CUDA-Q була одиничним прикладом, а не дослідженням масштабованості. Крім того, SCALAR не автономний: вибір ознак та інтерпретація гіпотез вимагають участі людини.
На мою думку, SCALAR — це важливий крок до автоматизації квантових досліджень, але поки він працює лише у вузьких умовах. Для криптоіндустрії це може означати прискорення розробки квантово-стійких алгоритмів, але до практичного застосування ще далеко. Головне — ми бачимо, як ШІ починає не просто обробляти дані, а формулювати гіпотези для квантових обчислень.