Дослідники залучили ШІ до аналізу квантових схем
Команда Техаського університету A&M, Nvidia та Національної лабораторії Лос-Аламоса представила SCALAR — нейросимволічний фреймворк для аналізу квантових схем. На роботу звернуло увагу видання The Quantum Insider.
Система поєднує квантове моделювання, символьне породження гіпотез і велику мовну модель, щоб знаходити зв’язки між параметрами Quantum Approximate Optimization Algorithm (QAOA) та структурою графа в задачі MaxCut.
Як працює SCALAR
SCALAR задуманий як інструмент для висування перевірюваних припущень у аналізі квантових схем. Він не замінює дослідника і не доводить теореми, а допомагає швидше помічати ознаки задачі, що можуть впливати на результат.
Фреймворк побудували на базі CUDA-Q: спершу система запускає моделювання квантових схем, далі зіставляє результати з ознаками графа. Після цього txGraffiti генерує символьні гіпотези, а LLM допомагає їх інтерпретувати та ранжувати. Завдання SCALAR — формулювати твердження, які можна перевіряти, уточнювати або спростовувати.
Що показали експерименти
На першому етапі SCALAR перевірили на 82 задачах MaxCut з бенчмарку MQLib. Йшлося про невеликі незважені графи, де можна отримати точну відповідь повним перебором і співставити її з моделюванням QAOA.
Автори запускали схеми глибиною один і два та зіставляли знайдені параметри з набором структурних ознак графа. Серед них — кількість вершин, середній ступінь, середній коефіцієнт кластеризації, хроматичне число та відношення максимальної незалежної множини.
Для групування в початковому бенчмарку автори використали «структурний відбиток» з частини цих ознак: кількості вершин, середнього ступеня, середнього коефіцієнта кластеризації та відношення максимальної незалежної множини. На цій вибірці SCALAR виокремив 14 груп графів з однаковим «структурним відбитком». У 13 із 14 груп оптимізовані параметри QAOA на малій глибині виявилися майже однаковими.
Автори підкреслили, що це — емпіричне спостереження, а не доведена закономірність. Тож результат не означає, що параметри QAOA можна універсально передбачати для будь-яких графів.
На другому етапі аналіз розширили до 2000 випадково згенерованих графів. У вибірку увійшли чотири топології: регулярні, Ердеша — Реньї, Барабаші — Альберт і Воттса — Строгаца. На цьому наборі ефект проявився слабше: однакові базові ознаки не гарантували схожі параметри, а зі збільшенням глибини схем передбачуваність знижувалася.
Які є обмеження
Основні результати отримали на симуляторах, а не на реальному квантовому обладнанні. Окремо команда продемонструвала запуск на 77 кубітах із використанням тензорного симулятора CUDA-Q. Автори назвали це одиничним прикладом працездатності підходу, а не дослідженням масштабованості.
Вони також відзначили, що додавання нових ознак, зокрема стандартного відхилення ступеня вершини, може поліпшити розділення графів у простих режимах. Водночас дослідження не стверджує, що невеликий універсальний набір ознак надійно працюватиме для будь-яких графів і варіантів QAOA.
SCALAR також не є повністю автономною системою. Вибір ознак, інтерпретація гіпотез і оцінка їхньої значущості й надалі потребують участі людини та предметної експертизи.
Нагадаємо, у липні дослідник Ентоні Чіаварелла вперше використав квантовий процесор IBM для моделювання одного з фундаментальних процесів квантової електродинаміки — народження пари частинка-античастинка під дією сильного електричного поля.