Техас университеті A&M, Nvidia және Лос-Аламос ұлттық зертханасының зерттеушілер тобы кванттық схемаларды баптаудың жаңа тәсілін ұсынды. Олар әзірлеген SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning) фреймворкі кванттық симуляцияны, символдық гипотеза генерациясын және үлкен тілдік модельдерді (LLM) біріктіреді. Мақсат — Quantum Approximate Optimization Algorithm (QAOA) сияқты гибридті алгоритмдердегі параметрлерді интуитивті іріктеуді жүйелі талдаумен ауыстыру.
SCALAR ойын ережелерін қалай өзгертеді
SCALAR негізінде QAOA тиімді жұмыс істеуі үшін әр жолы параметрлерді қайта таңдаудың қажеті жоқ деген идея жатыр. Жүйе CUDA-Q платформасындағы симуляцияларды пайдаланып, нәтижелерді графтың топологиялық белгілерімен салыстырады: төбелер саны, орташа дәреже, кластерлену коэффициенті, хроматикалық сан және басқалары. Содан кейін txGraffiti құралы символдық гипотезаларды генерациялайды, ал LLM оларды интерпретациялап, реттейді. SCALAR-дың классикалық машиналық оқытудан басты айырмашылығы — ол жауапты болжамайды, керісінше зерттеуші растай немесе жоққа шығара алатын тексерілетін тұжырымдарды тұжырымдайды.
Эксперименттік нәтижелер: 82-ден 2000 графқа дейін
Сынақтың бірінші кезеңі MQLib бенчмаркіндегі 82 MaxCut есебінде жүргізілді. Нақты шешімді толық іріктеу арқылы алуға болатын шағын салмақсыз графтар пайдаланылды. SCALAR оларды «құрылымдық із» бойынша топтастырды — төрт негізгі белгіден тұратын жиынтық. Нәтиже 14 топтың 13-інде QAOA-ның кіші тереңдіктегі (1–2 қабат) оңтайландырылған параметрлері іс жүзінде бірдей екенін көрсетті. Бұл дәлелденген теорема емес, эмпирикалық бақылау, бірақ ол баптауды біріктірудің әлеуетті мүмкіндігін көрсетеді.
Екінші кезең — төрт топологияның (регулярлы, Эрдеш-Реньи, Барабаши-Альберт, Уоттс-Строгац) 2000 кездейсоқ графына кеңейту. Мұнда әсер әлсіз болды: бірдей негізгі белгілер ұқсас параметрлерге кепілдік бермеді, ал схема тереңдігі артқан сайын болжамдардың дәлдігі төмендеді. Бұл заңды: схема неғұрлым күрделі болса, соғұрлым еркіндік дәрежесі көп, және граф құрылымы жалғыз анықтаушы фактор болудан қалады.
Шектеулер және практикалық құндылық
Негізгі нәтижелер симуляторларда алынды. CUDA-Q тензорлық симуляторын пайдаланып 77 кубиттегі жалғыз демонстрация — бұл масштабталатын шешім емес, proof-of-concept. Авторлар адал мойындайды: жаңа белгілерді қосу (мысалы, төбе дәрежесінің стандартты ауытқуы) бөлуді жақсартуы мүмкін, бірақ графтардың барлық түрлері мен QAOA тереңдіктері үшін әмбебап белгілер жиынтығы жоқ.
SCALAR — автономды жүйе емес. Белгілерді таңдау, гипотезаларды интерпретациялау және олардың маңыздылығын бағалау сарапшының қатысуын талап етеді. Дегенмен, тәсілдің өзі — соқыр іріктеуді LLM көмегімен символдық талдаумен ауыстыру — кванттық алгоритмдерді неғұрлым болжамды және ресурс сыйымдылығы аз етуге бағытталған қадам.
Менің пікірім: Әрбір кванттық схеманы іске қосу қымбатқа түсетін сала үшін SCALAR талдау тереңдігі мен есептеу шығындары арасындағы талғампаз ымыраны ұсынады. Әзірге бұл өндірістік орталар үшін емес, зерттеушілерге арналған құрал, бірақ бағыт — «қара жәшіктен» бас тартып, интерпретацияланатын гипотезаларды қолдау — перспективалы көрінеді. Егер белгілер жиынтығын кеңейтіп, жүйені нақты кванттық процессорларға бейімдеу мүмкін болса, гибридті алгоритмдерді әзірлеуде айтарлықтай жеделдеуді көре аламыз.