Кванттық есептеулер әлемінде схемалардың параметрлерін баптау көбінесе сынақ және қателік әдісіне негізделген күнделікті және уақытты қажет ететін процесс болып табылады. Техас A&M университетінің, Nvidia және Лос-Аламос ұлттық зертханасының зерттеушілер тобы осы парадигманы түбегейлі өзгертетін жаңа құралды ұсынды. Олар әзірлеген SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning) фреймворкі кванттық симуляцияны, символдық гипотезалар генерациясын және үлкен тілдік модельдердің (LLM) мүмкіндіктерін біріктіреді.

SCALAR архитектурасы және жұмыс принципі

SCALAR дайын шешімдерді автоматты түрде ұсынатын «қара жәшік» емес. Оның міндеті – зерттеушілерге жасырын заңдылықтарды тезірек анықтауға көмектесетін интеллектуалды көмекші рөлін атқару. Процесс CUDA-Q платформасында кванттық схемаларды симуляциялаудан басталады. Содан кейін жүйе алынған нәтижелерді төбелер саны, орташа дәреже және кластерлеу коэффициенті сияқты графтың құрылымдық белгілерінің жиынтығымен салыстырады. Келесі кезеңде txGraffiti құралы іске қосылады, ол символдық гипотезаларды генерациялайды, ал LLM оларды дәрежелейді және түсіндіреді, маңызды емес нұсқаларды сүзгіден өткізеді.

Эксперименттік нәтижелер: кішіден күрделіге

Сынақтың бірінші фазасында SCALAR MQLib бенчмаркіндегі 82 MaxCut есебіне қолданылды. Бұл нақты жауапты толық іздеу арқылы алуға болатын шағын салмақсыз графтар туралы болды. Нәтиже әсерлі болды: төрт негізгі белгіден тұратын «құрылымдық ізді» пайдалана отырып, жүйе графтардың 14 тобын бөліп көрсетті. Осы топтардың 13-інде QAOA (Quantum Approximate Optimization Algorithm) алгоритмінің шағын тереңдіктегі схемалардағы оңтайландырылған параметрлері іс жүзінде бірдей болды.

Дегенмен, авторлар атап өткендей, бұл қатаң дәлел емес, эмпирикалық бақылау. Талдау төрт түрлі топологиядағы кездейсоқ генерацияланған 2000 графқа кеңейтілген екінші фазада әсер әлсіз болды. Схемалардың тереңдігі мен құрылымдардың әртүрлілігі артқан сайын параметрлердің болжамдылығы төмендеді, бұл тәсілдің түбегейлі шектеулерін көрсетеді.

Шектеулер мен перспективалар

Ескеру қажет негізгі мәселе: барлық негізгі нәтижелер нақты кванттық жабдықта емес, симуляторларда алынды. CUDA-Q тензорлық симуляторын пайдаланып 77 кубиттегі демонстрация масштабталудың толыққанды зерттеуі емес, жеке мысал болды. Сонымен қатар, SCALAR толығымен автономды жүйе емес – белгілерді таңдау және гипотезаларды түсіндіру әлі де сарапшының қатысуын талап етеді.

Менің талдауым: SCALAR кванттық оңтайландырудың барлық мәселелерін шешетін серпіліс емес, бірақ күнделікті процестерді автоматтандыру бағытындағы өте маңызды қадам. Ол классикалық ЖИ мен кванттық есептеулердің симбиозы іргелі зерттеулерді айтарлықтай жылдамдата алатынын көрсетеді. Дегенмен, симулятордан нақты, «шулы» кванттық процессорға дейінгі жол күрделі болып қалады және SCALAR-дың нақты жабдықтағы нәтижелері қатты ерекшеленуі мүмкін. Соған қарамастан, кванттық салада гипотезаларды генерациялау және тексеру үшін LLM-ді пайдалану тәсілі өте перспективалы болып көрінеді.