Кванттық есептеулер ұзақ уақыт бойы сынақ пен қателік өнері болып қалды. Алайда жақында Техас A&M университеті, Nvidia және Лос-Аламос ұлттық зертханасының зерттеушілер тобы SCALAR — ойын ережелерін өзгертетін нейросимволдық фреймворкты ұсынды. Бұл жүйе кванттық схемаларды, атап айтқанда QAOA (Quantum Approximate Optimization Algorithm) алгоритмін талдау үшін кванттық симуляцияны, символдық гипотеза генерациясын және үлкен тілдік модельдерді (LLM) біріктіреді.

SCALAR хаосты қалай тәртіпке айналдырады

SCALAR әмбебап шешуші немесе теорема дәлелдеуші ретінде талап қоймайды. Оның міндеті — тексерілетін гипотезаларды ұсыну. Фреймворктың негізінде CUDA-Q платформасы жатыр. Процесс келесідей: алдымен жүйе кванттық схемалардың симуляциясын іске қосады, содан кейін нәтижелерді граф белгілерімен салыстырады. Әрі қарай txGraffiti құралы символдық гипотезаларды генерациялайды, ал LLM оларды интерпретациялауға және реттеуге көмектеседі. Түпкі мақсат — эксперименттік түрде растауға немесе жоққа шығаруға болатын тұжырымдарды тұжырымдау.

Эксперименттік деректер: 82 графтан 2000-ға дейін

Эксперименттердің бірінші фазасында SCALAR MQLib бенчмаркіндегі 82 MaxCut есебінде сыналды. Бұл толық іздеу арқылы нақты жауап алуға болатын шағын салмақсыз графтар туралы болды. Талдау бір және екі тереңдіктегі схемалар үшін жүргізілді. Зерттеушілер табылған QAOA параметрлерін графтың құрылымдық белгілерінің жиынтығымен салыстырды: төбелер саны, орташа дәреже, кластерлеу коэффициенті, хроматикалық сан және максималды тәуелсіз жиынның қатынасы.

Негізгі нәтиже: төрт белгіден тұратын «құрылымдық із» негізінде SCALAR 14 граф тобын бөліп көрсетті. Оның 13-інде кіші тереңдіктегі оңтайландырылған QAOA параметрлері іс жүзінде бірдей болды. Бұл қатаң заңдылық емес, эмпирикалық бақылау, бірақ ол граф құрылымы мен алгоритмнің мінез-құлқы арасында жасырын байланыстардың бар екенін көрсетеді.

Екінші фаза ауқымдырақ болды: төрт топологияның (регулярлы, Эрдеш — Реньи, Барабаши — Альберт, Уоттс — Строгац) 2000 кездейсоқ генерацияланған графы. Мұнда әсер әлсіз байқалды — бірдей негізгі белгілер ұқсас параметрлерге кепілдік бермеді, ал схема тереңдігі артқан сайын болжамдылық төмендеді.

Шектеулер мен перспективалар

Маңыздысы: негізгі нәтижелер симуляторларда алынды. CUDA-Q тензорлық симуляторы арқылы 77 кубиттегі демонстрация бірегей мысал болды, ауқымдылықты толыққанды зерттеу емес. Сондай-ақ, жаңа белгілерді, мысалы, төбе дәрежесінің стандартты ауытқуын қосу графтарды бөлуді жақсартуы мүмкін, бірақ әмбебап жиынтық жоқ.

SCALAR — автономды жүйе емес. Белгілерді таңдау, гипотезаларды интерпретациялау және олардың маңыздылығын бағалау адамның қатысуын талап етеді. Дегенмен, бұл кванттық есептеулерді өнерден ғылымға айналдыратын қуатты құрал.

Менің талдауым: SCALAR — бұл кезекті AI құралы ғана емес. Бұл классикалық граф теориясы мен кванттық алгоритмдер арасындағы көпір. Графтың құрылымдық белгілері негізінде QAOA параметрлерін болжау мүмкіндігі гибридті кванттық-классикалық жүйелерді әзірлеуді түбегейлі жеделдетуі мүмкін. Алайда басты сын — шу және кубиттердің шектеулі байланысы бар нақты кванттық жабдыққа ауқымдау. Егер SCALAR бұны жеңе алса, біз логистикадан қаржыға дейінгі есептерді оңтайландыруда серпіліс көреміз.