Группа исследователей из Техасского университета A&M, Nvidia и Лос-Аламосской национальной лаборатории представила новый подход к настройке квантовых схем. Разработанный ими фреймворк SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning) сочетает квантовую симуляцию, символьную генерацию гипотез и большие языковые модели (LLM). Цель — заменить интуитивный перебор параметров в гибридных алгоритмах, таких как Quantum Approximate Optimization Algorithm (QAOA), на систематический анализ.

Как SCALAR меняет правила игры

В основе SCALAR лежит идея, что для эффективной работы QAOA не нужно каждый раз заново подбирать параметры. Система использует симуляции на платформе CUDA-Q, сопоставляя результаты с топологическими признаками графа: числом вершин, средней степенью, коэффициентом кластеризации, хроматическим числом и другими. Затем инструмент txGraffiti генерирует символьные гипотезы, а LLM интерпретирует и ранжирует их. Ключевое отличие SCALAR от классического машинного обучения — он не предсказывает ответ, а формулирует проверяемые утверждения, которые исследователь может подтвердить или опровергнуть.

Экспериментальные результаты: от 82 до 2000 графов

Первый этап тестирования проводился на 82 задачах MaxCut из бенчмарка MQLib. Использовались небольшие невзвешенные графы, где точное решение можно получить полным перебором. SCALAR сгруппировал их по «структурному отпечатку» — набору из четырех ключевых признаков. Результат показал, что в 13 из 14 групп оптимизированные параметры QAOA на малой глубине (1–2 слоя) оказались практически идентичными. Это эмпирическое наблюдение, а не доказанная теорема, но оно уже указывает на потенциальную возможность унификации настройки.

Второй этап — расширение на 2000 случайных графов четырех топологий (регулярные, Эрдеша-Реньи, Барабаши-Альберт, Уоттса-Строгаца). Здесь эффект проявился слабее: одинаковые базовые признаки не гарантировали схожие параметры, а при увеличении глубины схем точность предсказаний падала. Это логично: чем сложнее схема, тем больше степеней свободы, и структура графа перестает быть единственным определяющим фактором.

Ограничения и практическая ценность

Основные результаты получены на симуляторах. Единственная демонстрация на 77 кубитах с использованием тензорного симулятора CUDA-Q — это proof-of-concept, а не масштабируемое решение. Авторы честно признают: добавление новых признаков (например, стандартного отклонения степени вершины) может улучшить разделение, но универсального набора признаков для всех типов графов и глубин QAOA не существует.

SCALAR — не автономная система. Выбор признаков, интерпретация гипотез и оценка их значимости требуют участия эксперта. Однако сам подход — замена слепого перебора на символьный анализ с помощью LLM — это шаг к тому, чтобы квантовые алгоритмы стали более предсказуемыми и менее ресурсоемкими.

Мой комментарий: Для индустрии, где каждый запуск квантовой схемы стоит дорого, SCALAR предлагает элегантный компромисс между глубиной анализа и вычислительными затратами. Пока это инструмент для исследователей, а не для production-сред, но направление — отказ от «черного ящика» в пользу интерпретируемых гипотез — выглядит перспективным. Если удастся расширить набор признаков и адаптировать систему под реальные квантовые процессоры, мы можем увидеть значительное ускорение в разработке гибридных алгоритмов.