Команда исследователей из Техасского университета A&M, Nvidia и Лос-Аламосской национальной лаборатории представила SCALAR — инновационный нейросимволический фреймворк, предназначенный для глубокого анализа квантовых схем. Эта система объединяет квантовую симуляцию, символьную генерацию гипотез и большие языковые модели (LLM) для выявления скрытых взаимосвязей между параметрами алгоритма QAOA (Quantum Approximate Optimization Algorithm) и структурными характеристиками графов в задаче MaxCut.

Принцип работы SCALAR

SCALAR не заменяет исследователя, а служит мощным инструментом для генерации проверяемых гипотез. На базе платформы CUDA-Q система сначала запускает симуляции квантовых схем, затем сопоставляет полученные результаты с набором признаков графа. Далее модуль txGraffiti генерирует символьные гипотезы, а LLM помогает их интерпретировать и ранжировать по значимости. Ключевая задача фреймворка — формулировать утверждения, которые можно проверить, уточнить или опровергнуть.

Экспериментальные результаты

На первом этапе SCALAR протестировали на 82 задачах MaxCut из бенчмарка MQLib, используя небольшие невзвешенные графы. Анализ проводился для схем глубины один и два. С помощью «структурного отпечатка» — набора из четырех ключевых признаков (число вершин, средняя степень, средний коэффициент кластеризации и отношение максимального независимого множества) — система выделила 14 групп графов. В 13 из них оптимизированные параметры QAOA оказались практически идентичными. Это эмпирическое наблюдение, а не доказанная теорема, но оно указывает на потенциальную предсказуемость.

Второй этап включал 2000 случайно сгенерированных графов четырех топологий: регулярные, Эрдеша — Реньи, Барабаши — Альберт и Уоттса — Строгаца. Здесь эффект оказался менее выраженным: одинаковые базовые признаки не гарантировали схожие параметры, а с увеличением глубины схем предсказуемость снижалась.

Ограничения и перспективы

Основные результаты получены на симуляторах, а не на реальном квантовом оборудовании. Демонстрация на 77 кубитах с тензорным симулятором CUDA-Q — лишь единичный пример, не подтверждающий масштабируемость. Авторы отмечают, что добавление новых признаков (например, стандартного отклонения степени вершины) может улучшить разделение графов, но универсального набора признаков для всех вариантов QAOA не существует. SCALAR также не является полностью автономным: выбор признаков и интерпретация гипотез требуют участия эксперта.

Мой анализ: SCALAR — впечатляющий шаг к автоматизации анализа квантовых схем, но его практическая ценность пока ограничена симуляциями. Для криптоиндустрии, где квантовые вычисления угрожают существующим алгоритмам шифрования, подобные инструменты могут ускорить поиск уязвимостей. Однако до внедрения в реальные квантовые системы еще далеко.