Квантовые вычисления и искусственный интеллект начинают пересекаться не только в теоретических дискуссиях, но и в практических инструментах. Группа исследователей из Техасского университета A&M, Nvidia и Лос-Аламосской национальной лаборатории представила фреймворк SCALAR, который сочетает нейросимволический подход с квантовой симуляцией. Это не просто очередной алгоритм — это попытка заменить интуитивный подбор параметров квантовых схем на систематический анализ.
SCALAR использует большую языковую модель (LLM) для интерпретации символьных гипотез, которые генерируются на основе данных симуляции. В центре внимания — гибридный алгоритм QAOA (Quantum Approximate Optimization Algorithm), который решает задачу MaxCut на графах. Вместо того чтобы полагаться на случайный поиск, система анализирует структурные признаки графа: число вершин, среднюю степень, коэффициент кластеризации, хроматическое число и другие.
Как работает фреймворк
SCALAR построен на платформе CUDA-Q. Сначала система запускает симуляцию квантовой схемы, затем сопоставляет результаты с признаками графа. На этом этапе в дело вступает инструмент txGraffiti, который генерирует символьные гипотезы, а LLM ранжирует их по значимости. Важно: SCALAR не доказывает теоремы, а лишь предлагает проверяемые утверждения. Это ускоряет исследовательский процесс, но не заменяет эксперта.
Результаты экспериментов
В первой фазе тестирования использовались 82 задачи MaxCut из бенчмарка MQLib. Речь шла о небольших невзвешенных графах, где точное решение можно получить перебором. SCALAR запускал схемы глубины один и два, а затем группировал графы по «структурному отпечатку» — набору из четырех ключевых признаков. Из 14 выделенных групп в 13 случаях оптимизированные параметры QAOA оказались почти идентичными. Это эмпирическое наблюдение, а не закон, но оно указывает на потенциальную предсказуемость.
Во второй фазе выборка расширилась до 2000 случайных графов четырех топологий: регулярные, Эрдеша — Реньи, Барабаши — Альберт и Уоттса — Строгаца. Здесь эффект проявился слабее: одинаковые базовые признаки не гарантировали схожие параметры, особенно при увеличении глубины схем.
Ограничения и перспективы
Эксперименты проводились на симуляторах, а не на реальном квантовом оборудовании. Демонстрация на 77 кубитах с использованием тензорного симулятора CUDA-Q была единичным примером, а не исследованием масштабируемости. Кроме того, SCALAR не автономен: выбор признаков и интерпретация гипотез требуют участия человека.
С моей точки зрения, SCALAR — это важный шаг к автоматизации квантовых исследований, но пока он работает только в узких условиях. Для криптоиндустрии это может означать ускорение разработки квантово-устойчивых алгоритмов, но до практического применения еще далеко. Главное — мы видим, как ИИ начинает не просто обрабатывать данные, а формулировать гипотезы для квантовых вычислений.