Команда из Техасского университета A&M, Nvidia и Лос-Аламосской национальной лаборатории описала SCALAR — нейросимволический фреймворк для анализа квантовых схем. На исследование обратило внимание издание The Quantum Insider.
Система использует квантовую симуляцию, символьную генерацию гипотез и большую языковую модель, чтобы находить связи между параметрами Quantum Approximate Optimization Algorithm (QAOA) и структурой графа в задаче MaxCut.
Как работает SCALAR
SCALAR задуман как инструмент для выдвижения проверяемых предположений в анализе квантовых схем. Он не заменяет исследователя и не доказывает теоремы, а помогает быстрее находить признаки задачи, которые могут влиять на результат.
Фреймворк собрали на базе CUDA-Q: сначала система запускает симуляции квантовых схем, затем сопоставляет результаты с признаками графа. После этого txGraffiti генерирует символьные гипотезы, а LLM помогает интерпретировать и ранжировать их. Задача SCALAR— формулировать утверждения, которые можно проверять, уточнять или опровергать.
Что показали эксперименты
В первой фазе SCALAR проверили на 82 задачах MaxCut из бенчмарка MQLib. Речь шла о небольших невзвешенных графах, где можно получить точный ответ полным перебором и сравнить его с симуляцией QAOA.
Авторы запускали схемы глубины один и два и сопоставляли найденные параметры с набором структурных признаков графа. Среди них — число вершин, средняя степень, средний коэффициент кластеризации, хроматическое число и отношение максимального независимого множества.
Для группировки в исходном бенчмарке авторы использовали «структурный отпечаток» из части этих признаков: числа вершин, средней степени, среднего коэффициента кластеризации и отношения максимального независимого множества. На этом наборе SCALAR выделил 14 групп графов с одинаковым «структурным отпечатком». В 13 из 14 групп оптимизированные параметры QAOA на малой глубине оказались почти одинаковыми.
Авторы описали это как эмпирическое наблюдение, а не доказанную закономерность. Поэтому результат не означает, что параметры QAOA можно универсально предсказывать для любых графов.
Во второй фазе анализ расширили на 2000 случайно сгенерированных графов. В выборку вошли графы четырех топологий: регулярные, Эрдеша — Реньи, Барабаши — Альберт и Уоттса — Строгаца. На этом наборе эффект проявился слабее: одинаковые базовые признаки не гарантировали схожие параметры, а при увеличении глубины схем предсказуемость снижалась.
Какие есть ограничения
Основные результаты получили на симуляторах, а не на реальном квантовом оборудовании. Отдельно команда провела демонстрацию на 77 кубитах с использованием тензорного симулятора CUDA-Q. Авторы назвали ее единичным примером работоспособности подхода, а не исследованием масштабируемости.
Они также отметили, что добавление новых признаков, включая стандартное отклонение степени вершины, может улучшить разделение графов в простых режимах. При этом исследование не утверждает, что небольшой универсальный набор признаков будет надежно работать для любых графов и вариантов QAOA.
SCALAR также не является полностью автономной системой. Выбор признаков, интерпретация гипотез и оценка их значимости по-прежнему требуют участия человека и предметной экспертизы.
Напомним, в июле исследователь Энтони Чиаварелла впервые использовал квантовый процессор IBM для моделирования одного из фундаментальных процессов квантовой электродинамики — рождения пары частица-античастица под действием сильного электрического поля.
Нашли ошибку в тексте? Выделите ее и нажмите CTRL+ENTER
Источник: forklog.com
Обсуждение: post