Исследователи использовали искусственный интеллект для анализа квантовых схем

Команда исследователей из Техасского университета A&M, Nvidia и Лос-Аламосской национальной лаборатории разработала SCALAR — новый нейросимволический фреймворк, предназначенный для анализа квантовых схем. Данная разработка уже привлекла внимание издания The Quantum Insider. SCALAR использует комбинацию квантовой симуляции, символьной генерации гипотез и мощной языковой модели для поиска взаимосвязей между параметрами алгоритма Quantum Approximate Optimization Algorithm (QAOA) и структурой графа в задаче MaxCut.

SCALAR задуман как инструмент, который поможет исследователям формулировать проверяемые гипотезы в области анализа квантовых схем. Важно отметить, что фреймворк не заменяет человека-исследователя и не доказывает теоремы, а служит средством для более быстрого выявления признаков задачи, влияющих на конечный результат. Фреймворк построен на базе CUDA-Q, что позволяет ему запускать симуляции квантовых схем. В процессе работы SCALAR сопоставляет результаты симуляций с признаками графа, а затем txGraffiti генерирует символьные гипотезы, которые интерпретируются и ранжируются с помощью языковой модели (LLM).

Основная задача SCALAR — формулировать утверждения, которые могут быть проверены, уточнены или опровергнуты. В рамках первых экспериментов фреймворк был протестирован на 82 задачах MaxCut из бенчмарка MQLib, где речь шла о небольших невзвешенных графах. В этих случаях можно было получить точный ответ, используя полный перебор, и сравнить его с результатами симуляции QAOA. Исследователи запускали схемы с глубиной один и два, сопоставляя найденные параметры с набором структурных признаков графа, такими как число вершин, средняя степень, средний коэффициент кластеризации, хроматическое число и отношение максимального независимого множества.

Авторы использовали «структурный отпечаток», состоящий из части этих признаков: числа вершин, средней степени, среднего коэффициента кластеризации и отношения максимального независимого множества. На основании этого набора данных SCALAR смог выделить 14 групп графов с одинаковым «структурным отпечатком». В 13 из 14 групп параметры QAOA, оптимизированные на малой глубине, оказались почти идентичными. Авторы описали эти результаты как эмпирическое наблюдение, не имеющее доказанной закономерности.

Что это значит

Разработка SCALAR может существенно ускорить процесс анализа квантовых схем и повысить эффективность исследований в области квантовых вычислений. Использование нейросимволических методов открывает новые горизонты для оптимизации алгоритмов и упрощает выявление взаимосвязей между параметрами, что особенно актуально в контексте растущего интереса к квантовым технологиям.

Учитывая, что компании, участвующие в проекте, такие как Nvidia, известны своими инновациями в области вычислительных технологий и искусственного интеллекта, можно ожидать, что SCALAR станет важным инструментом для исследовательских групп и стартапов, работающих в этой области. Это может привести к новым открытиям и улучшениям в алгоритмах квантовой оптимизации, что в свою очередь может повлиять на развитие смежных технологий и рынков.