SCALAR: нейросимволический ИИ анализирует схемы QAOA

Команда из Техасского университета A&M, Nvidia и Лос‑Аламосской национальной лаборатории представила SCALAR, нейросимволический фреймворк для анализа квантовых схем в задаче MaxCut.

Фреймворк построен на симуляторе CUDA‑Q. Система запускает симуляции QAOA, сопоставляет полученные результаты с набором структурных признаков графа. Модуль txGraffiti генерирует символьные гипотезы, а большая языковая модель помогает интерпретировать и ранжировать эти гипотезы по проверяемости.

Авторы указывают, что задача SCALAR — формулировать проверяемые предположения о поведении квантовых схем; фреймворк не предназначен для формального доказательства теорем и не заменяет работу исследователя.

В первой фазе испытаний применили 82 задачи MaxCut из библиотеки MQLib. Это небольшие невзвешенные графы, где можно получить точный ответ полным перебором. Испытания проводились для схем глубины один и два. Сравнивали найденные оптимальные параметры с признаками графа: числом вершин, средней степенью, средним коэффициентом кластеризации, хроматическим числом и отношением размера максимального независимого множества. Для группировки использовали «структурный отпечаток», включающий часть этих признаков. На этой выборке SCALAR выделил 14 групп графов с одинаковым отпечатком; в 13 из 14 групп оптимизированные параметры QAOA на малой глубине оказались почти одинаковыми. Авторы отмечают, что это эмпирическое наблюдение, не доказанный математический вывод.

Во второй фазе анализ расширили до 2000 случайно сгенерированных графов четырёх типов: регулярные, Эрде́ш–Реньи, Барабаши–Альберт и Уоттс–Строгац. На этой более разнообразной выборке совпадение базовых признаков не гарантировало схожести оптимальных параметров. При увеличении глубины схем предсказуемость поведения QAOA снижалась.

Исследование проведено на симуляторах, а не на реальном квантовом оборудовании. Отдельная демонстрация была выполнена для 77 «кубитов» с использованием тензорного симулятора CUDA‑Q; авторы рассматривают её как пример работоспособности подхода, а не как проверку масштабируемости. Отмечено, что добавление новых признаков, например стандартного отклонения степени вершины, может улучшить разделение графов в простых режимах, но небольшой фиксированный набор признаков не гарантирован для всех графов и вариантов QAOA.

SCALAR не является полностью автономной системой: выбор признаков, интерпретация символьных гипотез и оценка их значимости требуют участия человека и предметной экспертизы.

QAOA (Quantum Approximate Optimization Algorithm) применяется для приближённого решения комбинаторных задач, таких как MaxCut. Поведение алгоритма зависит от подбора параметров схемы и от структуры входного графа. Схемы малой глубины легче симулировать и анализировать, однако параметры могут меняться при переходе к большим глубинам и к разным типам графов.