Les chercheurs utilisent l’IA pour analyser les circuits quantiques

Une équipe de la Texas A&M University, de Nvidia et du Los Alamos National Laboratory a décrit SCALAIRE — un cadre neurosymbolique pour analyser les circuits quantiques. L'étude a été remarquée par The Quantum Insider.

Le système utilise la simulation quantique, la génération d'hypothèses symboliques et un grand modèle de langage pour trouver des relations entre les paramètres. Algorithme d’optimisation approximative quantique (QAOA) et la structure du graphe dans le problème MaxCut.

Comment fonctionne SCALAIRE

SCALAR est conçu comme un outil permettant de formuler des hypothèses testables dans l'analyse des circuits quantiques. Il ne remplace pas le chercheur et ne prouve pas de théorèmes, mais permet de trouver rapidement les caractéristiques du problème qui peuvent influencer le résultat.

Le framework a été construit sur la base de CUDA-Q : le système exécute d'abord des simulations de circuits quantiques, puis compare les résultats avec les caractéristiques du graphique. Après cela, txGraffiti génère des hypothèses symboliques, et LLM aide à les interpréter et à les classer. Le but de SCALAR est de formuler des affirmations qui peuvent être vérifiées, clarifiées ou réfutées.

Ce que les expériences ont montré

Dans la première phase, SCALAR a été testé sur 82 tâches MaxCut du benchmark MQLib. Nous parlions de petits graphiques non pondérés, où l'on peut obtenir la réponse exacte par une recherche exhaustive et la comparer avec la simulation QAOA.

Les auteurs ont exécuté des schémas de profondeur un et deux et ont comparé les paramètres trouvés avec un ensemble de caractéristiques structurelles du graphique. Ceux-ci incluent le nombre de sommets, le degré moyen, le coefficient de regroupement moyen, le nombre chromatique et le rapport d'ensemble indépendant maximum.

Pour le regroupement dans le benchmark d'origine, les auteurs ont utilisé une « empreinte structurelle » à partir d'un sous-ensemble de ces caractéristiques : nombre de sommets, degré moyen, coefficient de regroupement moyen et rapport d'ensemble indépendant maximum. À partir de cet ensemble, SCALAR a identifié 14 groupes de graphiques avec la même « empreinte structurelle ». Dans 13 des 14 groupes, les paramètres QAOA optimisés à faible profondeur étaient presque identiques.

Les auteurs ont décrit cela comme une observation empirique plutôt que comme un modèle prouvé. Par conséquent, le résultat ne signifie pas que les paramètres QAOA peuvent être prédits universellement pour n’importe quel graphique.

Dans la deuxième phase, l’analyse a été étendue à 2 000 graphiques générés de manière aléatoire. L'échantillon comprenait des graphiques de quatre topologies : régulière, Erdős-Rényi, Barabási-Albert et Watts-Strogatz. Sur cet ensemble, l’effet était plus faible : des caractéristiques de base identiques ne garantissaient pas des paramètres similaires, et à mesure que la profondeur des schémas augmentait, la prévisibilité diminuait.

Quelles sont les restrictions ?

Les principaux résultats ont été obtenus sur des simulateurs et non sur de véritables équipements quantiques. Par ailleurs, l’équipe a effectué une démonstration sur 77 qubits à l’aide du simulateur de tenseur CUDA-Q. Les auteurs l'ont qualifié d'exemple unique des performances de l'approche, et non d'une étude d'évolutivité.

Ils ont également noté que l’ajout de nouvelles fonctionnalités, notamment l’écart type du degré du sommet, peut améliorer la séparation des graphiques dans les modes simples. Cependant, l’étude ne prétend pas qu’un petit ensemble universel de fonctionnalités fonctionnera de manière fiable pour tous les graphiques et variantes de QAOA.

SCALAR n’est pas non plus un système complètement autonome. La sélection de caractéristiques, l’interprétation d’hypothèses et l’évaluation de leur importance nécessitent toujours une contribution humaine et une expertise en la matière.