في عالم الذكاء الاصطناعي، يبرز نظام SCALAR (توليد التخمينات الرمزية والاعتماد على نماذج اللغات الكبيرة) كإطار عصبي رمزي مبتكر يهدف إلى تسريع تحليل الدوائر الكمومية. يعد هذا الإطار ثورة حقيقية في القدرة على توليد التخمينات بشكل تلقائي، حيث يتم دمجه مع إطار CUDA-Q مفتوح المصدر.

تتمحور فكرة SCALAR حول دمج ثلاث تقنيات رئيسية: محاكاة الكم، وتوليد التخمينات الرمزية، والتفسير القائم على نماذج اللغات الكبيرة (LLMs). تم تقييم أداء SCALAR من خلال دراسة 82 حالة من البيانات الموجودة ضمن مجموعة بيانات MQLib، بالإضافة إلى تحليل موسع لـ 2000 رسم بياني تم إنشاؤه عشوائيًا عبر أربعTopology، تشمل: العادية، Erdős–Rényi، Barabasi-Albert، وWatts-Strogatz.

يتميز SCALAR بقدرته على توليد حدود افتراضية تربط بين معلمات QAOA المثلى وخصائص الرسوم البيانية، بما في ذلك علاقات معروفة مثل قيود التكرارية على معلمة فصل الطور (γ). كما يمكن للخوارزمية أيضاً استرجاع الظواهر الخاصة بنقل المعلمات عبر أمثلة مشابهة من حيث التركيب.

إضافة إلى ذلك، يكتشف النظام ارتباطات بين الخصائص الهيكلية للرسوم البيانية وخصائص مشهد التحسين، والتي نستطيع وصفها من خلال الموصوفات المستندة إلى الثوابت. بفضل محاكي شبكة التنسورات CUDA-Q، يتمكن SCALAR من توسيع تجاربه إلى حالات تصل إلى 77 كيوبت.

نناقش في هذا المقال دقة وعمومية وحدود التخمينات المنتجة، بما في ذلك حساسية الإطار لنوع الرسوم البيانية وعمق الدائرة الكمومية. في ختام هذا البحث، يتضح أن SCALAR يمثل خطوة هائلة نحو تحقيق إمكانيات أكبر في تحليل الدوائر الكمومية وتحسينها.