Un equipo de investigadores de la Universidad Texas A&M, Nvidia y el Laboratorio Nacional de Los Álamos presentó SCALAR, un innovador marco neuro-simbólico diseñado para el análisis profundo de circuitos cuánticos. Este sistema combina simulación cuántica, generación simbólica de hipótesis y grandes modelos de lenguaje (LLM) para identificar relaciones ocultas entre los parámetros del algoritmo QAOA (Algoritmo de Optimización Aproximada Cuántica) y las características estructurales de los grafos en el problema MaxCut.

Principio de funcionamiento de SCALAR

SCALAR no reemplaza al investigador, sino que sirve como una herramienta poderosa para generar hipótesis verificables. Basado en la plataforma CUDA-Q, el sistema primero ejecuta simulaciones de circuitos cuánticos, luego compara los resultados obtenidos con un conjunto de características del grafo. A continuación, el módulo txGraffiti genera hipótesis simbólicas, y el LLM ayuda a interpretarlas y clasificarlas por importancia. La tarea clave del marco es formular afirmaciones que puedan verificarse, refinarse o refutarse.

Resultados experimentales

En la primera etapa, SCALAR se probó en 82 problemas MaxCut del benchmark MQLib, utilizando grafos pequeños no ponderados. El análisis se realizó para circuitos de profundidad uno y dos. Mediante una "huella estructural", un conjunto de cuatro características clave (número de vértices, grado promedio, coeficiente de agrupamiento promedio y relación del conjunto independiente máximo), el sistema identificó 14 grupos de grafos. En 13 de ellos, los parámetros optimizados de QAOA resultaron prácticamente idénticos. Esta es una observación empírica, no un teorema demostrado, pero sugiere una posible predecibilidad.

La segunda etapa incluyó 2000 grafos generados aleatoriamente de cuatro topologías: regulares, Erdős–Rényi, Barabási–Albert y Watts–Strogatz. Aquí el efecto fue menos pronunciado: las mismas características básicas no garantizaban parámetros similares, y al aumentar la profundidad de los circuitos, la predecibilidad disminuyó.

Limitaciones y perspectivas

Los resultados principales se obtuvieron en simuladores, no en hardware cuántico real. La demostración en 77 cúbits con el simulador tensorial CUDA-Q es solo un ejemplo aislado, que no confirma la escalabilidad. Los autores señalan que agregar nuevas características (por ejemplo, la desviación estándar del grado del vértice) podría mejorar la separación de grafos, pero no existe un conjunto universal de características para todas las variantes de QAOA. SCALAR tampoco es completamente autónomo: la selección de características y la interpretación de hipótesis requieren la participación de un experto.

Mi análisis: SCALAR es un paso impresionante hacia la automatización del análisis de circuitos cuánticos, pero su valor práctico está limitado por ahora a simulaciones. Para la industria criptográfica, donde la computación cuántica amenaza los algoritmos de cifrado existentes, herramientas como esta podrían acelerar la búsqueda de vulnerabilidades. Sin embargo, aún queda un largo camino para su implementación en sistemas cuánticos reales.