La computación cuántica y la inteligencia artificial comienzan a intersectarse no solo en discusiones teóricas, sino también en herramientas prácticas. Un grupo de investigadores de la Universidad Texas A&M, Nvidia y el Laboratorio Nacional de Los Álamos presentó el marco SCALAR, que combina un enfoque neurosimbólico con simulación cuántica. No es solo otro algoritmo: es un intento de reemplazar el ajuste intuitivo de parámetros de circuitos cuánticos por un análisis sistemático.

SCALAR utiliza un modelo de lenguaje grande (LLM) para interpretar hipótesis simbólicas generadas a partir de datos de simulación. El foco está en el algoritmo híbrido QAOA (Algoritmo de Optimización Aproximada Cuántica), que resuelve el problema MaxCut en grafos. En lugar de depender de una búsqueda aleatoria, el sistema analiza características estructurales del grafo: número de vértices, grado promedio, coeficiente de agrupamiento, número cromático y otras.

Cómo funciona el marco

SCALAR está construido sobre la plataforma CUDA-Q. Primero, el sistema ejecuta una simulación del circuito cuántico, luego compara los resultados con las características del grafo. En esta etapa, entra en juego la herramienta txGraffiti, que genera hipótesis simbólicas, y el LLM las clasifica por relevancia. Es importante: SCALAR no demuestra teoremas, solo ofrece afirmaciones verificables. Esto acelera el proceso de investigación, pero no reemplaza a un experto.

Resultados de los experimentos

En la primera fase de pruebas se utilizaron 82 problemas MaxCut del benchmark MQLib. Se trataba de grafos pequeños no ponderados, donde la solución exacta se puede obtener por fuerza bruta. SCALAR ejecutó circuitos de profundidad uno y dos, y luego agrupó los grafos según su "huella estructural": un conjunto de cuatro características clave. De los 14 grupos identificados, en 13 casos los parámetros optimizados de QAOA resultaron casi idénticos. Esto es una observación empírica, no una ley, pero indica una posible previsibilidad.

En la segunda fase, la muestra se amplió a 2000 grafos aleatorios de cuatro topologías: regulares, Erdős–Rényi, Barabási–Albert y Watts–Strogatz. Aquí el efecto fue más débil: las mismas características básicas no garantizaban parámetros similares, especialmente al aumentar la profundidad del circuito.

Limitaciones y perspectivas

Los experimentos se realizaron en simuladores, no en hardware cuántico real. La demostración con 77 cúbits utilizando el simulador tensorial CUDA-Q fue un ejemplo aislado, no un estudio de escalabilidad. Además, SCALAR no es autónomo: la selección de características y la interpretación de hipótesis requieren intervención humana.

Desde mi punto de vista, SCALAR es un paso importante hacia la automatización de la investigación cuántica, pero por ahora solo funciona en condiciones limitadas. Para la industria criptográfica, esto podría significar una aceleración en el desarrollo de algoritmos resistentes a la computación cuántica, pero aún queda mucho para su aplicación práctica. Lo principal es que vemos cómo la IA comienza no solo a procesar datos, sino a formular hipótesis para la computación cuántica.