SCALAR：面向量子电路分析的自动猜想生成与推理的神经符号框架
量子物理
2026-05-12 v1 人工智能
符号计算
摘要
本文提出了 SCALAR（Symbolic Conjecture and LLM-Assisted Reasoning，符号猜想与大语言模型辅助推理），一个基于 CUDA-Q 开源框架构建的用于量子电路分析中自动猜想生成的神经符号系统。该系统集成了量子仿真、符号猜想生成与大语言模型推理。我们在 82 个来自 MQLib 基准数据集的 MaxCut 实例上评估了 SCALAR，并将分析扩展至 2000 个随机生成的图中，涵盖四种拓扑结构：regular、Erdos-Renyi、Barabasi-Albert 和 Watts-Strogatz。该框架生成了关于最优 QAOA 参数与图诊不变量之间的猜想边界，包括已知关系如相位分离参数 γ 的周期性约束。SCALAR 还恢复了之前报告的参数迁移现象。此外，系统识别了图结构特征与优化景观性质之间的相关性，这些性质通过基于不变量的描述符加以刻画。借助 CUDA-Q 张量网络仿真器，我们将实验规模扩展至 77 比特的实例。我们讨论了所生成猜想的准确性、普适性与局限性，包括对图类别和量子电路深度的敏感性。
引用
@article{arxiv.2605.10327,
title = {SCALAR: A Neurosymbolic Framework for Automated Conjecture and Reasoning in Quantum Circuit Analysis},
author = {Sean Feeney and Pooja Rao and Andreas Klappenecker and Reuben Tate and Yuri Alexeev and Stefano Mensa and Elica Kyoseva and Stephan Eidenbenz},
journal= {arXiv preprint arXiv:2605.10327},
year = {2026}
}