🤖 machine learning

Position: Quantum Program Generation Must Prioritize Validity Over Probabilistic Scaling

Dit position paper betoogt dat het opschalen van probabilistische modellen voor kwantumcircuit-synthese fundamenteel gebrekkig is vanwege de exponentiële afname van geldige ontwerpen en de syntaxis-semantiek kloof, en pleit in plaats daarvan voor een paradigmaverschuiving naar verifieerder-gecentreerde agenten die wiskundige beperkingen en symbolische proxies direct integreren in het generatieproces.

Oorspronkelijke auteurs: Junhao Song, Yu Zhou, William Knottenbelt, Yudong Cao

Gepubliceerd 2026-07-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Junhao Song, Yu Zhou, William Knottenbelt, Yudong Cao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren een huis te bouwen. In de wereld van gewone software, als de robot een zin schrijft die op een zin lijkt maar een klein grammaticaal foutje bevat, kan een mens dit meestal zien, corrigeren, en het huis blijft gewoon staan. Dit is de wereld van "vloeiendheid", waar er goed genoeg is om te beginnen als het er juist uitziet. Maar stel je nu voor dat de robot een huis probeert te bouwen van pure, onzichtbare energie die de vreemde, rigide wetten van de kwantumfysica volgt. In deze wereld is één klein foutje niet alleen een typefout; het is alsof je een baksteen op de verkeerde plek legt, waardoor het hele gebouw in flinterdunne lucht verdwijnt. Dit is de uitdaging van quantum computing.

Om het probleem te begrijpen, moeten we twee dingen weten. Ten eerste zijn quantum circuits de blauwdrukken voor deze energiehuizen. Ze bestaan uit "gates" (poorten) die minuscule deeltjes genaamd qubits manipuleren. In tegen tegenstelling tot een normale computer die 0 en 1 gebruikt, kunnen qubits in een mix van beide tegelijk zijn, maar ze zijn ongelooflijk fragiel. Als je de volgorde van de gates verpest of het verkeerde type gebruikt, stort de hele berekening in. Ten tweede is er een populair idee in AI genaamd de scaling hypothesis. Dit is de overtuiging dat als we een AI maar groter maken en er meer data in stoppen, het uiteindelijk de logica van de wereld zelf zal "ontdekken", simpelweg door het volgende woord in een zin te raden. De grote vraag is: Kunnen we gewoon een supergrote AI maken die haar weg naar een perfect quantumontwerp raadt, of vereist de wiskunde van het universum iets strikters?

Dit artikel betoogt dat voor quantumcomputers de "maak het gewoon groter"-strategie een doodlopende weg is. De auteurs, Junhao Song, Yu Zhou, William Knottenbelt en Yudong Cao, suggereren dat het proberen op te schalen van AI om quantumprogramma's te genereren, lijkt op het proberen te vinden van een specifieke naald in een hooiberg door er meer naalden tegenaan te gooien; je eindigt alleen maar met een grotere stapel nutteloze naalden.

De kern van hun argument is dat quantum circuits een enorme kloof hebben tussen syntaxis (hoe de code eruitziet) en semantiek (wat de code daadwerkelijk doet in de fysieke wereld). In normale programmering kun je een zin schrijven die perfect lijkt maar geen zin heeft, en een computer zal deze gewoon uitvoeren en crashen, waarbij hij je laat weten wat er misging. In quantumprogrammering kan een zin er perfect uitzien, zonder problemen draaien en toch volkomen fout zijn omdat het de diepe wiskundige regels van het universum schendt. De auteurs wijzen erop dat het aantal "geldige" quantum circuits zo ongelooflijk klein is vergeleken met het aantal "ongeldige" circuits, dat ze als een enkele korrel zand op een strand zijn. Als je een AI gewoon willekeurig laat raden, zal zelfs een super slimme, enorme AI voornamelijk "zelfverzekerd foute" antwoorden genereren. Ze noemen dit inverse scaling: hoe groter het model wordt, hoe beter het wordt in het klinken als een quantumexpert, maar hoe slechter het wordt in het daadwerkelijk zijn van een expert, omdat het simpelweg de patronen van slechte code in publieke datasets uit het hoofd leert.

Het artikel sluit expliciet de mogelijkheid uit dat we dit kunnen oplossen door duizenden gokjes te generen en de slechte later weg te filteren. De auteurs laten zien dat omdat de geldige opties zo zeldzaam zijn, het aantal gokjes dat nodig is om één juiste te vinden exponentieel groeit met de grootte van het probleem, waardoor het door brute kracht wiskundig onmogelijk wordt om op te lossen. Ze argumenteren ook tegen het idee dat mensen het werk kunnen controleren; zodra je voorbij ongeveer 50 qubits komt, wordt de wiskunde te complex voor een mens om met de hand te verifiëren.

In plaats van te vertrouwen op grootte en geluk, stellen de auteurs een nieuwe manier van werken voor genaamd Verifier-Centric Agents. Stel je een robotarchitect voor die niet alleen raadt hoe het huis eruit moet zien, maar die een magische, direct controlerende tool bij zich draagt die zegt: "Nee, je kunt daar geen raam plaatsen omdat de natuurkunde dat niet toestaat" voordat de muur zelfs maar getekend is. Deze nieuwe aanpak bouwt de regels van de quantumfysica direct in het brein van de AI terwijl deze de code schrijft. Het gebruikt een "hiërarchische" methode, waarbij eerst het grote plaatje wordt gecontroleerd (zoals controleren of de kamers correct verbonden zijn), daarna de middelste laag (om te zien of de deuren passen), en tot slot de minuscule details (om te controleren of de stenen de juiste vorm hebben).

De auteurs suggereren dat we door deze methoden van "constructieve verificatie" te gebruiken — waarbij de AI wordt gedwongen om de regels stap voor stap te volgen in plaats van het geheel in één keer te raden — daadwerkelijk betrouwbare quantumprogramma's kunnen bouwen. Ze laten zien dat hoewel we niet simpelweg kunnen opschalen om alles op te lossen, we wel een systeem kunnen bouwen dat werkt door AI-creativiteit te combineren met strikte, wiskundige vangrails. Het artikel concludeert dat voor velden zoals quantum computing, waar de regels hard zijn en de geldige antwoorden zeldzaam zijn, we moeten stoppen met het proberen na te bootsen van menselijke vloeiendheid en moeten beginnen met het bouwen van AI die de strikte logica van het universum respecteert.

Technische Samenvatting: Kwantumprogrammageneratie moet Validiteit Prioriteren boven Probabilistische Schaling

1. Probleemstelling

Het artikel betoogt dat de heersende "schalingshypothese"—de aanname dat het vergroten van modelparameters leidt tot emergente redeneercapaciteiten—een directionele fout is wanneer deze wordt toegepast op generieke kwantumcircuit-synthese. In tegen tegenstelling tot natuurlijke taal of klassieke software, waarbij syntactische vloeiendheid vaak correleert met semantisch nut, vertonen kwantumcircuits een ernstige syntax-semantiek kloof.

Structurele Mismatch: Kwantumcircuits vereisen strikte naleving van wiskundige beperkingen (bijv. unitaire evolutie, Hilbertruimte-geometrie). Een enkele verkeerd geplaatste gate kan het gehele globale interferentiepatroon dat nodig is voor berekening ongeldig maken, waardoor het programma fysiek nutteloos wordt.
Datavergiftiging: Het trainen op ongeverifieerde, open-source kwantumcode introduceert een structurele bias. Publieke repositories bevatten syntactisch geldige maar semantisch incorrecte circuits. Modellen die op deze distributie zijn getraind, leren syntaxis te imiteren, maar falen in het vatten van de fysieke semantiek van de Hilbertruimte.
Inverse Schaling: De auteurs hypothetiseren dat grotere modellen die getraind zijn op bevooroordeelde, ongeverifieerde data, inverse schaling vertonen. Naarmate het aantal parameters toeneemt, worden modellen zelfverzekerder in het genereren van fysiek ongeldige outputs omdat ze de bevooroordeelde trainingsdistributie trouwer volgen, in plaats van te convergeren op het manifold van geldige programma's.
Intractabiliteit van Post-Selectie: De subset van geldige circuitontwerpen neemt exponentieel af met het aantal qubits. Bijgevolg is het "genereren-en-filteren"-proces (het samplen van $K$ kandidaten en het verwerpen van ongeldige exemplaren) mathematisch intractabel. De kosten van verificatie en de waarschijnlijkheid van het samplen van een geldige kandidaat stapelen zich op tot een exponentiële barrière die alleen schaling niet kan overwinnen.

2. Methodologie en Voorgesteld Raamwerk

Het artikel stelt een paradigmaverschuiving voor van mens-gecentreerde copilots (die prioriteit geven aan vloeiendheid en menselijke leesbaarheid) naar verifieerder-gecentreerde agenten. Deze aanpak integreert verificatie direct in het generatieproces in plaats van het als een post-hoc filter te behandelen.

2.1. Constructieve Verificatieprotocollen

Het generatieproces wordt gemodelleerd als een trajectzoektocht door een discrete syntactische ruimte, geformaliseerd als een Markov Beslissingsproces (MDP):

Toestandsruimte ( $S$ ): Omvat het huidige abstracte programma, formele parameters (bijv. inputgrootte, foutbudgetten), evaluatiemetrieken en tool-traces.
Actieruimte ( $A$ ): Acties omvatnen het aanroepen van tools uit een vaste bibliotheek, zoals EDIT (het toepassen van eigenschappen-behoudende herschrijfschema's), EVAL (het opnieuw controleren van correctheid) en FINISH.
Validiteitsfilter (Shield): Een cruciaal onderdeel waarbij een validiteitsfilter $V(a, s) \in \{0, 1\}$ ongeldige acties maskeert. De policy $\pi_\theta(a|s)$ wordt beperkt om proportioneel te zijn aan de ongeconstraineerde propositie vermenigvuldigd met de validiteitsfilter. Dit zorgt ervoor dat alleen acties die leiden tot structureel en functioneel geldige toestanden worden uitgevoerd.

2.2. Hiërarchische Abstractie

Om complexiteit te beheersen, opereert het raamwerk over drie abstractieniveaus, waarbij gebruik wordt gemaakt van de modulaire structuur van kwantumalgoritmen:

Niveau 1 (Module-gebaseerd): De agent manipuleert parametrische programma's waarbij subroutines (bijv. Kwantum Fourier Transformatie, Modulaire Exponentiatie) worden behandeld als zwarte dozen. Verificatie controleert de hoogwaardige structurele consistentie en registerbedrading.
Niveau 2 (Decompositie): Modules worden gecompileerd naar concrete gate-niveau implementaties (bijv. het decomponeren van een 3-qubit blok in CNOT's en Toffoli's). Correctheid wordt gelokaliseerd tot kleine footprints.
Niveau 3 (Optimalisatie): Het programma wordt behandeld als een sequentie van elementaire operaties. De agent past eigenschappen-behoudende herschrijvingen toe (bijv. parallellisatie, gate-swapping, annulering) om diepte en gate-aantal te optimaliseren terwijl de functionele correctheid behouden blijft.

2.3. Data-imperatief

De auteurs pleiten voor trace-gebaseerde datasets in plaats van standaard code-corpora. Deze datasets moeten optimale oplossingen contrasteren met geldige maar suboptimale kandidaten, waarbij het optimalisatie-manifold wordt gecodeerd. Dit biedt de noodzakelijke inductieve bias om harde domeinbeperkingen te internaliseren, waarmee men verder gaat dan eenvoudige syntactische imitatie.

3. Belangrijkste Bijdragen en Theoretische Resultaten

Formalisering van de Validiteitskloof: Het artikel formaliseert de exponentiële spaarzaamheid van geldige circuits. Het demonstreert dat voor generieke synthesetaken de geldige subset van de zoekruimte marginaal klein is.
Bewijs van Intractabiliteit voor Post-Selectie: Door middel van complexiteitsanalyse toont het artikel aan dat de verwachte kosten $E[C]$ $E [C]$ om een functioneel correcte kandidaat via post-selectie te verkrijgen, exponentieel schaalt met het aantal qubits ( $n$ $n$ ).
- Voor NISQ-apparaten wordt de kosten gedomineerd door functionele spaarzaamheid ( $e^{\gamma n}$ ).
- Voor Fault-Tolerant Quantum Computing (FTQC) wordt de kosten gecombineerd door structurele spaarzaamheid ( $e^{\beta n}$ ) en functionele spaarzaamheid, wat de pipeline intractabel maakt voor generieke taken.
Inverse Schalingshypothese: Het artikel stelt dat zonder verificatie-bewuste beperkingen, het schalen van modellen leidt tot "meer geavanceerde ruis" in plaats van verbeterde validiteit, aangezien modellen convergeren op de bevooroordeelde distributie van ongeverifieerde trainingsdata.
Verifieerder-gecentreerde Architectuur: Het voorstel van een agent die fungeert als een hoog-doorvoers heuristische voorsteller voor een formele solver, werkend op machinesnelheid en beperkt door formele validiteitscontroles in plaats van menselijke intuïtie.

4. Resultaten en Claims

Het artikel presenteert geen nieuwe empirische benchmarks van een specifiek model, maar steunt op theoretische analyse en bestaande empirische observaties:

Theoretische Grenzen: De analyse vestigt dat standaard schalingswetten er niet in slagen de entropiekloof tussen syntactische vloeiendheid en fysieke validiteit te overbruggen. De "Genereer-en-Verifieer" aanpak wordt getoond als mathematisch rampzalig voor kwantumzoekruimtes vanwege de exponentiële afname van geldige oplossingen.
Empirische Consistentie: De auteurs citeren eerder werk (Song et al., 2026) dat aangeeft dat LLM's getraind zonder dataverificatie een plateau bereiken bij ~79% nauwkeurigheid op kwantumcircuit-optimalisatietaken, zonder verdere winst door schaal.
Haalbaarheid van Modulaire Synthese: Het artikel claimt dat hoewel het oplossen van willekeurige circuits buiten bereik blijft, de hiërarchische, module-gebaseerde aanpak wel werkbaar is voor algoritmen gebouwd uit goed begrepen primitieven (bijv. QFT, modulaire rekenkunde) door topologische en symbolische beperkingen tijdens de decodering af te dwingen.

5. Betekenis en Positionering

De primaire betekenis van het artikel ligt in het uitdagen van de "scaling maximalist" orthodoxie in de context van wetenschappelijke domeinen met harde fysieke beperkingen.

Verschuiving in Doelstelling: Het betoogt dat het doel van generatieve modellen in kwantumcomputing moet verschuiven van probabilistische emulatie van code naar constructieve verificatie tegen de wiskundige structuur van kwantumalgoritmen.
Herdefiniëring van de Rol van AI: De auteurs stellen dat menselijk toezicht ongeschikt is voor hoge qubit-regimes (boven de ~50 qubits) vanwege de intractabiliteit van klassieke state-vector simulatie. Daarom moet de rol van de AI-agent inverteren: het moet fungeren als een machine-snel voorsteller voor formele solvers, waarbij de mens optreedt als specificatie-auteur en trace-auditor in plaats van als beoordelaar van correctheid.
Brede Implicaties: Het artikel suggereert dat deze "validiteit-eerst" paradigma toepasbaar is op andere wetenschappelijke domeinen waar geldige outputs een verwaarloosbaar deel van een hoog-dimensionale ruimte beslaan, zoals eiwitontwerp, bewijsvoering en chip-layout.

Concluderend stelt het artikel dat schaal alleen de validiteitskloof niet kan overbruggen. In plaats daarvan vereisen levensvatbare paden voor modulaire kwantumprogrammageneratie architecturen die de taakspecifieke regels van kwantuminformatie coderen en hiërarchische beperkingen direct in het generatieproces integreren.