Символический анализ алгоритма поиска Гровера с помощью рассуждений Chain-of-Thought и квантово-нативной токенизации

Обучение компьютеров «читать» квантовые схемы

Квантовые компьютеры обещают драматическое ускорение для ряда задач, но их программы чрезвычайно трудно понять человеку. Современные инструменты умеют вычислять, что выдаст квантовая схема, но редко объясняют, почему она так работает. В этой статье представлена GroverGPT+ — специализированная ИИ-модель, предназначенная «читать» код знаменитого алгоритма поиска Гровера и ясно, пошагово объяснять его логику — словно опытный преподаватель, ведущий ученика через сложную задачу.

От подсчётов к пониманию

Большинство существующего программного обеспечения для квантовых вычислений ориентировано на чистые вычисления. Введите схему, и эти симуляторы проследят огромное облако квантовых вероятностей, чтобы предсказать результаты измерений. Процесс мощный, но непрозрачный: программа умножает большие матрицы, возвращает итоговые вероятности, а людям остаётся выводить, как устроен алгоритм. Напротив, GroverGPT+ создан для символического анализа. Он принимает тот же низкоуровневый формат описания схемы, написанный на квантовом ассемблере QASM, и стремится описать высокоуровневые роли разных частей схемы — особенно «оракула», который кодирует, какие ответы считаются правильными в поиске Гровера.

Языковая модель с квантовой интуицией

В основе GroverGPT+ лежит большая языковая модель — архитектура нейронной сети, изначально разработанная для понимания и генерации естественного языка. Чтобы сделать её «владющей» языком квантовых схем, авторы вводят два ключевых адаптационных шага. Во-первых, они разрабатывают квантово-нативную токенизацию, которая разбивает QASM-код на смысловые фрагменты, такие как отдельные вентили и идентификаторы кубитов, а не на произвольные текстовые куски. Такая компактная, учитывающая структуру кодировка помогает модели моментально воспринимать целые операции. Во-вторых, модель обучают с использованием супервизии Chain-of-Thought: ей показывают не только правильные финальные ответы, но и подробные следы рассуждений, проходящие через извлечение оракула, идентификацию отмеченных состояний и прогнозирование вероятности каждого возможного исхода.

Испытание GroverGPT+

Для строгой оценки системы авторы используют алгоритм Гровера как контролируемую лабораторию. Поиск Гровера обладает чистыми математическими свойствами: для любого заданного числа кубитов и отмеченных состояний эксперты могут точно выписать, какие состояния особые и с какой вероятностью алгоритм их найдёт. Команда генерирует множество схем разных размеров и с разным числом целевых решений, затем просит GroverGPT+ определить отмеченные состояния и восстановить выходные вероятности. Успех измеряют двумя способами: точность поиска, проверяющая, совпадают ли верхние предсказания модели с истинными отмеченными состояниями, и классическая фиделити, сравнивающая полное распределение вероятностей с таковым у идеального симулятора.

Точно, стабильно и удивительно масштабируемо

На схемах до семи кубитов — в пределах того, на чём модель обучалась — GroverGPT+ последовательно находит правильные целевые состояния и воспроизводит правильные паттерны вероятностей, достигая точности поиска и фиделити, близких к единице, с очень малой вариативностью. Обычные языковые модели, напротив, демонстрируют значительно более низкие и менее устойчивые результаты. Авторы также проверяют, насколько хорошо GroverGPT+ обобщает за пределы обучающей выборки. При подаче немного больших схем с восемью или девятью кубитами его точность остаётся высокой, с лишь умеренным падением. Получая более компактный ввод, включающий только часть схемы с оракулом, модель сохраняет хорошую работу даже до тринадцати кубитов. Не менее примечательно, что время анализа схемы моделью растёт лишь плавно с увеличением размера, оставаясь примерно в одном порядке величины от самых маленьких случаев — значительно лучше экспоненциального роста времени при полном симулировании квантового состояния.

Новый взгляд на сложность квантовых алгоритмов

Эти результаты указывают на то, что ИИ-модели вроде GroverGPT+ могут стать ценными помощниками для квантовых исследователей, преподавателей и студентов. Вместо того чтобы заменять численные симуляторы, они предлагают иную функцию: превращать низкоуровневый код схемы в высокоуровневые объяснения того, что делает алгоритм и почему он работает. Авторы идут дальше и предлагают концептуальный сдвиг. Если некоторые квантовые алгоритмы легко поддаются обучению и объяснению ИИ, а другие — нет, это различие может раскрывать нечто о их внутренней концептуальной сложности, выходящее за рамки традиционных метрик вроде числа вентилей. В этом понимании GroverGPT+ — не просто инструмент отладки, а ранний прототип ИИ «научного прибора», помогающего исследовать структуру и понятность самих квантовых алгоритмов.

Цитирование: Chen, M., Cheng, J., Li, P. et al. Symbolic analysis of Grover search algorithm via Chain-of-Thought reasoning and quantum-native tokenization. npj Quantum Inf 12, 48 (2026). https://doi.org/10.1038/s41534-026-01195-1

Ключевые слова: квантовые алгоритмы, поиск Гровера, большие языковые модели, символический анализ, инструменты квантовых вычислений