LLM modeli za rutiranje jona u kvantnim računarima: obećavajući, ali ograničeni rezultati

Rutiranje koje se danas piše ručno

U trapped-ion kvantnim računarima kubiti moraju fizički da se pomeraju između segmenata kako bi mogli da međusobno deluju. Autori rada navode da se logika koja raspoređuje ta pomeranja danas piše ručno za svaku novu arhitekturu zamke, što komplikuje prilagođavanje kompajlera kada se raspored hardvera promeni.

Istraživači zato ispituju može li deo tog posla da nauči veliki jezički model. U radu predstavljaju shuttling kompajlere zasnovane na pet LLM-ova i porede njihove rasporede pomeranja sa klasičnim heurističkim rešenjima.

Modeli uče iz heurističkih rasporeda

Svaki od pet modela fino je podešen na rasporedima koje su proizvele ručno kodirane heuristike za linearne i razgranate jednodimenzionalne arhitekture zamki. Ideja nije da model dobije proizvoljan tekstualni zadatak, već da iz primera nauči strukturu problema rutiranja i zatim generiše važeći raspored operacija.

Za kola do 16 kubita fino podešeni modeli uspeli su da generišu važeće rasporede na obe arhitekture korišćene tokom obuke. Uspeh je, prema autorima, bio češći kod manjih brojeva kubita, što ukazuje da složenost problema i dalje brzo raste sa veličinom kola.

Ponekad manje operacija od heuristika

U 12 odsto kompilacija koje su uopšte dale validan raspored, najbolji rezultat među deset pokretanja zahtevao je do 21 odsto manje shuttling operacija od heurističkih baza, nakon dodatnog postprocesiranja zasnovanog na pravilima. To je zanimljiv signal, ali ne znači da LLM sistematski nadmašuje heuristike u svim slučajevima.

Sam rad je zato više demonstracija izvodljivosti nego dokaz da su jezički modeli spremni da zamene specijalizovane kompajlere. Autori eksplicitno ispituju i koliko dobro rešenje prelazi na arhitekture koje model nije video tokom obuke.

Jedan uspeh na novoj arhitekturi, dva jasna neuspeha

Jedno pokretanje jednog fino podešenog modela uspelo je da napravi važeći raspored za ranije neviđenu četvorostruko razgranatu arhitekturu. Autori to opisuju kao preliminarni dokaz da je određeni stepen prenosa između arhitektura moguć.

Međutim, na dve druge nepoznate arhitekture nijedan od testiranih LLM-ova nije proizveo validan raspored. Upravo taj rezultat postavlja važnu granicu: model može da nauči korisne obrasce, ali još ne pokazuje pouzdanu generalizaciju na proizvoljno nov hardver.

Šta rezultat zapravo pokazuje

Najzanimljiviji deo rada nije tvrdnja da će LLM-ovi odmah postati standardni kvantni kompajleri, već pokazivanje da se problem rutiranja može predstaviti tako da model nauči validne sekvence pomeranja iz primera. To otvara prostor za hibridne sisteme u kojima naučeni model predlaže raspored, a formalna ili pravila-zasnovana kontrola proverava i popravlja rezultat.

Za sada, rezultati pokazuju dve stvari istovremeno: na poznatim arhitekturama modeli mogu da sastave validne rasporede za kola do 16 kubita, a u pojedinim slučajevima i da smanje broj operacija; ali čim se arhitektura dovoljno promeni, uspeh nije zagarantovan. Zbog toga je ovaj rad pre korak ka fleksibilnijem kompajliranju nego završeno rešenje.

Granica sadašnjeg pristupa

Rezultati zato traže oprezno čitanje. Iako je jedan model uspeo na ranije neviđenoj četvorostruko razgranatoj arhitekturi, isti pristup nije dao validan raspored na još dve nepoznate arhitekture. To znači da generalizacija još nije stabilna i da bi praktičan sistem morao da ima dodatnu proveru validnosti pre nego što raspored pomeranja jona bude prihvaćen za stvarni hardver.