論文の概要: SCALAR: A Neurosymbolic Framework for Automated Conjecture and Reasoning in Quantum Circuit Analysis

• arxiv url: http://arxiv.org/abs/2605.10327v1
• Date: Mon, 11 May 2026 10:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.730275
• Title: SCALAR: A Neurosymbolic Framework for Automated Conjecture and Reasoning in Quantum Circuit Analysis
• Title（参考訳）: SCALAR: 量子回路解析における自動導出と推論のためのニューロシンボリックフレームワーク
• Authors: Sean Feeney, Pooja Rao, Andreas Klappenecker, Reuben Tate, Yuri Alexeev, Stefano Mensa, Elica Kyoseva, Stephan Eidenbenz,
• Abstract要約: 量子回路解析における自動予想生成のための神経象徴的フレームワークであるSCALARを提案する。 このシステムは、量子シミュレーション、シンボリック予想生成、LLMベースの解釈を統合する。 グラフクラスや量子回路深度に対する感度を含む,生成した予想の精度,一般性,限界について論じる。
• 参考スコア（独自算出の注目度）: 1.5084818199355905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present SCALAR (Symbolic Conjecture and LLM-Assisted Reasoning), a neurosymbolic framework for automated conjecture generation in quantum circuit analysis built on top of the CUDA-Q open source framework. The system integrates quantum simulation, symbolic conjecture generation, and LLM-based interpretation. We evaluate SCALAR on 82 MaxCut instances from the MQLib benchmark dataset and extend the analysis to 2,000 randomly generated graphs across four topologies: regular, Erdos-Renyi, Barabasi-Albert, and Watts-Strogatz. The framework generates conjectured bounds relating optimal QAOA parameters to graph invariants, including known relationships such as periodicity constraints on the phase separation parameter $γ$. SCALAR also recovers previously reported parameter transfer phenomena across structurally similar instances. Additionally, the system identifies correlations between graph structural features and optimization landscape properties, which we characterize through invariant-based descriptors. Using CUDA-Q tensor network simulator, we scale experiments to instances of up to 77 qubits. We discuss the accuracy, generality, and limitations of the generated conjectures, including sensitivity to graph class and quantum circuit depth.
• Abstract（参考訳）: 本稿では、CUDA-Qオープンソースフレームワーク上に構築された量子回路解析において、自動予想生成のための神経象徴的フレームワークであるSCALAR(Symbolic Conjecture and LLM-Assisted Reasoning)を提案する。 このシステムは、量子シミュレーション、シンボリック予想生成、LLMベースの解釈を統合する。 MQLibベンチマークデータセットから82のMaxCutインスタンス上でSCALARを評価し,解析結果を正則,エルドス・レニイ,バラバシ・アルベルト,ワッツ・ストロガッツの4つのトポロジでランダムに生成した2000のグラフに拡張した。 このフレームワークは、位相分離パラメータ$γ$の周期性制約のような既知の関係を含む、グラフ不変量に対する最適QAOAパラメータに関連する予想境界を生成する。 SCALARはまた、構造的に類似したインスタンス間で以前に報告されたパラメータ転送現象を回復する。 さらに,グラフ構造の特徴とランドスケープ特性の相関関係を同定し,不変な記述子によって特徴付ける。 CUDA-Qテンソルネットワークシミュレータを用いて、実験を最大77量子ビットのインスタンスにスケールする。 グラフクラスや量子回路深度に対する感度を含む,生成した予想の精度,一般性,限界について論じる。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
  ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。 現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。 本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
  論文  参考訳（メタデータ） (2025-04-26T10:05:04Z)
• Communities in the Kuramoto Model: Dynamics and Detection via Path Signatures [1.024113475677323]
  本研究では,連続経路の幾何学的および時間的特性を符号化する数学的枠組みである経路シグネチャの利用を提案する。 本研究では,観測時系列から構造的コミュニティを正確に復元する,署名に基づく新しいコミュニティ検出アルゴリズムを提案する。 その結果,パスシグネチャは複雑なニューラルネットワークや他の高次元システムの解析において,新たな視点を提供することが示された。
  論文  参考訳（メタデータ） (2025-03-21T21:41:48Z)
• Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks [53.10674067060148]
  共有インタラクション(SI)は、複数のノード間のノードのコントリビューションとインタラクションを定量化する。 GNNアーキテクチャを利用して、ノード埋め込みにおける相互作用の構造がグラフ予測のために保存されていることを示す。 任意の順序SIを正確に計算するための効率的なアプローチであるGraphSHAP-IQを導入する。
  論文  参考訳（メタデータ） (2025-01-28T13:37:44Z)
• Quantum walk informed variational algorithm design [0.0]
  量子変分アルゴリズム(QVA)における振幅伝達の解析のための理論的枠組みを提案する。 制約のない,制約のない新規最適化のためのアルゴリズムを開発する。 既存のQVAよりもコンバージェンスが改善された。
  論文  参考訳（メタデータ） (2024-06-17T15:04:26Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Sequential measurements, TQFTs, and TQNNs [0.0]
  スケールフリーアーキテクチャで汎用量子情報を実装する新しい手法を提案する。 システムの境界となるホログラフィック画面から導出される測定演算子によって導出される有限ビット列が、観測結果をどのように捉えているかを示す。 解析を拡張して、トポロジカル量子ニューラルネットワーク(TQNN)を開発し、量子ニューラルネットワーク2-複素方程式の関手進化による機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-05-26T06:37:57Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• Chaos and Complexity from Quantum Neural Network: A study with Diffusion Metric in Machine Learning [0.0]
  量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。 統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
  論文  参考訳（メタデータ） (2020-11-16T10:41:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。