QuantumMind:量子计算中加速分析的基于约束的智能体推理
摘要
QuantumMind 提出了一种可审计的智能体工作流,通过类型化角色专用操作和确定性验证器,自动生成并筛选量子加速假设。
arXiv:2608.07743v1 公告类型:新
摘要:识别有意义的量子加速不仅仅是把经典问题匹配到熟悉的量子原语:该主张必须保持任务不变,尊重访问和输出模型,暴露所需的承诺,并保持在可辩护的复杂度范围内。我们提出了 QuantumMind,一个可审计的智能体工作流,用于生成并保守地筛选量子加速假设。一个固定序列的类型化、角色专用动作将公共任务形式化,分析结构和经典瓶颈,匹配源链接的量子原语和障碍注册表,并构建一个有范围限制的候选方案。一个确定性的十项检查验证器给出权威裁决;完成的状态被编译成量子加速证据图,并通过一个只能向下、不能强化决策的研究筛选器。我们在 582 个相同的开放发现任务上,将 QuantumMind 与七个任务自适应提示和智能体控制进行了评估。在冻结的开放发现评分(ODS)下,QuantumMind 的平均 ODS 为 53.1,超过最强基线 17.3 分(相对提升 48.2%),并在 582 个配对任务中赢得 355 个。它在 99.8% 的任务上通过图谱审计,而最强基线为 43.6%,并在所有七个任务族中排名第一。结果表明,类型化状态转换和确定性证据控制的作用超越了仅靠流畅生成。
查看缓存全文
缓存时间: 2026/08/11 08:03
# 面向量子计算加速分析的约束锚定代理推理 来源:https://arxiv.org/html/2608.07743 ###### 摘要 识别有意义的量子加速需要的不仅仅是将经典问题匹配到熟悉的量子原语:该断言必须保留任务、尊重访问和输出模型、暴露所需的承诺,并保持在可辩护的复杂度范围内。我们提出 QuantumMind,一个用于生成并保守筛选量子加速假设的可审计代理工作流。一个固定的、类型化的、角色专用动作序列形式化公共任务,分析结构和经典瓶颈,匹配一个带来源链接的量子原语与障碍注册表,并构建一个有范围的候选方案。一个确定性十项检查验证器给出权威判定;完成的状态随后被编译成一个量子加速证据图,并经过一个只能降级而不能强化决策的单向研究筛选。我们在 582 个相同的开放发现任务上,将 QuantumMind 与七个任务自适应提示和代理控制进行比较。在冻结的开放发现评分(ODS)下,QuantumMind 获得 53.1 的平均 ODS,超过最强基线 17.3 分(相对提升 48.2%),并在 582 个配对任务中对该基线赢得 355 个。它在 99.8% 的任务上通过图审计,而最强基线为 43.6%,并且在全部七个任务族中排名第一。结果表明,类型化状态转换和确定性证据控制所贡献的,超出了流畅生成本身。 ## 引言 量子加速出现在计算问题满足量子原语的结构和操作要求时。因子分解可归约为周期发现,非结构化见证搜索允许振幅放大,碰撞结构可支持量子行走,而稀疏线性系统在访问、条件数、态制备和输出可观测性的限制性假设下可能表现出有利的量子复杂度(Shor1994 (https://arxiv.org/html/2608.07743#bib.bib1); Grover1996 (https://arxiv.org/html/2608.07743#bib.bib2); Brassardet al.2000 (https://arxiv.org/html/2608.07743#bib.bib3); Ambainis2007 (https://arxiv.org/html/2608.07743#bib.bib4); Harrowet al.2009 (https://arxiv.org/html/2608.07743#bib.bib5))。这些结果常常以其主要的加速效果来概括,但该断言只有相对于一个精确的计算模型才是有意义的。当预言机构造、输入加载、可逆实现、输出恢复或经典后处理主导总成本时,预言机查询层面的改进可能不会带来端到端的优势(Aaronson2015 (https://arxiv.org/html/2608.07743#bib.bib43); Tang2019 (https://arxiv.org/html/2608.07743#bib.bib50))。 系统性分析必须保留原始任务,同时联合检查其经典瓶颈、访问模型、输出契约、结构承诺、障碍和可辩护的断言范围。这些依赖关系跨越经典算法、量子查询模型和领域特定表述,使得广泛且一致的覆盖变得困难。 最近的 AI 系统表明,当生成与有依据的反馈相结合时,可以有效地扩展科学和算法搜索。强化学习系统已经发现了矩阵乘法程序和底层排序算法,而基于语言模型的系统则产生了可执行的数学构造和形式化几何证明(Fawziet al.2022 (https://arxiv.org/html/2608.07743#bib.bib6); Mankowitzet al.2023 (https://arxiv.org/html/2608.07743#bib.bib7); Romera-Paredeset al.2024 (https://arxiv.org/html/2608.07743#bib.bib8); Trinhet al.2024 (https://arxiv.org/html/2608.07743#bib.bib9))。科学代理越来越多地将假设形成、文献使用、实验和批判组织成结构化工作流(Desaiet al.2025 (https://arxiv.org/html/2608.07743#bib.bib10); Brahmavaret al.2024 (https://arxiv.org/html/2608.07743#bib.bib11); Yanget al.2025 (https://arxiv.org/html/2608.07743#bib.bib23))。在这些设置中,候选评估基于执行、形式化演绎、实验或机器可测试的约束,从而限制开放式的生成(Zhonget al.2026 (https://arxiv.org/html/2608.07743#bib.bib55))。 量子加速分析缺乏同样简单的验收测试。代表性的 AI 用于量子计算的工作涉及纠错、硬件拓扑、实验室控制和量子编程(Choukroun and Wolf2024 (https://arxiv.org/html/2608.07743#bib.bib18); Liet al.2025 (https://arxiv.org/html/2608.07743#bib.bib19); Caoet al.2024 (https://arxiv.org/html/2608.07743#bib.bib27); Fuet al.2025 (https://arxiv.org/html/2608.07743#bib.bib28))。可执行的量子代码生成基准进一步表明,看似合理的程序在语义或算法上可能仍然不正确(Guoet al.2025 (https://arxiv.org/html/2608.07743#bib.bib29); Mikuriyaet al.2025 (https://arxiv.org/html/2608.07743#bib.bib30))。更广泛地说,对研究代理的评估揭示了精美研究产出与在客观或基于复现的标准下表现之间的差距(Wijket al.2024 (https://arxiv.org/html/2608.07743#bib.bib24); Staraceet al.2025 (https://arxiv.org/html/2608.07743#bib.bib25); Xianget al.2025 (https://arxiv.org/html/2608.07743#bib.bib26); Zhanget al.2026 (https://arxiv.org/html/2608.07743#bib.bib54))。对于量子算法,核心风险出现得更早:一个提案可能在局部与已知原语兼容,却改变了任务、假设了不可用的相干访问、将原始计算负担隐藏在预言机中,或将查询层面的改进升级为端到端断言(Aaronson2015 (https://arxiv.org/html/2608.07743#bib.bib43))。 因此,我们将 AI 辅助的量子加速分析表述为_有界假设生成_,而非自动算法发现(Zhouet al.2024 (https://arxiv.org/html/2608.07743#bib.bib56); Xionget al.2025 (https://arxiv.org/html/2608.07743#bib.bib59); Huanget al.2025 (https://arxiv.org/html/2608.07743#bib.bib57); Fawziet al.2022 (https://arxiv.org/html/2608.07743#bib.bib6))。生成模型可以提出结构、原语匹配、复杂度表达式和候选方案,但不能授权或强化它们自己的结论(Panicksseryet al.2024 (https://arxiv.org/html/2608.07743#bib.bib58); Xionget al.2025 (https://arxiv.org/html/2608.07743#bib.bib59); Kapooret al.2024 (https://arxiv.org/html/2608.07743#bib.bib47))。相反,断言受到不可变的公共问题事实、一个经过整理并带来源链接的原语与障碍注册表、确定性验证规则以及一个明确范围的约束(Donget al.2025 (https://arxiv.org/html/2608.07743#bib.bib40); Luet al.2025 (https://arxiv.org/html/2608.07743#bib.bib41); Kapooret al.2024 (https://arxiv.org/html/2608.07743#bib.bib47))。我们将由此产生的支持称为_表示相对性_:它根据序列化的公共问题、注册表和所声明的范围来评估,而不是依据算法正确性的外部证明。这创造了一种不对称的信任架构:模型扩展候选空间,而确定性机制限制每个候选可以主张什么。 我们在 QuantumMind 中实例化这一原则。一个确定性编排器执行九个类型化动作,用于形式化、结构分析、原语匹配、障碍与先前工作评估、方案生成和有界评审。每个动作都有严格的输出模式、可读上下文白名单和确定性合并策略。一个十项检查验证器给出权威判定。离线附属模块随后编译一个*量子加速证据图*(QAEG),并应用一个单向降级研究筛选,检查输出对齐、访问升级、预言机风险和经典基线状态。这两个附属模块都不能升级决策。 在 582 个配对任务上,QuantumMind 达到 53.1 的平均 ODS,而七个提示和代理控制中最强的为 35.8。它在该基线上赢得 355 个任务、平局 98 个、输掉 129 个;在 99.8% 的任务上通过图审计,而基线为 43.6%;并在七个任务族中的每一个中排名第一。仅由评审者评估的质量维度在各系统之间要接近得多,这表明主要差异来自于产生与验证器一致、可审计的状态,而不仅仅是面向评审者的流畅性。 我们的贡献有三点: - •我们将量子加速分析形式化为有范围的、表示相对的假设生成:只有当候选的结构、访问、输出、承诺、复杂度证书、障碍和先前工作范围满足显式注册表义务时,该候选才被授权。 - •我们提出 QuantumMind,它将类型化代理提案生成与确定性断言授权、证据图审计和单向降级研究筛选分离开来。 - •我们构建了一个包含 582 个任务和七个任务自适应控制的配对开放发现评估。在冻结的 ODS 评分规则下,QuantumMind 在每个任务族中均排名第一,并超过最强基线 17.3 分。 ## 相关工作 ### AI 用于科学与算法发现 AlphaTensor 和 AlphaDev 使用强化学习搜索改进算法,而 FunSearch 将语言模型生成与可执行评估相结合,AlphaGeometry 将神经提案与符号演绎相结合(Fawziet al.2022 (https://arxiv.org/html/2608.07743#bib.bib6); Mankowitzet al.2023 (https://arxiv.org/html/2608.07743#bib.bib7); Romera-Paredeset al.2024 (https://arxiv.org/html/2608.07743#bib.bib8); Trinhet al.2024 (https://arxiv.org/html/2608.07743#bib.bib9))。最近的系统将这种模式扩展到科学工作流:AutoSciLab 支持可解释的实验室发现,逻辑反馈方法施加机器可测试的化学约束,The AI Scientist 自动化机器学习研究周期的大部分内容,SciAgents 使用本体图推理进行材料假设,MOOSE-Chem 研究化学中的假设再发现(Desaiet al.2025 (https://arxiv.org/html/2608.07743#bib.bib10); Brahmavaret al.2024 (https://arxiv.org/html/2608.07743#bib.bib11); Luet al.2024 (https://arxiv.org/html/2608.07743#bib.bib21); Ghafarollahi and Buehler2025 (https://arxiv.org/html/2608.07743#bib.bib22); Yanget al.2025 (https://arxiv.org/html/2608.07743#bib.bib23))。QuantumMind 同样以扩展搜索空间为目标,但它不假设一个可执行分数就能确立即科学有效性。相反,它同时记录所表示的支持和未解决的义务。 ### 代理工作流与研究评估 ReAct 将推理和工具使用交织在一起,而 AutoGen 和 MetaGPT 通过对话或工作流结构协调多个模型调用(Yaoet al.2022 (https://arxiv.org/html/2608.07743#bib.bib12); Wuet al.2023 (https://arxiv.org/html/2608.07743#bib.bib13); Honget al.2024 (https://arxiv.org/html/2608.07743#bib.bib14); Liet al.2026 (https://arxiv.org/html/2608.07743#bib.bib44); Zhaoet al.2026 (https://arxiv.org/html/2608.07743#bib.bib53))。VerilogCoder 和检索增强的药物发现代理等领域系统增加了执行或外部证据,最近的故障定位工作主张识别哪一个阶段引入了错误(Hoet al.2025 (https://arxiv.org/html/2608.07743#bib.bib15); Leeet al.2026 (https://arxiv.org/html/2608.07743#bib.bib16); Genget al.2026 (https://arxiv.org/html/2608.07743#bib.bib17))。互补的基准根据客观任务、复现评分规则或可执行实现来评估研究代理(Wijket al.2024 (https://arxiv.org/html/2608.07743#bib.bib24); Staraceet al.2025 (https://arxiv.org/html/2608.07743#bib.bib25); Xianget al.2025 (https://arxiv.org/html/2608.07743#bib.bib26))。QuantumMind 与不受限制的多代理对话不同:它使用一个由固定类型化动作表实例化的通用代理,并且代理之间的一致意见永远不会决定权威判定。 ### AI 用于量子计算与可审计断言控制 AI 用于量子计算的研究已经涉及纠错、处理器拓扑和自主实验室操作(Choukroun and Wolf2024 (https://arxiv.org/html/2608.07743#bib.bib18); Liet al.2025 (https://arxiv.org/html/2608.07743#bib.bib19); Caoet al.2024 (https://arxiv.org/html/2608.07743#bib.bib27))。一个不断增长的相邻文献研究基于 LLM 的量子编程及其可执行评估,包括自主 OpenQASM 生成以及功能和语义正确性基准(Fuet al.2025 (https://arxiv.org/html/2608.07743#bib.bib28); Guoet al.2025 (https://arxiv.org/html/2608.07743#bib.bib29); Mikuriyaet al.2025 (https://arxiv.org/html/2608.07743#bib.bib30))。这些工作通常假设目标量子程序或任务已经被指定。QuantumMind 则在更上游运作:它询问一个被表示的经典任务是否满足已注册量子原语的前提条件,以及什么样的断言范围是可支持的。 知识图提供实体、关系、来源和证据的类型化表示(Hoganet al.2021 (https://arxiv.org/html/2608.07743#bib.bib20)),科学代理已经使用图结构来检索跨领域概念并生成假设(Ghafarollahi and Buehler2025 (https://arxiv.org/html/2608.07743#bib.bib22); Moreauet al.2011 (https://arxiv.org/html/2608.07743#bib.bib52))。QAEG 的作用更窄。它是在常规工作流之后确定性地编译出来的,不引入新证据,也不使用学习到的图模型进行规划或排序。因此,QuantumMind 分离了三个不可互换的输出:权威验证器判定、图完整性状态,以及一个非权威的研究处置。一个负面断言可以具有有效的图,而一个表示相对的正向断言仍可能因未解决的输出、访问、预言机或基线假设而被降级。 ## 方法 给定一个被表示的经典任务,系统必须做出两个相关但不相同的决策:哪个已注册的量子原语是合理匹配,以及根据所陈述的访问模型、输出、承诺和成本,可以证明多强的断言。语言模型对于提出映射和方案是有用的,但同一个生成过程不应该授权它自己引入的假设。因此,QuantumMind 将类型化的*提案平面*与确定性的*授权平面*分开([图1](#Sx3.F1))。 授权之后还有两个进一步的问题。首先,单独的判定不能展示任务事实、注册表要求、障碍和复杂度声明如何相互支持;QAEG 暴露了这些依赖关系。其次,一个内部一致的查询层断言仍然可能是泛泛的或不切实际的;因此研究筛选可以将其降级或推迟,但绝不会强化它。ODS 仅在之后用于评估。简而言之,代理可以提出断言,而确定性机制控制系统允许保留什么。 参见图注 图1:QuantumMind 将类型化提案构建与确定性授权分离开来。QAEG 暴露了决策背后的支持,研究筛选只能降级或推迟已完成运行。ODS-v1 仅用于评估。 ### 类型化提案平面 专业角色有助于分解形式化、经典分析、量子匹配和批判,但它们必须锚定在同一任务上。因此,我们使用一个共享的类型化状态,而不是自由形式的代理间对话。 设 xx 为*公共任务规范*:陈述、输入和访问模型、输出契约、承诺、规模
相似文章
QART: 一个用于长程推理的量子-经典混合架构 -- 探索量子扩展的条件路径
本文介绍了QART,一种量子-经典混合架构,通过集成量子编码和优化,增强了大语言模型中的长程推理能力,并在多个基准测试中展示了性能提升。
观点:量子程序生成必须优先考虑有效性而非概率性扩展
这篇观点文章认为,由于严格的数学约束,生成模型的概率性扩展不足以用于量子电路生成,并提出了集成形式化方法的验证感知架构。
工具即连续流:用于演进式智能体推理
本文介绍了 FlowAgent,这是一个新颖的框架,它利用条件流匹配将工具链重新概念化为连续轨迹生成,以提高长时序智能体推理的鲁棒性。
量子启发式轨迹增强证据选择:用于结构化假设空间推理
本文介绍了一种量子启发式方法EP-HUBO,它将链式思维推理中的证据选择视为组合优化问题,通过允许少数但正确的假设覆盖嘈杂的多数,在MMLU-Pro法律和LEXam等法律推理基准测试中显著提升了性能。
通过自我调节的模拟规划实现高效代理推理
介绍了 SR²AM,一种通过自我调节的模拟规划实现高效代理推理的框架,在推理 token 减少 26-95% 的同时,达到了与 20-30 倍参数规模模型相竞争的性能。