機械学習モデルのパラメータを増やすことで新たな推論能力が生まれるという「スケーリング仮説」は、自然言語処理で大きな成功を収めてきました。しかし、この確率的なアプローチを量子回路の合成に適用することは、根本的な誤りであると主張する論文がarXivに発表されました。自然言語と異なり、量子回路は数学的な制約への厳密な遵守が必須であり、構文と意味論の間に大きなギャップが存在するのです。 量子プログラムの妥当性の問題は深刻です。検証されていない量子プログラムで訓練されたモデルは、構文は習得できても、ヒルベルト空間の物理的意味論を正しく捉えることができません。さらに重大な課題として、有効な回路設計の部分集合は量子ビット数の増加に伴い指数関数的に減衰していきます。このため、事後的なフィルタリングによる補正は数学的に対処不可能となってしまいます。 論文は、人間中心の「コパイロット」アプローチから、検証機構を中心とした「エージェント」へのシフトを提案しています。階層的制約、位相的マスク、記号的プロキシを生成プロセスに直接統合することで、単なる模倣学習ではなく、量子情報の分野固有のルールをエンコーディングすることが重要だと指摘しています。スケールだけでは妥当性のギャップを埋めることはできず、検証を意識した建築設計こそが、モジュラーな量子プログラム生成への実行可能な道筋を提供するということです。