Badacze z arXiv poddają krytyce popularne hipotezy o skalowaniu parametrów modeli w kontekście generowania programów kwantowych. Problem polega na tym, że obwody kwantowe wymagają ścisłego zgodności z ograniczeniami matematycznymi, które modele trenowane probabilistycznie nie mogą w pełni zrozumieć. Podczas gdy języki naturalne tolerują pewne niejasności, każdy błąd w programie kwantowym powoduje, że cały obwód staje się bezużyteczny - nie ma tu marginesu dla przybliżeń czy statystycznych domyśleń.
Kluczowym wyzwaniem jest eksponencjalny rozkład liczby poprawnych projektów obwodów wraz ze wzrostem liczby kubitów. Oznacza to, że post-hoc filtrowanie generowanych programów - czyli eliminowanie błędnych wariantów po ich utworzeniu - staje się matematycznie niewykonalne. Model może generować tysiące obwodów, a zaledwie ułamek będzie poprawny, co czyni takie podejście niepraktycznym dla rzeczywistych aplikacji kwantowych.
Zamiast polegać wyłącznie na zwiększaniu parametrów modelu, autorzy proponują fundamentalną zmianę podejścia. Sugerują integrację hierarchicznych ograniczeń, topologicznych masek i symbolicznych proxy bezpośrednio w proces generowania. Architektura powinna być świadoma wymogów weryfikacji i kodować reguły mechaniki kwantowej zamiast uczenia się jedynie przez imitację danych treningowych. To podejście zmienia rolę AI z copyilota mającego pomagać człowiekowi na werifier-centric agent, który sam zapewnia poprawność generowanych rozwiązań.