ICML 2026で発表された立場論文「Quantum Program Generation Must Prioritize Validity Over Probabilistic Scaling」は、AIによる量子プログラム生成の現在の手法に根本的な疑問を投げかけている。本論文はJunhao Songら4名の著者によるもので、自然言語処理向けに開発された大規模確率モデルのパラダイムを汎用量子回路合成に適用することは、方向性の誤りであると主張する。
論文は、量子回路と自然言語の本質的な違いを指摘する。自然言語は柔軟性と誤り耐性を持つが、量子回路はユニタリ性、可逆性、ヒルベルト空間の線形代数構造などの数学的制約に厳密に従わなければならない。この厳格な制約により、顕著な「構文-意味ギャップ」が生じる。つまり、モデルは回路の形式的な構文（ゲートの種類や接続方法など）を学習できても、その物理的意味——ヒルベルト空間での実際の作用——を真に理解することはできない。
さらに深刻な問題として、全可能設計の中で有効な量子回路が占める割合は、量子ビット数の増加に伴い指数関数的に減少する。そのため、モデルがランダムに大量の候補回路を生成し、事後検証で有効なものを選別するというアプローチは、計算上不可能である。論文の著者らは、「スケーリング仮説」（モデルパラメータの増加が創発的推論能力を生むという考え）は量子プログラム生成の分野では成立しないと結論づける。
この問題に対して、論文は根本的なパラダイムシフトを提案する。すなわち、「人間中心のコパイロット」から「検証器中心のエージェント」への転換である。具体的には、階層的制約（量子ゲートセットのルールなど）、トポロジカルマスク（不正接続の防止）、記号的プロキシ（目標操作の象徴的表現）を生成モデルに直接組み込むことで、生成プロセス中に正当性を保証する。事後フィルタリングに頼るのではなく、最初から有効な回路のみを生成するのである。
著者らは、モデル規模を単純に拡大しても有効性のギャップを埋めることはできないと強調する。彼らは、「検証認識アーキテクチャ」（verification-aware architectures）の開発を提唱する。これは、量子情報分野特有のルールをモデル設計に直接組み込むものであり、単純な模倣学習に依存しない。このアプローチが、モジュール化されスケーラブルな量子プログラム生成の実現可能な道筋であると主張する。
本論文は立場表明として、AIによる量子プログラム生成の方法論について学界の再考を促すものである。著者らは、提案する手法は初期設計の複雑さを増す可能性があることを認めつつも、長期的には生成回路の信頼性と実用性という大きな利益が確率的手法に勝ると述べている。