立场：量子程序生成必须优先考虑有效性而非概率缩放
该论文指出，将概率缩放范式应用于通用量子电路合成是一个方向性错误。量子电路要求严格遵守数学约束，存在显著的语法-语义差距。由于有效电路设计子集随量子比特数量呈指数衰减，事后过滤在数学上难以处理。作者提出从以人为中心的副驾驶转向以验证器为中心的智能体，并将层次约束、拓扑掩码和符号代理直接集成到生成过程中。
一篇发表于ICML 2026的立场论文《Quantum Program Generation Must Prioritize Validity Over Probabilistic Scaling》对当前AI生成量子程序的趋势提出了根本性质疑。该论文由Junhao Song等四位作者撰写，核心论点是：将用于自然语言处理的大规模概率模型范式直接套用到量子电路生成上，是一个方向性错误。
论文指出，量子电路与自然语言存在本质区别。自然语言具有灵活性和容错性，而量子电路必须严格遵循数学约束，例如酉性、可逆性以及希尔伯特空间的线性代数结构。这种严格的约束导致了显著的“语法-语义差距”：模型或许能学会电路的形式语法（如门的类型和连接方式），但无法真正理解其物理语义——即在希尔伯特空间中的实际作用。
更严重的问题是，有效量子电路在全部可能设计中所占的比例随着量子比特数量的增加呈指数级衰减。这意味着，如果依靠模型随机生成大量候选电路，再通过事后验证来筛选有效结果，在计算上将是不可行的。论文作者因此认为，“规模缩放假说”（即增大模型参数能产生涌现推理能力）在量子程序生成领域并不成立。
针对这一困境，论文提出了一种根本性的范式转变：从“以人为中心的副驾驶”（human-centric copilot）转向“以验证器为中心的智能体”（verifier-centric agent）。具体而言，他们建议将层次约束（如量子门集规则）、拓扑掩码（防止非法连接）和符号代理（如象征性表示目标操作）直接编码到生成模型中，使模型在生成过程中就确保有效性，而不是事后过滤。
作者强调，单靠扩大模型规模无法弥合有效性鸿沟。他们呼吁发展“验证感知架构”（verification-aware architectures），这种架构将量子信息领域特有的规则直接融入模型设计，而不是依赖简单的模仿学习。论文认为，这是实现模块化、可扩展量子程序生成的可行路径。
该论文作为一种立场声明，旨在引发学界对AI生成量子程序方法的重新思考。作者承认，他们的提议可能增加初始设计复杂性，但相信长期收益——即生成电路的可靠性和可用性——将远超当前的概率方法。