立場：量子程序生成必須優先考慮有效性而非概率縮放
該論文指出，將概率縮放範式應用於通用量子電路合成是一個方向性錯誤。量子電路要求嚴格遵守數學約束，存在顯著的語法-語義差距。由於有效電路設計子集隨量子比特數量呈指數衰減，事後過濾在數學上難以處理。作者提出從以人為中心的副駕駛轉向以驗證器為中心的智能體，並將層次約束、拓撲掩碼和符號代理直接集成到生成過程中。
一篇發表於ICML 2026的立場論文《Quantum Program Generation Must Prioritize Validity Over Probabilistic Scaling》對當前AI生成量子程序的趨勢提出了根本性質疑。該論文由Junhao Song等四位作者撰寫，核心論點是：將用於自然語言處理的大規模概率模型範式直接套用到量子電路生成上，是一個方向性錯誤。
論文指出，量子電路與自然語言存在本質區別。自然語言具有靈活性和容錯性，而量子電路必須嚴格遵循數學約束，例如酉性、可逆性以及希爾伯特空間的線性代數結構。這種嚴格的約束導致了顯著的“語法-語義差距”：模型或許能學會電路的形式語法（如門的類型和連接方式），但無法真正理解其物理語義——即在希爾伯特空間中的實際作用。
更嚴重的問題是，有效量子電路在全部可能設計中所佔的比例隨着量子比特數量的增加呈指數級衰減。這意味着，如果依靠模型隨機生成大量候選電路，再通過事後驗證來篩選有效結果，在計算上將是不可行的。論文作者因此認為，“規模縮放假説”（即增大模型參數能產生湧現推理能力）在量子程序生成領域並不成立。
針對這一困境，論文提出了一種根本性的範式轉變：從“以人為中心的副駕駛”（human-centric copilot）轉向“以驗證器為中心的智能體”（verifier-centric agent）。具體而言，他們建議將層次約束（如量子門集規則）、拓撲掩碼（防止非法連接）和符號代理（如象徵性表示目標操作）直接編碼到生成模型中，使模型在生成過程中就確保有效性，而不是事後過濾。
作者強調，單靠擴大模型規模無法彌合有效性鴻溝。他們呼籲發展“驗證感知架構”（verification-aware architectures），這種架構將量子信息領域特有的規則直接融入模型設計，而不是依賴簡單的模仿學習。論文認為，這是實現模塊化、可擴展量子程序生成的可行路徑。
該論文作為一種立場聲明，旨在引發學界對AI生成量子程序方法的重新思考。作者承認，他們的提議可能增加初始設計複雜性，但相信長期收益——即生成電路的可靠性和可用性——將遠超當前的概率方法。