Skip to content

PROJECT_SUMMARY.md

Latest commit

 

History

History
53 lines (39 loc) · 3.06 KB

PROJECT_SUMMARY.md

File metadata and controls

53 lines (39 loc) · 3.06 KB

🚀 FastQuantum: Project Summary & Status Report

🎯 Objectif du Projet

Développer un modèle d'IA ("FastQuantum") capable de prédire instantanément les paramètres optimaux ($\gamma, \beta$) de l'algorithme quantique QAOA pour résoudre le problème MaxCut. L'enjeu : Remplacer la boucle d'optimisation classique (lente et coûteuse en appels QPU) par une prédiction directe via un Graph Neural Network (GNN).

🏗️ Architecture Validée : L'Approche Hybride

Après analyse et benchmarks, nous avons convergence vers une architecture GNN qui combine deux sources d'information complémentaires :

  1. Le Socle (Heuristiques) :
    Nous calculons 7 descripteurs mathématiques pour chaque nœud (Degré, Clustering, PageRank, etc.).

    • Rôle : Capture la structure locale et globale "évidente" du graphe.
    • Performance : Assure 95% de la précision du modèle.

  2. L'Expertise (Positional Encodings - RWPE) :
    Nous injectons des encodages positionnels basés sur des Marches Aléatoires (Random Walk PE).

    • Rôle : Donne au modèle une "carte GPS" précise du graphe, permettant de désambiguïser des nœuds structurellement identiques mais positionnés différemment.
    • Gain : Apporte les derniers % de précision nécessaires pour la physique fine.

🧪 Méthodologie & Réalisations

1. Le "Crash Test" (Benchmark Synthétique)

  • Test : 300 graphes avec cibles aléatoires.
  • Résultat : La Baseline (Heuristiques) a gagné.
  • Leçon : Sur du bruit, un modèle simple est meilleur. Cela a prouvé la robustesse de nos heuristiques mais a montré la limite des données purement aléatoires.

2. Le "Vrai Test" (Benchmark Physics Proxy) generate_physics_proxy.py

  • Innovation : Création d'un générateur de données qui simule les lois de la physique quantique (via le spectre du Laplacien) pour générer les cibles $\gamma, \beta$.
  • Test : 1000 graphes, 100 époques.
  • Résultat : Le RWPE a battu la Baseline et le LPE.
    • Loss RWPE : 0.003056 🏆
    • Loss Baseline : 0.003179
  • Conclusion : Quand il y a une logique structurelle complexe (comme dans la vraie physique), le modèle avancé (RWPE) surpasse les heuristiques simples.

📂 État du Codebase

Le projet est structuré et fonctionnel :

  • GnnmodelGat.py : Le cerveau. Modèle GAT modulaire capable d'ingérer heuristiques + PE.
  • generate_physics_proxy.py : Le simulateur. Génère des milliers de graphes avec une "vérité terrain" physiquement réaliste.
  • benchmark_encoding.py : Le laboratoire. Script complet pour entraîner, comparer et visualiser les performances des différentes stratégies.

🔮 Prochaines Étapes

  1. Industrialisation du Générateur : Configurer le générateur pour inclure des graphes "Hardware-Like" (Géométriques 2D).
  2. Entraînement Massif : Lancer un entraînement sur 10k+ graphes pour figer le modèle final.
  3. Déploiement : Créer l'interface d'inférence (le script qui prend un graphe et sort $\gamma, \beta$).