IonQ、ORNL、Nvidia 和田纳西大学推出 AI 方法来减少量子优化权衡

一种名为 DQAOA-GPT 的新型混合框架使用生成式人工智能一次性创建高效的量子电路，避开了困扰近期量子算法的昂贵的试错循环。

量子计算和人工智能领域的四位重量级人物构建了一个系统，可以重塑我们对量子硬件优化的看法。 IonQ、橡树岭国家实验室、Nvidia 和田纳西大学开发了 DQAOA-GPT，这是一种混合框架，它将量子近似优化与生成式 AI 模型结合起来，比现有方法更有效地解决复杂的组合问题。

核心创新：该系统不是通过数千个迭代循环运行量子处理器来调整电路参数，而是使用预先训练的生成模型一次性合成高效的量子电路。

Gloria Stocks 在一个应用程序中，加密货币在另一个应用程序中，钱包无处不在？凯莱金融将您的整个投资组合一目了然。一起看看→

为什么旧方法昂贵

量子近似优化算法（QAOA）是近期最有前途的量子应用之一。这个想法很简单：将优化问题编码到量子电路中，运行它，测量输出，调整参数，然后重复，直到收敛到一个好的解决方案。

问题在于“重复”部分。每次迭代都需要再次评估量子电路，这意味着量子处理器上有更多的镜头、更深的电路和更多的时间。在当今嘈杂的中规模量子 (NISQ) 设备上，每一次额外的电路评估都会引入更多的噪声并花费更多的钱。这是一组经典的竞争权衡：电路深度与解决方案质量与计算预算。

DQAOA-GPT 直接攻击这个瓶颈。通过训练生成模型来学习问题结构和最佳电路参数之间的关系，该框架可以产生高质量的电路，而无需反复迭代。研究团队在具有多达 100 个决策变量的密集高阶无约束二元优化 (HUBO) 实例上对此进行了测试，这些变量是量子求解器中较难的问题类型之一。

人工智能、科技及其所推动的市场——每日简报。日常的。自由的。加入加密货币、金融和政策领域 34,000 多名读者的行列。电子邮件地址 免费订阅 我们尊重您的隐私。随时取消订阅。

结果表明，与传统的变分方法相比，成本大幅降低，同时保持了具有竞争力的解决方案质量。更少的电路评估、更浅的电路和更少的发射次数加在一起，可以以更便宜的方式获得有用的答案。

IEEE 量子周的认可

详细介绍 DQAOA-GPT 的论文于 2026 年 7 月发布在 arXiv 上，并很快在 IEEE 量子周 (QCE 2026) 上获得认可，在 857 份提交的论文中排名第三。

IonQ 在整个会议上表现出色，在 QCE 2026 上获得了四项最佳论文奖。该公司一直在稳步构建混合量子经典架构方面的研究成果，这项最新工作适合更广泛的产品组合，包括与国家实验室合作伙伴开发的耐噪声优化和电网应用。

每个合作者都带来了独特的优势。英伟达为人工智能组件贡献了其加速计算基础设施。 IonQ 提供了其捕获离子量子硬件，该硬件以高门保真度和全量子位连接而闻名。 ORNL 和田纳西大学提供了高性能计算和量子信息科学交叉领域的专业知识。