2026年9月3日——量子计算机为求解即便是最强大的经典机器也难以处理的优化问题提供了一条途径。作为量子计算研究中的一种基础方法，量子近似优化算法（QAOA）是一种领先的混合经典-量子算法，旨在解决金融、物理学和机器学习等领域中复杂的组合优化问题。借助ALCF的Polaris超级计算机，来自JPMorganChase（摩根大通）和阿贡国家实验室的研究人员证明，QAOA能够高效地逼近一个具有挑战性的无序系统模型的近似解，为量子算法的性能和可扩展性提供了新的见解。

Sherrington-Kirkpatrick（SK）模型已成为理解复杂能量景观行为的关键工具。在最坏情况下，寻找其精确基态是一个NP-hard优化问题，即使求近似解，在经典机器上通常也需要超多项式时间。虽然如QAOA等量子算法被提出以超越经典方法，但过去针对SK模型上QAOA的研究受指数级计算成本限制，未能探索较大电路深度。

为了突破这一瓶颈，研究人员利用ALCF的Polaris超级计算机，通过将SK模型映射到一个耦合多个玻色子模式的自旋-1/2粒子，开发了一种在无限尺寸极限下计算QAOA平均能量的方法。研究团队使用张量网络模拟，特别是矩阵乘积态（MPS）技术，在约束纠缠并截断Fock空间维度的同时，高效地对这一自旋-玻色子系统进行建模。通过将工作负载分布在多达160个NVIDIA GPU上，Polaris实现了大规模并行模拟，QAOA参数优化至深度p = 80，能量计算至p = 160。

研究团队证明，随着电路深度的增加，QAOA对SK模型最优能量的逼近效果逐步改善，在深度160时偏差达到2.2%。他们的分析表明，可以在以O(n/ε^1.13)为规模的时间尺度内实现(1 – ε)近似，这为相对于经典方法的潜在多项式量子加速提供了数值证据。当使用来自无限尺寸模拟的参数应用于有限尺寸SK实例（最多30个量子比特）时，QAOA获得与理论预测一致的成功概率，表明它能够在平均情况下高效地近似求解SK模型。

该团队的研究提供了迄今最强有力的数值证据，表明QAOA能够高效地求解SK模型的近似解。这里开发的技术不仅拓展了QAOA模拟的前沿，也为评估量子优势提供了实用基准。随着量子硬件的持续发展，这些发现支持了QAOA作为面向金融、物理学及其他领域组合优化问题的可扩展算法的前景。