2026年9月16日——IonQ 是全球领先的全栈量子平台与量子代工厂，今日详细介绍了其与橡树岭国家实验室（ORNL）、NVIDIA 以及田纳西大学诺克斯维尔分校（UT）的联合研究。该研究表明，经过训练的生成模型可以直接编写量子优化电路，从而消除了试错式参数调优循环——正是这一循环让最精确的方法运行成本过高。相关论文本周在多伦多举行的 IEEE Quantum Week 上发布。

混合量子优化将一个大问题拆解为若干较小的部分，逐一求解后再将结果重新组合。每个部分都需要一个量身定制的量子电路，这在传统上需要试错式参数调优：运行、测量、调整、重复，往往要重复数百次。更大的部分可以带来更好的答案，但也会推高调优成本，从而限制了研究人员所能求解问题的规模。 

“在混合量子优化中，更好的答案历来伴随着高昂的调优代价。在这项基准测试中，生成式 AI 取代了迭代调优循环，并且随着量子子问题规模增大，解的质量反而有所提升，”IonQ 量子应用研发副总裁、该论文合著者 Martin Roetteler 博士表示。“把这项成本去掉，你就能在答案真正有意义的规模上开展工作。这一结果为扩展混合量子优化提供了一条潜在路径，有望解锁与 IonQ 现有及未来量子计算硬件世代相契合的全新能力和规模。”

为了让生成模型学会如何调优电路指令，团队先让它了解什么样的结果才算出色。他们在大量采样问题上运行了传统的试错方法，只保留接近最优的电路，并用这些样本训练了一个 transformer——这与大语言模型属于同一类模型，只不过训练数据是电路而非文本。 

训练后的模型直接生成候选量子电路，无需传统方法所用的重复参数调优循环。在论文报告的实验中，模型为每个子问题采样十个候选电路；这十个候选全部经过模拟并打分，得分最高的候选被用于更新全局解。 

在一个包含 100 个决策变量的稠密高阶基准问题上，随着子问题规模增大，模型生成的答案质量大约提升了一倍。在此前的最先进方法下，寻找电路的时间从 4 量子比特上的约 34 秒急剧攀升至 12 量子比特上的 11 分钟以上。而生成式方法在此前测试过的所有规模上都保持在近 28 秒。两种方法都是量子方法；该研究比较的是电路生成方式，而非量子求解器与经典求解器之间的对比。

该研究由 ORNL 牵头。共同作者来自 ORNL 国家计算科学中心及其材料科学与技术部、IonQ、NVIDIA 和 UT。UT 物理与天文学系研究生研究员 Abhinav Rijal 是该研究的共同作者之一。 

“这项工作将生成式 AI、量子计算和高性能计算结合起来，以应对大规模、复杂的优化问题。AI 可以成为量子电路合成的一个新计算层，为日益复杂的问题实现量子电路的自动设计与优化。我们目前正将该框架扩展到现实世界的科学与工程应用中，并在更大的 HPC 系统上对其进行扩展，以应对规模和复杂度都更高的问题，”ORNL 国家计算科学中心的 In-Saeng Suh 博士和 Seongmin Kim 博士表示。 

“利用加速计算和 AI 在量子算法上取得突破，是尽快实现有用量子应用的最有前景的途径之一，”NVIDIA 量子产品总监 Sam Stanwyck 表示。“通过让开发者从一开始就能构建以 AI 为架构核心的量子算法，CUDA-Q 等工具正在为量子计算及其实际应用的下一代进展奠定基础。” 

论文将其结果描述为基准规模的验证。 

研究中的每一个电路都是模拟执行的，而非在量子硬件上运行；模拟借助 NVIDIA CUDA-Q 这一面向量子-GPU 超级计算的开放平台调用 NVIDIA cuQuantum SDK，在橡树岭领导计算设施 Defiant2 系统的单块 NVIDIA H200 GPU 上完成。正是这一环境使比较具有意义：试错方法和生成式方法都运行在完全相同的 GPU 加速基础设施上，从而对两种端到端工作流进行了受控比较。所测得的差异主要反映的是分布式量子近似优化算法（DQAOA）-GPT 以生成式电路合成和固定数量的候选评估，取代了迭代式变分参数优化。