量子科技中心_量科网

变分量子算法在组合优化问题中的配置仍是一个困难且依赖专家经验的过程，需要协调求解器类型、拟设、目标函数和优化器等多方面选择。本研究提出AutoQResearch——一个基于大语言模型引导的闭环实验框架，将该任务转化为在精选设计空间中的序列化策略搜索。该框架不再局限于单一静态配置，而是搜索能根据可行性、最优性间隙及收敛停滞等诊断指标动态调整后续决策的自适应求解控制策略。系统通过结构化工作流运行：大语言模型代理在固定评估体系下编辑小型策略界面，候选策略经过低成本侦察评估筛选，仅最优方案进入全面验证阶段。这种方法在防范代理过拟合和不稳定选择的同时，实现了受控的自主探索。该团队在最大独立集问题（MIS，16-64个顶点）和带容量约束的车辆路径问题（CVRP）上评估该框架。针对MIS实例，发现的策略显著优于静态基线，并展现出规模依赖性行为：条件风险价值目标在小规模问题中有效，而基于QRAO的量子比特压缩提供了最具扩展性的探索路径。在CVRP课程问题（8-12个客户点）和保留测试集E-n13-k4上，框架发现了涉及采样预算、惩罚设计和混合修复协议的适配策略，可生成高质量解。方法论层面，该团队发现分阶段验证至关重要：低成本代理评估可能严重误判策略质量，甚至导致候选排序倒置。总体而言，本文确立了AutoQResearch作为量子计算与生成式人工智能协同设计的基准工作流，为变分量子优化中的自主求解器发现提供了新范式。