12變數約28秒：IonQ與輝達以GPU驗證100變數量子最佳化

IonQ($IONQ)、輝達($NVDA)、橡樹嶺國家實驗室與田納西大學研究團隊提出一種利用生成式人工智慧最佳化量子電路的方法。在最多包含100個決策變數的問題實驗中，DQAOA-GPT的執行時間較短，但相關驗證是在GPU模擬環境中完成，並非實際量子電腦。

研究團隊於7月22日公開論文《DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems》。論文說明，這套架構會先將大型組合最佳化問題拆分成較小的子問題，再由GPT生成模型針對各子問題產生量子電路與參數。

既有的分散式量子近似最佳化演算法（DQAOA）需要反覆執行量子電路、測量結果，再重新調整古典參數。隨著問題規模擴大，電路評估與參數更新所需的計算負擔也會增加。

DQAOA-GPT則由訓練完成的GPT模型分析子問題結構，生成量子電路與參數。研究團隊表示，這種方法可能減少既有演算法中反覆進行量子與古典回饋的過程。

實驗以最多包含100個決策變數的高階無約束二元最佳化（HUBO）問題為對象。研究團隊在橡樹嶺國家實驗室的高效能運算環境中，使用輝達H200 GPU、CUDA-Q與cuQuantum比較兩種方法。

當子問題包含4個變數時，既有DQAOA的執行時間約為33.80秒。子問題擴大至12個變數後，執行時間增加至約683.99秒；在相同條件下，DQAOA-GPT則維持在約28秒。

相對準確度會隨子問題規模改變。在4個變數的條件下，DQAOA的相對準確度約為0.38，DQAOA-GPT約為0.36；變數增加至12個時，最高約升至0.78。

論文指出，利用生成式AI生成電路，可能緩和子問題規模擴大所帶來的準確度與計算成本取捨。不過，這些數值是在特定模擬環境中取得，不能直接代表實際工作環境的效能。

本次實驗在單一GPU上依序處理子問題。研究團隊提出，若將子問題平行分配至多個GPU與運算節點，執行時間可能進一步縮短，但本次實驗並未直接驗證平行擴展效果。

實際量子硬體的適用性仍是待解問題。論文將本次結果定位為基準規模的驗證，並未說明IonQ實際量子硬體是否取得優於既有方法的效能。

這項研究也顯示，量子運算研究需要區分模擬效能與硬體效能。即使GPU上的電路計算速度提高，實際設備仍須另外評估電路錯誤、測量結果波動，以及不同硬體的執行條件。

IonQ於9月15日表示，DQAOA-GPT論文在IEEE量子運算與工程會議（QCE 2026）的「Quantum–GenAI Co-Design & Co-Discovery」主題中，從857件研究投稿中排名第3。IonQ將這項研究介紹為與橡樹嶺國家實驗室、輝達及田納西大學共同完成的研究。

本刊此前曾報導，企業量子轉型驗證平台新增IonQ量子電腦。

不過，這項研究的重點並非提升量子電腦本身效能，也不是虛擬資產安全，而是透過GPU模擬測試生成式AI能否在量子最佳化過程中負責電路生成與重複計算。

IonQ量子硬體上的可重現性、擴展至多個GPU與運算節點後的執行時間，以及在大型業務問題中的有效性，仍有待後續研究確認。