IonQ, ORNL, Nvidia und die Universität von Tennessee entwickeln DQAOA-GPT für die Quantenoptimierung

Eine bahnbrechende Zusammenarbeit zwischen IonQ, dem Oak Ridge National Laboratory (ORNL), Nvidia und der Universität von Tennessee hat zur Entwicklung von DQAOA-GPT geführt, einem hybriden Framework, das darauf abzielt, die Quantenoptimierungsprozesse zu verbessern. Dieses innovative System kombiniert die Quanten-Approximation-Optimierung mit generativer KI, um komplexe kombinatorische Probleme effektiver zu lösen als traditionelle Methoden.

Der zentrale Fortschritt von DQAOA-GPT liegt in seiner Fähigkeit, effiziente Quanten-Schaltungen in einem einzigen Versuch zu synthetisieren, wodurch die Notwendigkeit umfangreicher iterativer Schleifen, die typischerweise die Quantenoptimierung kennzeichnen, entfällt. Dieser Ansatz reduziert die mit der Bewertung von Quanten-Schaltungen verbundenen Rechenkosten erheblich, was besonders wichtig ist angesichts der Einschränkungen aktueller rauschbehafteter Quanten-Geräte (NISQ).

In Tests mit dichten Higher-order Unconstrained Binary Optimization (HUBO) Instanzen zeigte das DQAOA-GPT-Framework erhebliche Kosteneinsparungen im Vergleich zu herkömmlichen variationalen Ansätzen und erreichte qualitativ hochwertige Lösungen mit weniger Schaltungsbewertungen und flacheren Schaltungen.

Die Forschung wurde auf der IEEE Quantum Week (QCE 2026) anerkannt, wo das Papier, das DQAOA-GPT beschreibt, den dritten Platz von 857 Einreichungen belegte. IonQs starke Leistung auf der Konferenz umfasste vier Auszeichnungen für die besten Arbeiten, was das Engagement des Unternehmens zur Förderung hybrider Quanten-klassischer Architekturen unterstreicht.

Jeder Partner brachte einzigartige Stärken in das Projekt ein: Nvidia stellte die beschleunigte Recheninfrastruktur bereit, IonQ bot seine hochpräzise gefangene Ionen-Quantenhardware an, und ORNL sowie die Universität von Tennessee brachten Expertise in Hochleistungsrechnen und Quanteninformationswissenschaft mit.