IonQ, ORNL, Nvidia и Университет Теннесси разработали DQAOA-GPT для квантовой оптимизации

Прорывное сотрудничество между IonQ, Лабораторией Оук-Ридж (ORNL), Nvidia и Университетом Теннесси привело к разработке DQAOA-GPT, гибридной структуры, предназначенной для улучшения процессов квантовой оптимизации. Эта инновационная система сочетает квантовую приближенную оптимизацию с генеративным ИИ, чтобы более эффективно решать сложные комбинаторные задачи по сравнению с традиционными методами.

Ключевое преимущество DQAOA-GPT заключается в его способности синтезировать эффективные квантовые схемы за одно выполнение, что устраняет необходимость в обширных итеративных циклах, которые обычно характеризуют квантовую оптимизацию. Этот подход значительно снижает вычислительные затраты, связанные с оценкой квантовых схем, что особенно важно с учетом ограничений современных устройств квантовой промежуточной шкалы (NISQ).

В тестах с плотными задачами высшего порядка без ограничений (HUBO) структура DQAOA-GPT продемонстрировала значительную экономию затрат по сравнению с традиционными вариационными подходами, достигая высококачественных решений с меньшим количеством оценок схем и более мелкими схемами.

Исследование было отмечено на IEEE Quantum Week (QCE 2026), где статья, описывающая DQAOA-GPT, заняла третье место среди 857 представленных работ. Успех IonQ на конференции включал четыре награды за лучшую статью, что подчеркивает его приверженность развитию гибридных квантово-классических архитектур.

Каждый из участников проекта внес уникальные сильные стороны: Nvidia предоставила инфраструктуру для ускоренных вычислений, IonQ предложила свои высокоточные квантовые устройства на основе захваченных ионов, а ORNL и Университет Теннесси привнесли экспертизу в области высокопроизводительных вычислений и квантовой информационной науки.