Oak Ridge National Laboratory (ORNL)が主導し、IonQ(NYSE: IONQ)、NVIDIA、テネシー大学ノックスビル校 (UT)が参加する研究共同プロジェクトは、DQAOA-GPTを発表しました。これは、分散量子アルゴリズムにおける反復的なパラメータ調整ループを排除するために、量子最適化回路を直接合成する生成AIフレームワークです。トロントで開催されたIEEE Quantum Week 2026で発表されたこの論文は、スケーリングする量子領域幅にわたるサブ問題評価のための定数時間回路合成を実証し、最優秀論文賞を受賞しました。
このフレームワークは、分散量子近似最適化アルゴリズム（DQAOA）の従来の試行錯誤による変分ループを、高性能な回路プロファイルでトレーニングされたトランスフォーマーモデルに置き換えます。各サブ問題に対して、生成トランスフォーマーは候補となる量子回路を直接出力し、固定された10候補のサンプリングステップで評価された後、グローバルな解パラメータが更新されます。単一のNVIDIA H200 GPUをNVIDIA CUDA-QおよびcuQuantum SDKを介して使用し、100変数の高次非制約二値最適化（HUBO）問題でベンチマークを行ったところ、従来の変分回路最適化時間は34秒（4量子ビット）から11分超（12量子ビット）に増加しました。一方、生成型DQAOA-GPTアプローチは、サブ問題の量子ビット数に関係なく、合成ランタイムを約28秒の一定値に維持し、全体的な解品質を2倍に向上させました。
| [ DQAOA-GPT 対 変分量子回路合成ベースライン ] | ||
|---|---|---|
| 最適化指標 | 従来の変分DQAOA | 生成型DQAOA-GPTフレームワーク |
| 回路合成ランタイム | • 4量子ビット: 約34秒 • 12量子ビット: 11分超（19.4倍の増加） | • 4〜12量子ビット: 約28秒（一定ランタイム） • ゼロ反復パラメータ最適化ループ |
| 解品質のスケーリング | • チューニング遅延コストにより低下・停滞 | • HUBOの解品質が約2倍向上 |
| 計算スタックのベースライン | • 変分古典最適化ループ（GPU） | • トランスフォーマー回路合成 + CUDA-Qスコアリング |
古典的最適化のボトルネックを排除することで、DQAOA-GPTはハイブリッドアルゴリズムが法外な実行オーバーヘッドを発生させることなくサブ問題サイズをスケールできるようにします。このフレームワークは、GPU加速HPCシステムとIonQのイオントラップハードウェアパイプライン全体にわたるスケーラブルなソフトウェア層として機能し、より大規模な実世界の科学・産業最適化ワークロードへの道を開きます。
公式プレスリリースはIonQニュースルームこちらでご覧いただけます。査読済み研究プレプリントはarXivこちらでご覧いただけます。また、IonQのIEEE Quantum Week 2026 HPC/AI研究ポートフォリオに関するこれまでの報道はこちらでご覧いただけます。
2026年9月16日
