IonQ ( IONQ ), Oak Ridge National Laboratory ( ORNL ), Nvidia və Tennessee Universiteti, Knoxville birgə tədqiqat nəşr edərək göstəriblər ki, öyrədilmiş generativ süni intellekt modeli kvant optimallaşdırma sxemlərini birbaşa yaza bilər. Bu, tədqiqatçıların həll edə biləcəyi problemlərin miqyasını məhdudlaşdıran təkrarlanan parametr tənzimləmə prosesini əvəz edir. Məqalə Toronto da keçirilən IEEE Quantum Week 2026 konfransında təqdim edilib və ən yaxşı məqalə mükafatına layiq görülüb. Bu, konfransda qəbul edilmiş doqquz IonQ məqaləsindən biridir. Ənənəvi hibrid kvant optimallaşdırmasında hər bir alt problem təkrarlanan sınaq-səhv tənzimləməsi yolu ilə qurulan xüsusi bir kvant sxemi tələb edir ki, bu da alt problemin ölçüsü böyüdükcə daha çox vaxt aparır. Tədqiqat qrupu, böyük dil modellərində istifadə olunan eyni model sinfi olan bir transformator modelini ənənəvi metodla istehsal olunan optimala yaxın sxemlər üzərində öyrədib, sonra isə onu tənzimləmə dövrü olmadan namizəd sxemlər yaratmaq üçün istifadə edib. 100 qərar dəyişəni olan bir problem üzərində aparılan bençmark testlərində, ənənəvi metodun sxem tapma müddəti 4 kubit üzərində təxminən 34 saniyədən 12 kubit üzərində 11 dəqiqədən çox a yüksəlib. Generativ yanaşma isə bütün sınaqdan keçirilmiş ölçülərdə təxminən 28 saniyə səviyyəsində qalıb. Generativ metod altında alt problemin ölçüsü böyüdükcə həll keyfiyyəti təxminən iki dəfə artıb. Tədqiqatdakı bütün sxemlər kvant avadanlığında işlədilmək əvəzinə, ORNL -in Defiant2 sistemində tək bir Nvidia H200 GPU üzərində CUDA-Q platforması vasitəsilə Nvidia -nın cuQuantum SDK -dan istifadə edilərək simulyasiya edilib. IonQ -nun Kvant Tətbiqləri Ar-Ge üzrə vitse-prezidenti və məqalənin həmmüəllifi Dr. Martin Roetteler bildirib: "Hibrid kvant optimallaşdırmasında daha yaxşı cavablar ənənəvi olaraq yüksək tənzimləmə xərcləri ilə gəlirdi. Bu bençmarkda generativ süni intellekt təkrarlanan tənzimləmə dövrünü əvəz etdi və kvant alt problemləri böyüdükcə həll keyfiyyəti yaxşılaşdı." Tədqiqata ORNL rəhbərlik edib. Məqalə onun nəticələrini bençmark miqyaslı validasiya kimi təsvir edir. Tədqiqat IonQ tərəfindən verilmiş press-relizdəki məlumatlara əsaslanır.