Generatieve AI versnelt kwantumoptimalisatie bij IonQ en ORNL

Het combineren van kwantumcomputers met gewone computers, hybride kwantumoptimalisatie genoemd, is een veelbelovende manier om grote rekenproblemen aan te pakken. Een lastig probleem wordt daarbij opgeknipt in kleinere stukjes, die elk met een eigen kwantumcircuit worden opgelost. Het probleem: elk circuit moest tot nu toe worden 'fijngeslepen' via een hybride kwantum-classiek algoritme, waarbij een computer talloze keren meet, aanpast en opnieuw probeert. Hoe groter het deelprobleem, hoe langer en duurder die zoektocht wordt. Dat beperkte tot nu toe hoe grootschalig onderzoekers konden werken.

Een team van IonQ, ORNL, NVIDIA en de University of Tennessee in Knoxville bedacht een alternatief. Ze trainden een transformer — hetzelfde type AI-model dat achter chatbots als ChatGPT zit, maar dan getraind op kwantumcircuits in plaats van taal — op duizenden voorbeelden van de beste circuits die de traditionele trial-and-error-methode had opgeleverd. Het resultaat is een model dat na training zelf goede circuits kan voorstellen, zonder de tussenstappen van meten en bijstellen.

Constante snelheid, betere resultaten

In de tests genereerde het nieuwe model voor elk deelprobleem tien kandidaat-circuits, simuleerde en beoordeelde die, en gebruikte de beste om de totale oplossing bij te werken. Het verschil met de klassieke aanpak was groot: bij de oude methode liep de tijd om een goed circuit te vinden op van ongeveer 34 seconden bij 4 qubits naar meer dan 11 minuten bij 12 qubits. De nieuwe, generatieve methode bleef steken op ongeveer 28 seconden, ongeacht de grootte van het deelprobleem. Op een testcasus met honderd variabelen verdubbelde de kwaliteit van de gevonden oplossingen bovendien naarmate de deelproblemen groter werden — precies het omgekeerde effect van wat de oude tuningmethode veroorzaakte.

Simulatie op supercomputer, geen echte kwantumchip

Belangrijk is dat alle experimenten zijn uitgevoerd op simulaties, niet op fysieke kwantumhardware. Het onderzoek gebruikte de cuQuantum-software van NVIDIA via het CUDA-Q-platform, draaiend op één NVIDIA H200 GPU in het Defiant2-systeem van de Oak Ridge Leadership Computing Facility. Doordat zowel de oude als de nieuwe methode op exact dezelfde GPU-infrastructuur draaiden, konden de onderzoekers de twee aanpakken eerlijk met elkaar vergelijken. Het onderliggende algoritme heet DQAOA-GPT, een variant op het bekendere QAOA (Quantum Approximate Optimization Algorithm), waarbij het generatieve model de iteratieve parameteroptimalisatie vervangt door directe circuitsynthese.

Volgens Martin Roetteler, vicepresident quantum applications bij IonQ, opent dit de deur naar grotere en zinvollere kwantumberekeningen, omdat de 'tuning tax' wegvalt zodra deelproblemen groter worden. Het onderzoeksteam van ORNL zegt de aanpak nu te willen uitbreiden naar echte wetenschappelijke en technische toepassingen, en te schalen naar grotere supercomputersystemen. Het onderzoek is gepubliceerd op arXiv (2607.20225) en werd deze week gepresenteerd op IEEE Quantum Week in Toronto, waar het een best paper award won.