何があったのか

発表された研究はDQAOA-GPTと名付けられた枠組みで、分散型量子近似最適化アルゴリズムの回路設計から、変分パラメータを反復調整するループを取り除いたものとされる。ハイブリッド量子最適化は、大きな問題を小さな部分問題に分割し、それぞれを解いて結果を統合する手法に当たり、各部分問題には専用の量子回路が必要になるとみられる。従来はこの回路のパラメータを、実行して測定し調整するという手順で何百回も詰める必要があり、部分問題を大きくすれば精度は上がるものの調整費用も膨らむため、扱える問題規模に制約が生じていたと説明されている。

新しい手法では、高性能な回路の特徴を学習させた変換器モデルが、各部分問題に対して候補回路を直接生成し、10個の候補を評価する固定の手順で解を更新する構造とされる。反復的な変分最適化を生成による回路合成と固定回数の候補評価に置き換えた点が、性能差の主因に当たると説明されている。研究に用いられた回路はすべて実機ではなく、NVIDIAのcuQuantumおよびCUDA-Qを介して、オークリッジのDefiant2システム上の単一のH200 GPUで模擬計算されたとされる。試行錯誤方式と生成方式を同一のGPU基盤で走らせたことで、両手法の比較が公正に成立したとみられる。この論文はIEEE Quantum Week 2026で最優秀論文賞を受けたとされる。

なぜ起きたのか

背景には、量子計算の実用化を阻む要因が、量子ビットの数や誤り率だけでなく、回路を設計しコンパイルする古典側の工程にも存在するという認識があるとみられる。試行錯誤による調整は問題規模の拡大とともに費用が急増するため、最も精度の高い手法ほど実行費用が高くつき、現実には走らせにくいという逆説が生じていたとされる。生成AIによる直接合成は、この費用構造を、問題が大きくなっても評価回数を一定に保つ形へ置き換える狙いを持つと考えられる。装置の性能向上には長い年数を要する一方、設計工程の効率化は古典側のソフトウェアの改良で進められるため、実用化までの距離を別の経路から縮める試みとして位置づけられるとみられる。