IonQ và Nvidia mô phỏng bài toán 100 biến trên GPU, giải bài toán con 12 biến trong 28 giây

IonQ($IONQ), Nvidia($NVDA), Phòng thí nghiệm quốc gia Oak Ridge và các nhà nghiên cứu thuộc Đại học Tennessee đã đề xuất phương pháp tối ưu hóa mạch lượng tử bằng trí tuệ nhân tạo tạo sinh, qua đó giảm gánh nặng tính toán lặp lại. Trong thử nghiệm với các bài toán có tối đa 100 biến quyết định, DQAOA-GPT cho thời gian chạy ngắn hơn phương pháp hiện có, nhưng quá trình xác minh được thực hiện bằng mô phỏng GPU thay vì máy tính lượng tử thực tế.

Ngày 22 tháng 7 năm 2026, nhóm nghiên cứu công bố bài báo có tên ‘DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems’. Bài báo trình bày cấu trúc chia các bài toán tối ưu hóa tổ hợp quy mô lớn thành những bài toán con, sau đó dùng mô hình tạo sinh dựa trên GPT để tạo mạch lượng tử và tham số phù hợp với từng bài toán.

Thuật toán tối ưu hóa gần đúng lượng tử phân tán (DQAOA) hiện nay lặp lại quy trình chạy mạch lượng tử, đo kết quả rồi điều chỉnh các tham số cổ điển. Khi quy mô bài toán tăng, chi phí tính toán cần thiết cho việc đánh giá mạch và cập nhật tham số cũng tăng theo.

DQAOA-GPT được thiết kế để mô hình GPT đã huấn luyện phân tích cấu trúc của bài toán con, sau đó tạo mạch lượng tử và các tham số. Nhóm nghiên cứu cho biết phương pháp này có thể giảm quy trình phản hồi lặp lại giữa phần lượng tử và phần cổ điển trong thuật toán hiện có.

Thử nghiệm tập trung vào các bài toán tối ưu hóa nhị phân bậc cao không ràng buộc (HUBO) với tối đa 100 biến quyết định. Nhóm nghiên cứu sử dụng môi trường điện toán hiệu năng cao của Phòng thí nghiệm quốc gia Oak Ridge, cùng GPU Nvidia H200, CUDA-Q và cuQuantum để so sánh hai phương pháp.

Khi bài toán con có 4 biến, thời gian chạy của DQAOA hiện có khoảng 33,80 giây. Khi tăng lên 12 biến, thời gian chạy tăng lên khoảng 683,99 giây, trong khi DQAOA-GPT duy trì ở mức khoảng 28 giây trong cùng điều kiện.

Độ chính xác tương đối thay đổi theo quy mô bài toán con. Với 4 biến, độ chính xác tương đối của DQAOA khoảng 0,38, còn DQAOA-GPT khoảng 0,36. Với 12 biến, chỉ số này tăng lên tối đa khoảng 0,78.

Bài báo cho biết việc dùng trí tuệ nhân tạo tạo sinh để tạo mạch có thể giảm bớt sự đánh đổi giữa độ chính xác và chi phí tính toán khi quy mô bài toán con tăng. Tuy nhiên, các con số này chỉ thu được trong một môi trường mô phỏng cụ thể và không đại diện cho hiệu suất trong môi trường vận hành thực tế.

Thử nghiệm lần này xử lý tuần tự các bài toán con trên một GPU duy nhất. Nhóm nghiên cứu cho rằng việc phân bổ song song các bài toán con cho nhiều GPU và nút điện toán có thể tiếp tục rút ngắn thời gian chạy, nhưng hiệu quả mở rộng song song chưa được kiểm chứng trực tiếp trong thử nghiệm này.

Khả năng áp dụng trên phần cứng lượng tử thực tế cũng vẫn là vấn đề cần giải quyết. Bài báo xác định kết quả hiện tại là một phép xác minh ở quy mô benchmark và không cho biết phần cứng lượng tử thực tế của IonQ có đạt hiệu suất vượt trội so với phương pháp hiện có hay không.

Điều này cho thấy cần phân biệt hiệu suất mô phỏng với hiệu suất phần cứng trong nghiên cứu điện toán lượng tử. Dù tính toán mạch trên GPU nhanh hơn, lỗi mạch, biến động của kết quả đo và điều kiện vận hành khác nhau giữa các phần cứng vẫn cần được đánh giá riêng trên thiết bị thực tế.

IonQ cho biết ngày 15 tháng 9 rằng bài báo DQAOA-GPT đứng thứ 3 trong số 857 công trình nghiên cứu gửi tới nhánh ‘Quantum–GenAI Co-Design & Co-Discovery’ của Hội nghị IEEE về Điện toán và Kỹ thuật Lượng tử (QCE 2026). IonQ giới thiệu nghiên cứu này là công trình hợp tác với Phòng thí nghiệm quốc gia Oak Ridge, Nvidia và Đại học Tennessee.

Trước đó, TokenPost từng đưa tin về trường hợp máy tính lượng tử IonQ được bổ sung vào một nền tảng xác minh chuyển đổi lượng tử dành cho doanh nghiệp.

Trọng tâm của nghiên cứu lần này không phải là cải thiện hiệu suất của máy tính lượng tử hay bảo mật tài sản ảo. Ý nghĩa chính nằm ở việc thử nghiệm bằng mô phỏng GPU khả năng trí tuệ nhân tạo tạo sinh đảm nhiệm việc tạo mạch và tính toán lặp lại trong quá trình tối ưu hóa lượng tử.

Khả năng tái hiện trên phần cứng lượng tử thực tế của IonQ, thời gian chạy khi mở rộng lên nhiều GPU và nút điện toán, cùng hiệu quả trong các bài toán nghiệp vụ quy mô lớn sẽ cần được xác minh trong các nghiên cứu tiếp theo.