ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
ไอออนคิว (IonQ, $IONQ) และเอ็นวิเดีย (NVIDIA, $NVDA) ร่วมกับห้องปฏิบัติการแห่งชาติโอ๊คริดจ์และมหาวิทยาลัยเทนเนสซี นำเสนอวิธีใช้ปัญญาประดิษฐ์เชิงกำเนิดเพื่อเพิ่มประสิทธิภาพวงจรควอนตัมและลดภาระการคำนวณซ้ำ การทดลองกับปัญหาที่มีตัวแปรตัดสินใจสูงสุด 100 ตัวแปรพบว่า DQAOA-GPT ใช้เวลาประมวลผลสั้นกว่าวิธีเดิม แต่การตรวจสอบดำเนินการผ่านการจำลองด้วย GPU ไม่ใช่คอมพิวเตอร์ควอนตัมจริง
คณะวิจัยเผยแพร่บทความ ‘DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems’ เมื่อวันที่ 22 กรกฎาคม 2026 โดยอธิบายโครงสร้างที่แบ่งปัญหาการหาค่าเหมาะที่สุดเชิงผสมขนาดใหญ่ออกเป็นปัญหาย่อย จากนั้นใช้โมเดลสร้างข้อความบนพื้นฐาน GPT สร้างวงจรควอนตัมและพารามิเตอร์ให้เหมาะกับแต่ละปัญหา
อัลกอริทึมการหาค่าเหมาะที่สุดแบบควอนตัมโดยประมาณแบบกระจาย หรือ DQAOA ต้องทำซ้ำระหว่างการรันวงจรควอนตัม การวัดผล และการปรับพารามิเตอร์แบบคลาสสิก เมื่อขนาดปัญหาเพิ่มขึ้น ภาระจากการประเมินวงจรและการอัปเดตพารามิเตอร์ก็เพิ่มขึ้นตาม
DQAOA-GPT ได้รับการออกแบบให้โมเดล GPT ที่ผ่านการฝึกวิเคราะห์โครงสร้างของปัญหาย่อย แล้วสร้างวงจรควอนตัมและพารามิเตอร์ที่เกี่ยวข้อง คณะวิจัยระบุว่าวิธีนี้อาจลดกระบวนการป้อนกลับระหว่างระบบควอนตัมกับระบบคลาสสิกที่ต้องทำซ้ำในอัลกอริทึมเดิม
การทดลองใช้ปัญหาการหาค่าเหมาะที่สุดแบบไบนารีไร้ข้อจำกัดลำดับสูง หรือ HUBO ซึ่งมีตัวแปรตัดสินใจสูงสุด 100 ตัวแปร คณะวิจัยเปรียบเทียบสองวิธีในสภาพแวดล้อมประมวลผลสมรรถนะสูงของห้องปฏิบัติการแห่งชาติโอ๊คริดจ์ โดยใช้ GPU NVIDIA H200 พร้อม CUDA-Q และ cuQuantum
เมื่อปัญหาย่อยมี 4 ตัวแปร DQAOA ใช้เวลาประมวลผลประมาณ 33.80 วินาที เมื่อเพิ่มเป็น 12 ตัวแปร เวลาประมวลผลเพิ่มเป็นประมาณ 683.99 วินาที ขณะที่ DQAOA-GPT ยังใช้เวลาประมาณ 28 วินาทีภายใต้เงื่อนไขเดียวกัน
ค่าความแม่นยำสัมพัทธ์แตกต่างกันตามขนาดปัญหาย่อย ในเงื่อนไข 4 ตัวแปร DQAOA มีค่าประมาณ 0.38 และ DQAOA-GPT อยู่ที่ประมาณ 0.36 ส่วนกรณี 12 ตัวแปร ค่าดังกล่าวเพิ่มขึ้นสูงสุดประมาณ 0.78
บทความระบุว่าการสร้างวงจรด้วยปัญญาประดิษฐ์เชิงกำเนิดอาจช่วยลดข้อแลกเปลี่ยนระหว่างความแม่นยำกับต้นทุนการคำนวณเมื่อขนาดปัญหาย่อยเพิ่มขึ้น อย่างไรก็ตาม ตัวเลขดังกล่าวได้จากสภาพแวดล้อมการจำลองเฉพาะ จึงไม่ใช่ตัวแทนประสิทธิภาพในงานจริง
การทดลองครั้งนี้ประมวลผลปัญหาย่อยตามลำดับบน GPU เดียว คณะวิจัยเสนอว่าการกระจายปัญหาย่อยไปยัง GPU และโหนดคอมพิวเตอร์หลายตัวแบบขนานอาจช่วยลดเวลาได้อีก แต่ยังไม่ได้ตรวจสอบผลของการขยายแบบขนานโดยตรงในการทดลองนี้
การใช้งานบนฮาร์ดแวร์ควอนตัมจริงยังเป็นประเด็นที่ต้องศึกษาเพิ่มเติม บทความจัดผลลัพธ์ครั้งนี้เป็นการตรวจสอบในระดับเบนช์มาร์ก และไม่ได้ระบุว่า DQAOA-GPT ทำผลงานเหนือกว่าวิธีเดิมบนฮาร์ดแวร์ควอนตัมจริงของไอออนคิวหรือไม่
ผลดังกล่าวสะท้อนความจำเป็นในการแยกประสิทธิภาพจากการจำลองด้วย GPU ออกจากประสิทธิภาพบนฮาร์ดแวร์จริง แม้การคำนวณวงจรบน GPU จะเร็วขึ้น แต่การใช้งานบนอุปกรณ์จริงยังต้องประเมินข้อผิดพลาดของวงจร ความผันผวนของผลการวัด และเงื่อนไขการทำงานเฉพาะของฮาร์ดแวร์แต่ละรุ่น
ไอออนคิวระบุเมื่อวันที่ 15 กันยายน 2026 ว่าบทความ DQAOA-GPT ได้อันดับ 3 จากผลงานวิจัยที่ส่งเข้าร่วม 857 รายการในแทร็ก ‘Quantum–GenAI Co-Design & Co-Discovery’ ของการประชุม IEEE Quantum Computing and Engineering Conference หรือ QCE 2026 โดยไอออนคิวอธิบายว่างานวิจัยนี้เป็นความร่วมมือกับห้องปฏิบัติการแห่งชาติโอ๊คริดจ์ เอ็นวิเดีย และมหาวิทยาลัยเทนเนสซี
อย่างไรก็ตาม ประเด็นหลักของงานวิจัยนี้ไม่ใช่การเพิ่มประสิทธิภาพของคอมพิวเตอร์ควอนตัมเองหรือความปลอดภัยของสินทรัพย์ดิจิทัล แต่เป็นการทดสอบผ่านการจำลองด้วย GPU ว่าปัญญาประดิษฐ์เชิงกำเนิดสามารถรับหน้าที่สร้างวงจรและลดการคำนวณซ้ำในกระบวนการหาค่าเหมาะที่สุดแบบควอนตัมได้หรือไม่
ความสามารถในการทำซ้ำบนฮาร์ดแวร์ควอนตัมจริงของไอออนคิว เวลาในการประมวลผลเมื่อขยายไปยัง GPU และโหนดหลายตัว รวมถึงประสิทธิผลกับปัญหางานขนาดใหญ่ ยังต้องรอการยืนยันจากการศึกษาต่อไป
ความคิดเห็น 0