12 değişkenli alt problem 28 saniye: IonQ ve Nvidia’dan 100 değişkenli GPU doğrulaması

IonQ($IONQ) ve Nvidia($NVDA) ile Oak Ridge Ulusal Laboratuvarı ve Tennessee Üniversitesi araştırmacıları, üretken yapay zekâ kullanarak kuantum devrelerini optimize eden ve tekrarlı hesaplama yükünü azaltmayı amaçlayan bir yöntem sundu. En fazla 100 karar değişkenine sahip problemlerde yapılan deneylerde DQAOA-GPT, mevcut yönteme kıyasla daha kısa çalışma süresi gösterdi. Ancak doğrulama gerçek bir kuantum bilgisayarda değil, GPU simülasyonunda gerçekleştirildi.

Araştırmacılar, 22 Temmuz 2026’da ‘DQAOA-GPT: AI-Accelerated Distributed Quantum Optimization for Combinatorial Problems’ başlıklı makaleyi yayımladı. Makale, büyük ölçekli kombinatoryal optimizasyon problemlerinin küçük alt problemlere ayrıldığı ve GPT tabanlı üretken modelin her probleme uygun kuantum devresi ile parametreleri oluşturduğu yapıyı açıklıyor.

Mevcut dağıtık kuantum yaklaşık optimizasyon algoritması (DQAOA), kuantum devresinin çalıştırılması, sonuçların ölçülmesi ve klasik parametrelerin yeniden ayarlanması süreçlerini tekrarlıyor. Problem ölçeği büyüdükçe devre değerlendirmesi ve parametre güncellemesi için gereken hesaplama yükü de artıyor.

DQAOA-GPT, eğitilmiş GPT modelinin alt problemin yapısını analiz ederek kuantum devresi ve parametreleri oluşturacağı şekilde tasarlandı. Araştırmacılar, bu yöntemin mevcut algoritmadaki tekrarlı kuantum-klasik geri bildirim sürecini azaltabileceğini belirtti.

Deneylerde en fazla 100 karar değişkenine sahip yüksek dereceli kısıtsız ikili optimizasyon (HUBO) problemleri kullanıldı. Araştırmacılar, Oak Ridge Ulusal Laboratuvarı’nın yüksek performanslı hesaplama ortamında Nvidia H200 GPU ile CUDA-Q ve cuQuantum kullanarak iki yöntemi karşılaştırdı.

Alt problemdeki değişken sayısı 4 olduğunda mevcut DQAOA’nın çalışma süresi yaklaşık 33,80 saniye oldu. Alt problem 12 değişkene çıkarıldığında bu süre yaklaşık 683,99 saniyeye yükseldi. DQAOA-GPT ise aynı koşulda çalışma süresini yaklaşık 28 saniye seviyesinde tuttu.

Göreli doğruluk, alt problemin boyutuna göre değişti. Dört değişkenli koşulda göreli doğruluk DQAOA için yaklaşık 0,38, DQAOA-GPT için yaklaşık 0,36 oldu. Değişken sayısı 12’ye çıktığında bu değer en fazla yaklaşık 0,78’e yükseldi.

Makale, üretken yapay zekâ ile devre oluşturulmasının alt problem boyutunun büyümesiyle ortaya çıkan doğruluk ve hesaplama maliyeti arasındaki dengeyi iyileştirebileceğini belirtti. Bununla birlikte bu sonuçlar belirli bir simülasyon ortamında elde edildi ve gerçek iş ortamındaki performansı göstermiyor.

Deney, alt problemlerin tek bir GPU’da sıralı şekilde işlendiği bir düzenekle yapıldı. Araştırmacılar, alt problemlerin birden fazla GPU ve hesaplama düğümüne paralel olarak dağıtılması halinde çalışma süresinin daha da kısalabileceğini öne sürdü. Ancak paralel ölçekleme etkisi bu deneyde doğrudan doğrulanmadı.

Gerçek kuantum donanımına uygulanabilirlik de açık bir soru olarak kaldı. Makale, sonuçları kıyaslama ölçeğinde bir doğrulama olarak tanımladı ve IonQ’nun gerçek kuantum donanımında mevcut yönteme kıyasla daha üstün performans gösterildiğine ilişkin veri sunmadı.

Bu durum, kuantum bilişim araştırmalarında simülasyon performansı ile donanım performansının birbirinden ayrılması gerektiğini gösteriyor. GPU üzerinde devre hesaplamalarının hızlanması, gerçek cihazlardaki devre hataları, ölçüm sonuçlarındaki değişkenlik ve donanıma özgü çalışma koşullarının ayrıca değerlendirilmesi gereğini ortadan kaldırmıyor.

IonQ, 15 Eylül’de DQAOA-GPT makalesinin IEEE Quantum Computing and Engineering Conference (QCE 2026) kapsamındaki ‘Quantum–GenAI Co-Design & Co-Discovery’ başlığında 857 araştırma başvurusu arasında üçüncü sırada yer aldığını açıkladı. Şirket, çalışmayı Oak Ridge Ulusal Laboratuvarı, Nvidia ve Tennessee Üniversitesi ile yürütülen ortak araştırma olarak tanıttı.

TokenPost daha önce, kurumsal kuantum geçiş doğrulama platformuna IonQ kuantum bilgisayarlarının eklendiğini bildirmişti.

Ancak bu araştırmanın odağı kuantum bilgisayarlarının kendi performansını artırmak ya da kripto varlık güvenliği değil. Çalışma, üretken yapay zekânın kuantum optimizasyonu sürecinde devre oluşturma ve tekrarlı hesaplama görevlerini üstlenip üstlenemeyeceğini GPU simülasyonu üzerinden test ediyor.

Gerçek IonQ kuantum donanımındaki tekrarlanabilirlik, birden fazla GPU ve düğüme ölçeklendiğinde çalışma süresi ve büyük ölçekli iş problemlerindeki fayda, sonraki araştırmalarda doğrulanmayı bekliyor.