Üretken Yapay Zeka Kuantum Devrelerini Saniyeler İçinde Yazıyor: 100 Değişkenli Deneyde Sabit Süre, İki Kat Kalite

Kuantum optimizasyonun en tuhaf vergisi, devreyi bir kez yazıp çalıştırma değil, yüzlerce kez ölçme, ayarlama ve yeniden çalıştırma döngüsü. Kombinatorik optimizasyon (kombinatorik optimizasyon — örneğin teslimat rotaları, üretim çizelgeleri veya şebeke yük dağılımı gibi devasa seçenek arasından en iyiyi seçme) bu döngüyü büyütür; çünkü her alt probleme özel bir kuantum devresi gerekir ve her devre geleneksel varyasyonel ayarlama (varyasyonel ayarlama — devreyi çalıştır, ölç, parametreyi değiştir ve tekrarla) ile tek tek terbiye edilir. Tıpkı her soruda farklı anahtarla deneme yapan bir çilingir gibi, büyük problemde anahtar sayısı ve deneme süresi hızla şişer; bu da doğru yanıtın en pahalıya mal olduğu noktayı yaratır.

Dört kurum, tek soru: Tuning vergisi nasıl silinir?

Bu soruya IonQ, Oak Ridge Ulusal Laboratuvarı (ABD Enerji Bakanlığı’nın en büyük bilim ve enerji laboratuvarı), Nvidia ve Tennessee Üniversitesi birlikte yanıt arıyor. IonQ ile Oak Ridge’in geçmişi yeni değil: 2024’te gürültüye dayanıklı optimizasyonda iki-kübitli kapı sayısını yüzde 85’ten fazla azaltan ortak çalışma, 2025’te Enerji Bakanlığı’nın GridQ projesinde şebeke operasyonları için ölçeklenebilir kuantum algoritmaları geliştiren iki sanayi ortağından biri olarak IonQ’nun yer aldığı program, bu iş birliğinin basamakları. 2026 başında Tennessee Üniversitesi’nin K Quantum (K Quantum — Knoxville hızlandırıcısı, üniversite, Oak Ridge ve IonQ’yu buluşturan kuantum donanım ve yazılım girişimi) duyurusu, aynı bölgedeki malzeme ve cihaz araştırmalarını tek çatıya topluyor; laboratuvar, şirket ve üniversite aynı masada, aynı problemi hedef alıyor.

Nvidia’nın rolü altyapıda düğümleniyor. Deneyin tamamı CUDA-Q (CUDA-Q — Nvidia’nın kuantum devrelerini GPU ile klasik hesaplamayı birbirine bağlayan açık platformu) üzerinden, Oak Ridge’in Lider Hesaplama Tesisi’ndeki Defiant2 sistemine takılı tek bir Nvidia H200 GPU üzerinde koştu; kuantum donanımı üzerinde değil, benzetim olarak. Bu detay önemli, çünkü IonQ’nun Superion ailesi veya tuzaklanmış iyon sistemlerinde çalıştığı sanılmasın diye ekip özellikle vurguluyor: İki farklı devre üretme yöntemi, aynı GPU hızlandırmalı ortamda, kontrollü bir karşılaştırma (benchmark) olarak yan yana test edildi, donanım gürültüsü denklem dışı bırakıldı.

Tennessee cephesi ölçek ve insan kaynağı katıyor. Üniversite, düzinelerce öğretim üyesi ve yüzlerce öğrenciyle kuantum malzemeleri, cihaz entegrasyonu ve algoritma tarafını eş zamanlı büyütüyor; Oak Ridge ile kurulan ortak laboratuvarlar ve hızlandırıcılar, prototiplerin hızla test edilmesini sağlıyor. Bu dörtlü yapı — ulusal laboratuvarın süper bilgisayarı, şirketin donanım yol haritası, GPU liderinin yazılımı ve üniversitenin yetenek havuzu — deneyin neden hızla olgunlaştığını açıklıyor; tek bir kurumun değil, ekosistemin işi.

DQAOA-GPT: Transformatör devreleri nasıl öğreniyor?

Hibrit kuantum optimizasyon (hibrit kuantum optimizasyon — büyük problemi parçalara böl, her parçayı kuantum devresiyle çöz, sonuçları birleştir) kulağa sade gelir ama pratikte her parça kendi devresini ister. Geleneksel QAOA (QAOA — kuantum yaklaşık optimizasyon algoritması) yaklaşımında her devre, ölçüm sonrası klasik optimizer ile parametre güncelleyerek yüzlerce yinelemede olgunlaşır; alt problem 4 kübitten 12 kübite büyüdüğünde ayarlama süresi hızla tırmanır. Örneğin, 100 değişkenli bir çizelgeyi 12 kübitlik parçalara böldüğünüzde, her parça daha isabetli olabilir ama her biri için harcanan klasik döngü toplam süreyi katlar — doğruluk ile süre arasında dik bir ödünleşim .

İşte bu noktada ekip soruyu tersine çevirdi: İyi bir kuantum devresi nasıl görünür, bunu bir modele öğretebilir miyiz? Eğitim verisi, yine geleneksel deneme-yanılma ile üretildi; rastgele örneklenen birçok problemde yüzlerce yineleme koşuldu, en iyi sonuca yaklaşan devreler saklandı. Ardından bu seçilmiş örneklerle bir transformatör (transformatör — büyük dil modellerinin de temeli olan dikkat mekanizmalı yapay zeka mimarisi) eğitildi; cümle üretir gibi değil, devre talimatı üretecek şekilde. Yani model, metin yerine kuantum kapı dizilerini öğrendi.

Çıkarım aşaması bu yüzden hızlı: Yeni bir alt problem geldiğinde model, yinelemeli ayar yapmaz; doğrudan 10 aday devre üretir, hepsi benzetimde skorlanır ve en yüksek puanlı olan genel çözümü güncellemek için seçilir. Adım adım akış şöyle: 1) problemi parçalara böl, 2) transformatöre alt problemi ver ve 10 devre örnekle, 3) her adayı H200 üzerinde hızla benzet ve puanla, 4) en iyiyi küresel çözüme yaz, 5) bir sonraki parçaya geç. Tıpkı taslak çizen bir mimarın önce 10 eskiz üretip en sağlamını seçmesi gibi, arama uzayı daralır ve klasik yineleme yükü ortadan kalkar.

Rakamlar ne söylüyor, gelecek ne istiyor?

Sonuçlar, 100 karar değişkenli yoğun ve yüksek dereceli bir denek probleminde net: Üretken yaklaşımla alt problem büyüdükçe yanıt kalitesi kabaca iki katına çıktı; oysa klasik ayarlama ile devre bulma süresi 4 kübitte yaklaşık 34 saniyeden 12 kübitte 11 dakikanın üzerine fırladı, üretken modelde ise aynı aralıkta yaklaşık 28 saniyede sabit kaldı. Bu ne anlama geliyor? Daha büyük kuantum parçası artık ceza değil, ödül getiriyor — aynı sürede daha iyi çözüm. Pratikte lojistik, finansal modelleme veya şebeke optimizasyonu gibi alanlarda, büyük parçalarla çalışmak pahalı olduğu için küçültülen problemler, artık daha geniş tutulabilir.

Yine de çerçeve dar: Bu bir benzetim doğrulaması , kuantumun klasiği geçtiği anlamına gelmez; karşılaştırılan iki yöntem de kuantum, fark devre üretme biçiminde. Ekip, sıradaki adım olarak gerçek bilimsel ve mühendislik uygulamalarına geçiş ile daha büyük yüksek başarımlı sistemlerde ölçeklemeyi işaret ediyor. IonQ tarafında ölçek hikâyesi Superion 256 (Superion 256 — Oxford Ionics ve SkyWater satın almalarıyla yarı iletken maliyetinde, yüzlerce adet üretilebilir tuzaklanmış iyon platformu) ile sürüyor: İlk 256 kübitlik işlemciler SkyWater’da üretildi, ilk iyonlar prototiplerde tuzağa alındı ve şirket 2027 teslimatları için sipariş topluyor; CMOS entegrasyonu ile hata düzeltmenin laboratuvarda 2027’de olgunlaşması hedefleniyor. Yani yazılım tarafında tuning vergisi silinirken, donanım tarafında üretim ölçeği kuruluyor; ikisi birlikte hibrit kuantum-GPU süper hesaplamanın, Nvidia’nın tarif ettiği geleceğe göz kırpıyor.