在许多科学和工程应用中，组合优化问题至关重要，但由于搜索空间呈指数级增长，其解决仍然具有挑战性。变分量子算法为解决此类问题提供了有前景的途径，但其实际性能受到重复量子电路评估和经典参数更新的限制。本文介绍了DQAOA-GPT，一种将分布式量子近似优化算法（DQAOA）与基于GPT的量子电路生成相结合的混合框架。DQAOA将大型优化问题分解为较小的子问题。该方法不依赖于迭代变分优化，而是利用训练好的生成模型直接生成高质量的量子电路以解决分解后的子问题。
作为基准，我们将DQAOA-GPT与传统的DQAOA在具有多达100个决策变量的稠密HUBO优化问题上进行了评估。结果表明，DQAOA-GPT显著降低了计算成本，同时保持了竞争性的解决质量，且在更大子问题规模下观察到更大的加速效果。尽管本工作聚焦于基准规模验证，但该框架为在混合HPC-QC环境中通过增加GPU资源和并行计算能力进行更大规模的组合优化提供了有希望的基础。
博主点评： DQAOA-GPT结合了量子计算与AI的优势，为解决复杂的组合优化问题开辟了新的路径。通过优化电路生成过程，它不仅提升了计算效率，还为未来大规模应用奠定了基础。此框架在高性能计算与量子计算的结合上展现出极大的潜力，值得关注。