IonQ-Studie: Generative Schaltkreissuche bleibt bei 28 Sekunden, läuft aber nur in der Simulation

Laut einer Mitteilung von IonQ vom 16. September 2026 braucht die neue Methode DQAOA-GPT für die Suche nach Quantenschaltkreisen nahezu 28 Sekunden, unabhängig von der getesteten Problemgröße. Das alte Verfahren benötigt bei zwölf Qubits mehr als elf Minuten. Der Haken: Alle Schaltkreise wurden auf Grafikprozessoren simuliert, kein einziger lief auf echter Quantenhardware.

Wie DQAOA-GPT Schaltkreise erzeugt, statt sie zu suchen

DQAOA-GPT ersetzt das wiederholte Ausprobieren von Schaltkreis-Parametern durch ein trainiertes Modell, das Kandidaten direkt schreibt. Um den Nutzen zu verstehen, hilft ein Blick auf das Problem, das die Methode lösen soll.

Hybride Quantenoptimierung zerlegt ein großes Problem in kleinere Stücke, löst jedes Stück einzeln und setzt die Ergebnisse wieder zusammen. Jedes Stück braucht einen zugeschnittenen Quantenschaltkreis. Dessen Parameter werden traditionell eingestellt: laufen lassen, messen, anpassen, und das oft hunderte Male. Größere Teilprobleme können bessere Antworten liefern, treiben aber genau diesen Aufwand nach oben. Das ist der Preis, den die generative Methode senken soll.

Beteiligt sind das Oak Ridge National Laboratory (ORNL) in der Federführung, IonQ, NVIDIA und die University of Tennessee Knoxville. Das Team trainierte ein Transformer-Modell auf Schaltkreisen statt auf Text. Zuerst lief die konventionelle Versuch-und-Irrtum-Methode über viele Beispielprobleme, und nur nahezu optimale Schaltkreise blieben als Trainingsdaten übrig. Das fertige Modell schreibt Kandidaten nun direkt. Im Experiment entstanden zehn Kandidaten pro Teilproblem, alle zehn wurden simuliert und bewertet, und der beste aktualisierte die globale Lösung.

Die Rollen sind klar verteilt: ORNL leitet die Studie, IonQ steuert Forschung zu Quantenanwendungen und Co-Autorenschaft bei, NVIDIA liefert die Simulationsumgebung, die Universität Forschungskapazität. Dr. Martin Roetteler von IonQ hebt hervor, dass der Aufwand für das Einstellen entfällt und die Antworten bei wachsenden Teilproblemen besser werden. Die ORNL-Forscher Dr. In-Saeng Suh und Dr. Seongmin Kim sehen in künstlicher Intelligenz eine neue Schicht für die Schaltkreis-Synthese und wollen die Methode auf reale wissenschaftliche Anwendungen ausdehnen. Sam Stanwyck von NVIDIA beschreibt CUDA-Q als Fundament, damit Entwickler Algorithmen von Anfang an um künstliche Intelligenz herum bauen. Im Studienaufbau ist CUDA-Q schlicht die Simulationsplattform.

Wie groß ist der Zeitgewinn wirklich?

Bei zwölf Qubits ist die generative Route rund 24-mal schneller als die alte Schleife. Die Rechnung ist schnell gemacht: Elf Minuten sind 660 Sekunden, geteilt durch 28 ergibt etwa 23,6.

Bei vier Qubits braucht die alte Methode rund 34 Sekunden für die Schaltkreissuche, die generative Route mit 28 Sekunden ist dort nur leicht schneller. Der dramatische Gewinn steckt in der Skalierung. Die alte Kurve steigt steil, die generative bleibt im berichteten Größenband flach. IonQ spricht von nahezu 28 Sekunden für jede bisher getestete Größe. Das Band endet allerdings bei den berichteten Stufen bis zwölf Qubits im Vergleichsarm. Eine Garantie für 20 oder 50 Qubits ist das nicht, und die in der Mitteilung enthaltene Klausel zu zukunftsgerichteten Aussagen warnt ausdrücklich vor solchen Schlüssen.

Gemessen wurde der Unterschied zweier vollständiger Arbeitsabläufe auf identischer GPU-Infrastruktur (GPU steht für Grafikprozessor). Laut IonQ liegt er vor allem daran, dass DQAOA-GPT die schrittweise Parameteroptimierung durch generative Schaltkreis-Synthese und eine feste Zahl bewerteter Kandidaten ersetzt. Zehn Bewertungen statt hunderter Einstell-Runden machen die Rechenzeit planbar. Nicht gemessen wurden die Wartezeit auf einem echten Quantenprozessor, die Drift der Kalibrierung, Fehler einzelner Quantengatter und das Rauschen beim Auslesen.

Der zweite Verkaufspunkt ist die Qualität. Auf einem dichten Vergleichstest mit 100 Entscheidungsvariablen verdoppelte sich die Antwortqualität der modellgenerierten Lösungen grob, während die Teilprobleme wuchsen. Das ist eine Angabe von IonQ, keine unabhängige Messung. Beide verglichenen Ansätze sind Quantenmethoden, es steht also Schaltkreis-Erzeugung gegen Schaltkreis-Erzeugung, nicht Quantenrechner gegen klassische Löser. Ob die Verdopplung unter echtem Rauschen überlebt, lässt sich ohne Hardware-Lauf nicht sagen.

Was die Simulation belegt und was nicht

Jeder Schaltkreis der Studie wurde simuliert und nicht auf einem Quantenprozessor (QPU) ausgeführt. Genutzt wurden NVIDIA cuQuantum über CUDA-Q, eine H200-Grafikkarte und das System Defiant2 an der Oak Ridge Leadership Computing Facility.

IonQ schreibt ausdrücklich, dass diese Umgebung den Vergleich sinnvoll macht, weil beide Methoden dieselbe GPU-Infrastruktur nutzen. Das ist ein kontrollierter Vergleich von Arbeitsabläufen, aber kein Hardware-Beweis. Das zugehörige Paper auf arXiv spricht selbst von einer Validierung im Maßstab des Vergleichstests. IonQ zählt es zu neun Beiträgen des Unternehmens bei der IEEE Quantum Week (IEEE: Institute of Electrical and Electronics Engineers) und nennt eine Auszeichnung als bestes Paper. Das erhöht die Sichtbarkeit, zertifiziert aber keine Leistung auf einem Quantenprozessor.

Man darf die Klausel zu zukunftsgerichteten Aussagen getrost wie eine Vertragsbedingung lesen: Die 28 Sekunden gelten für die beschriebene Simulationsschleife und für nichts darüber hinaus. Meine Meinung dazu: Dass IonQ den Simulator offen im Fließtext nennt, ist für Branchenmeldungen erstaunlich ehrlich, und wer ihn auf der Folie streicht, löscht diese Ehrlichkeit wieder.

Wann der beste simulierte Kandidat auf Hardware verliert

Ein kleiner Vorsprung in der Simulation kann unter echtem Rauschen verschwinden, und dann hat der Generator zwar das Einstellen gespart, aber die falsche Schaltung gewählt. Die Mitteilung nennt keine Rauschwerte, deshalb setzt dieser Artikel auch keine Prozentschwelle an.

Ein Gedankenspiel, ausdrücklich ohne gemessene Fehlerraten: Zehn Kandidaten erhalten in der Simulation Bewertungen von 1,00, 0,97, 0,96 und so weiter. Der Abstand zwischen Platz eins und zwei beträgt 0,03. Liegt die Unsicherheit der Hardware-Bewertung in derselben Größenordnung oder darüber, ist die Rangfolge brüchig. Dann ersetzt man die alte Schleife durch eine kürzere Simulationsschleife plus gezielte Nachmessung der besten Kandidaten auf Hardware. Blindes Vertrauen in den Generator ist das nicht.

Dieses Bild wurde mit KI generiertProviderhiggsfieldModellgpt_image_2PromptScientist reviewing a blurred simulation scatter plot on a monitor, notebook open with blank validation checklist, thoughtful pause, photorealistic lab office, no logos, no readable text, 16:9

Daraus ergeben sich vier Leitplanken, die ohne erfundene Zahlen auskommen:

• Ohne Hardware-Stichprobe der besten Kandidaten sollte man dem Generator nicht blind vertrauen.
• Ist der Simulationsvorsprung von Platz eins vor Platz zwei kleiner als die erwartete Unsicherheit unter Rauschen, gilt dasselbe.
• Wachsen die Teilprobleme und liegen nur Simulationsdaten vor, darf das Vertrauen nicht im gleichen Maß mit der Qualitätsverdopplung aus dem Paper steigen.
• Kennt das Trainingsset nur nahezu optimale Schaltkreise aus der Simulationswelt, droht eine Lücke zwischen Simulation und Hardware.

Der letzte Punkt verdient einen zweiten Blick. Der Generator lernt von der Versuch-und-Irrtum-Methode, und die hat ihre Beispiele ebenfalls in der Simulation gefunden. Lehrer und Schüler kennen also denselben idealisierten Raum. Das ist klug, weil die Trainingsdaten stark sind, und riskant, weil beide das Rauschen echter Hardware nie gesehen haben. Auf Hardware kann deshalb eine verkürzte, gezielte Schleife zurückkehren, nur eben nicht mehr die alte Runde mit hunderten Durchläufen. Die Mitteilung beschreibt den Weg zur Hardware als Ausblick, nicht als erledigte Arbeit.

Hinzu kommt die Rekombination. Hybride Verfahren funktionieren nur, wenn lokale Gewinne global zusammenpassen. Ein Generator, der Teilstücke glänzend löst, aber inkonsistent zusammensetzt, liefert schöne Teile und eine schwache Gesamtlösung. Ob DQAOA-GPT das im Vergleichstest sauber löst, steht im Paper. Die Pressemitteilung liefert die Schlagzeile der Verdopplung, nicht die vollständige Einzeluntersuchung der Bausteine. Roetteler selbst spricht von einem „potential path toward scaling“, also von einem möglichen Weg zur Skalierung, nicht von fertiger Skalierung.

Was Labore, Finanzteams und Einkauf jetzt planen sollten

Wer den Geschwindigkeitsgewinn nutzen will, sollte drei Zeiten getrennt budgetieren: das Training des Modells, die Simulation der Kandidaten und die Nachmessung auf Hardware. Das Training kostet einmalig Rechenleistung und kuratierte Schaltkreise. Die Simulation der zehn Kandidaten kostet laufend GPU-Zeit, und genau dafür stehen die 28 Sekunden. Die Hardware-Stichproben kosten Wartezeit, Kalibrierung und Auswertung. Wer nur die zweite Uhr feiert, unterschätzt die erste und lässt die dritte unter den Tisch fallen. Preise in Euro nennt die Mitteilung nicht, deshalb enthält dieser Artikel auch keine.

Für Optimierungsprojekte in Logistik, Portfolioplanung oder Terminplanung lautet die Nachricht: Schaltkreis-Synthese kann die teure innere Schleife ersetzen, vorerst in der Simulation. Wer die Entwicklung rund um Quantencomputer in Finanzunternehmen verfolgt, sollte deshalb ein Budget für Generator und Hardware-Stichproben einplanen, nicht für den Generator allein. Die Agenda für Post-Quanten-Kryptografie ändert der Text nicht, denn er behandelt Algorithmik und keine Kryptoanalyse.

Das Muster ist aus anderen Bereichen vertraut. Wer KI im Unternehmen mit klaren Regeln einsetzt, weiß, dass generative Vorschläge Entwürfe beschleunigen, die Freigabe aber Prüfungen braucht. Dasselbe gilt für KI-Agenten in Unternehmen: Ein schnelleres Verfahren ersetzt nicht den Test unter realen Bedingungen. Für Schaltkreise heißt dieser Test Quantenprozessor.

Vier Fragen helfen Laboren und Einkauf, Vertrauen nicht zu früh zu skalieren:

1. Wann laufen dieselben besten Schaltkreise auf welchem Quantenprozessor?
2. Wie groß ist der Abstand zwischen Platz eins und zwei in der Simulation, und wie oft kippt er unter Rauschen?
3. Wie groß war das Trainingskorpus, und wie nah liegen echte Probleme an den Beispielproblemen?
4. Was kostet die äußere Validierungsschleife im Projektplan?

Je flacher die generative Laufzeit, desto mehr Problemgrößen werden Teams ausprobieren, und desto größer wird die Versuchung, Hardware-Prüfungen zu überspringen. Genau dann wächst das Risiko. Bis die besten Schaltkreise auf Hardware bewertet sind, gelten die 28 Sekunden für die Simulation, nicht für den Chip.