Новые исследования от IonQ и ее партнеров объединяют предысторию квантовых вычислений и дорожную карту их будущего, чтобы продемонстрировать реальные результаты уже сегодня.

Мы переживаем фундаментальную перестройку вычислительного стека. История показывает, что всякий раз, когда стоимость сырой вычислительной мощности падает на порядок, правила программного обеспечения меняются за одну ночь. Мы видели это, когда огромные мейнфреймы уступили место кремниевым микропроцессорам, и снова, когда графические процессоры видеоигр были перепрофилированы под матричную математику, в одночасье превратив глубокое обучение из академического курьеза в современную реальность. Сегодня беспрецедентный взрыв параллельных вычислений заставляет совершить очередной полный сдвиг парадигмы, переводя нас от жесткой логики, написанной вручную, к динамичному интеллекту, требующему огромных вычислительных ресурсов.

IEEE QCE26 знаменует собой веху в непрерывной эволюции сектора, движимой компанией IonQ и ее партнерами. Академические открытия и готовность предприятий к внедрению сходятся в едином направлении, и IonQ демонстрирует этот непрерывный прогресс с помощью 10 принятых докладов, которые объединяют фундаментальную теорию с практическим применением на предприятиях. Четыре из этих работ завоевали медали в соответствующих треках конференции IEEE QCE26, включая две награды за первое место за следующие исследования:

Трек «Квантовые приложения» — «Измерение точности и энергозатрат при квантовой донастройке фундаментальных моделей ИИ» (совместная работа с клиентом QBasel)

Трек «Сквозные квантово-гибридные тематические исследования» — «Сквозная производительность квантово-ускоренных крупномасштабных рабочих процессов линейной алгебры» (совместная работа с партнером Synopsys)

Еще две работы заняли 3-е место в качестве лучших научных работ в своих треках:

Трек «Сквозные квантово-гибридные тематические исследования» — «Свертывание белокóв на 64-кубитном ионном оборудовании с помощью контрдиабатической квантовой оптимизации» (совместная работа с партнером Kipu)

Трек «Совместное проектирование и поиск в генеративном ИИ» — «DQAOA-GPT: ИИ-ускоренная распределенная квантовая оптимизация для комбинаторных задач» (совместная работа с партнерами/клиентами Oak Ridge и Nvidia)

Примечательно, что работы IonQ завоевали как лучшую, так и третью лучшую научную работу в треке «Сквозные квантово-гибридные тематические исследования» на престижной конференции IEEE QCE.

Полный список работ IonQ охватывает самые разные темы, имеющие реальные последствия для бизнеса, например, то, как IonQ масштабирует гибридные квантово-классические рабочие процессы до 150 кубитов для повышения экономической эффективности и результативности промышленных симуляций. Они иллюстрируют, как квантовое железо IonQ напрямую взаимодействует с классическими высокопроизводительными вычислениями (HPC), оптимизируя логистику цепочек поставок, ускоряя конвейеры ИИ и многое другое. Эти работы представляют того чего IonQ добивается прямо сейчас, объединяя инновации в алгоритмах с растущей зрелостью оборудования для обеспечения операционной ценности в рамках существующих корпоративных рабочих процессов.

Как квантовые вычисления развиваются на трех структурных столпах

Исследования, собранные в докладах IonQ для IEEE, сосредоточены вокруг трех структурных столпов, которые отражают динамику в ключевых областях подхода IonQ к полному стеку.

Первый столп — «Реальное промышленное влияние и оптимизация». Здесь IonQ и ее партнеры задействовали гибридные квантово-классические рабочие процессы и квантовое вычислительное оборудование для решения реальных коммерческих задач и задач оптимизации, которые оказались непосильными только для классических алгоритмов и компьютеров.

Второй столп — «Синергия квантовых технологий и ИИ». Эта синергия проявляется самыми разными способами: от того, как квантовые технологии и технологии ИИ интегрируются друг с другом, до того эффекта, который они могут оказать на обучение нейросетей и моделей машинного обучения, а также на инференс ИИ.

Третий столп — «Архитектурная устойчивость и преодоление шумового барьера». Эра отказоустойчивых квантовых вычислений уже близко, но нам еще многое предстоит сделать, поскольку мы стремимся улучшить производительность, точность и надежность квантового железа. Работы, посвященные этому столпу, призваны показать, как платформы современной эпохи зашумленных промежуточных квантовых вычислений эволюционируют в сторону отказоустойчивых систем завтрашнего дня.

Ниже представлен более подробный обзор каждой из работ, которые IonQ освещает на IEEE QCE26:

Столп 1: Реальное промышленное влияние и оптимизация

Фокус: демонстрация того, как гибридные квантово-классические рабочие процессы могут быть бесшовно вплетены в корпоративное инженерное программное обеспечение, гидродинамику и логистику цепочек поставок для обеспечения измеримой операционной эффективности.

«Сквозная производительность квантово-ускоренных крупномасштабных рабочих процессов линейной алгебры». Моделирование методом конечных элементов (FEA) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает затраты на вычисления и повышает производительность FEA. В данном исследовании квантово-классический решатель для задачи разбиения графов (GPP) был интегрирован в многофизичное программное обеспечение для симуляции FEA Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы, включающие сетки размером до 35 миллионов элементов, с масштабированием до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в лучших сценариях на 14,6% и примерно на 12% соответственно. Ссылка: arXiv:2603.15515

Моделирование методом конечных элементов (FEA) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает затраты на вычисления и повышает производительность FEA. В данном исследовании квантово-классический решатель для задачи разбиения графов (GPP) был интегрирован в многофизичное программное обеспечение для симуляции FEA Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы, включающие сетки размером до 35 миллионов элементов, с масштабированием до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в лучших сценариях на 14,6% и примерно на 12% соответственно.

Ссылка: arXiv:2603.15515

«Гибридные квантово-классические рабочие процессы оптимизации для задачи выбора отправки». IonQ и компания, занимающаяся электрическими грузоперевозками, Einride, разработали гибридный квантово-классический рабочий процесс для решения сложной задачи комбинаторной оптимизации, представленной простоями в планировании автопарка, вызванными отменой отправлений и другими сбоями. Решения, полученные с помощью квантовых вычислений, дали оптимизатору Einride быстрый старт, позволив выполнить до 12,1% больше отправок в наиболее эффективном сценарии без существенного изменения операционных расходов. Запуски на ионной ловушке от IonQ совпали с симуляциями для инстансов размером до 35 кубитов, в то время как более масштабные задачи размером до 130 кубитов были смоделированы, что подчеркивает потенциальную ценность квантовых вычислений для крупномасштабной логистики. Ссылка: https://arxiv.org/abs/2604.11758

IonQ и компания по электрическим грузоперевозкам Einride разработали гибридный квантово-классический рабочий процесс для решения сложной комбинаторной задачи оптимизации, возникающей из-за простоев в планировании автопарка, вызванных отменой поставок и другими сбоями. Решения, полученные с помощью квантовых вычислений, позволили «разогреть» оптимизатор Einride, что привело к увеличению количества выполненных поставок до 12,1% в наиболее эффективном сценарии без существенного изменения операционных затрат. Запуски на аппаратном обеспечении IonQ на базе ионов в ловушке соответствовали результатам моделирования для задач до 35 кубитов, в то время как более крупные задачи до 130 кубитов были смоделированы, что подчеркивает потенциальную ценность квантовых вычислений для крупномасштабной логистики.

Ссылка: https://arxiv.org/abs/2604.11758

«Квантовые решения на основе метода решеточных уравнений Больцмана для транспорта при трехмерной пространственно-неоднородной адвекции на аппаратном обеспечении с ионами в ловушке». В рамках важной вехи в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной аппаратной демонстрации сложного трехмерного адвекционно-диффузионного поведения жидкости с неоднородными полями скоростей и границами. Демонстрация, использующая гибридную структуру алгоритма квантового метода решеточных уравнений Больцмана (QLBM) для CFD и транспортного моделирования, была выполнена на системах IonQ Forte с ионами в ловушке и 64-кубитной системе разработки Barium, аналогичной будущей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов. Ссылка: https://arxiv.org/abs/2604.28121

В рамках важной вехи в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной аппаратной демонстрации сложного трехмерного адвекционно-диффузионного поведения жидкости с неоднородными полями скоростей и границами. Демонстрация, использующая гибридную структуру алгоритма квантового метода решеточных уравнений Больцмана (QLBM) для CFD и транспортного моделирования, была выполнена на системах IonQ Forte с ионами в ловушке и 64-кубитной системе разработки Barium, аналогичной будущей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов.

Ссылка: https://arxiv.org/abs/2604.28121

Столп 2: Синергия квантовых вычислений и ИИ

Фокус: Подчеркивание того, как квантовые вычисления могут выступать в качестве множителя силы для современного ИИ — улучшая точность моделей, оптимизируя этапы обучения и открывая новые возможности в областях с интенсивным использованием данных.

«DQAOA-GPT: ИИ-ускоренная распределенная квантовая оптимизация для комбинаторных задач». IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых вычислений и ИИ с помощью новой модели распределенного квантового приближенного алгоритма оптимизации и генеративного предварительно обученного трансформера (DQAOA-GPT). Эта гибридная структура объединяет DQAOA, который разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых схем на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной генерации схем на основе ИИ приводит к снижению вычислительных накладных расходов и затрат, а также к большей способности решать более крупные задачи оптимизации по сравнению с итеративным вариационным методом оптимизации, используемым обычно. Ссылка: https://arxiv.org/abs/2607.20225

IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых вычислений и ИИ с помощью новой модели распределенного квантового приближенного алгоритма оптимизации и генеративного предварительно обученного трансформера (DQAOA-GPT). Эта гибридная структура объединяет DQAOA, который разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых схем на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной генерации схем на основе ИИ приводит к снижению вычислительных накладных расходов и затрат, а также к большей способности решать более крупные задачи оптимизации по сравнению с итеративным вариационным методом оптимизации, используемым обычно.

Ссылка: https://arxiv.org/abs/2607.20225

«Измерение точности и энергозатрат на решение при квантовой донастройке фундаментальных моделей ИИ». Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно донастраивать предварительно обученные классические модели ИИ для гибкой адаптации к конкретным задачам классификации. В этой новой работе, выполненной в партнерстве с QuantumBasel, эти схемы квантовой донастройки были успешно выполнены на реальном аппаратном обеспечении QPU, машине IonQ Forte Enterprise, что позволило достичь снижения ошибки на 24% по сравнению с классическими базовыми показателями донастройки в идеальном/бесшумном случае моделирования. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классическим моделированием. Ссылка: arXiv:2605.02798

Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно донастраивать предварительно обученные классические модели ИИ для гибкой адаптации к конкретным задачам классификации. В этой новой работе, выполненной в партнерстве с QuantumBasel, эти схемы квантовой донастройки были успешно выполнены на реальном аппаратном обеспечении QPU, машине IonQ Forte Enterprise, что позволило достичь снижения ошибки на 24% по сравнению с классическими базовыми показателями донастройки в идеальном/бесшумном случае моделирования. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классическим моделированием.

Ссылка: arXiv:2605.02798

«Масштабируемое обучение квантовых нейронных сетей на аппаратном обеспечении и применение для импутации клинических данных». IonQ и Quantum Signals продемонстрировали важное применение в здравоохранении, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (EHR). Мы подтвердили гибридную квантово-классическую структуру обучения для градиентной оптимизации QNN на процессорах ближайшего будущего, поставив задачу импутации клинических данных на наборе данных MIMIC-III, который содержит десятки тысяч электронных медицинских карт пациентов. Квантовые модели работали на IonQ Forte Enterprise при 16 кубитах без снижения производительности и через тензорно-сетевое моделирование при 32 кубитах, при этом логический вывод на 32 кубитах выполнялся на аппаратном обеспечении. Модели соответствовали или превосходили сильные классические нейронные базовые показатели, демонстрируя при этом уменьшенную дисперсию между запусками, что показывает практическое, масштабируемое обучение QNN в условиях ограничений аппаратного обеспечения ближайшего будущего. Ссылка: https://arxiv.org/abs/2606.03517

IonQ и Quantum Signals продемонстрировали высокоэффективное применение в здравоохранении, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (EHR). Мы подтвердили работоспособность гибридной квантово-классической структуры обучения для градиентной оптимизации QNN на процессорах текущего поколения, поставив задачу импутации клинических данных на наборе данных MIMIC-III, который содержит десятки тысяч электронных медицинских карт пациентов. Квантовые модели работали на системе IonQ Forte Enterprise с использованием 16 кубитов без снижения производительности, а также посредством симуляции тензорных сетей на 32 кубитах, при этом логический вывод (inference) на 32 кубитах выполнялся непосредственно на аппаратном обеспечении. Модели сравнялись с сильными классическими нейронными сетями или превзошли их, демонстрируя при этом меньшую дисперсию результатов, что доказывает практическую возможность масштабируемого обучения QNN в условиях ограничений аппаратного обеспечения текущего поколения.

Ссылка: https://arxiv.org/abs/2606.03517

«Квантовые представления четности для классического машинного обучения: обнаруживаемость обучаемых базисов и восстановление энкодера». Это исследование имеет экономические последствия для компаний, стремящихся минимизировать аппаратные затраты при выполнении логического вывода (inference) моделей ИИ. В нем изучались представления на основе четности для классификации, поскольку они являются выразительными, но дешевыми в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются исключительно на этапе обучения для обнаружения скрытых векторов бинарных коэффициентов. Решение этой задачи чисто классическими методами соответствует экспоненциальному перебору всех возможных бинарных векторов. После обнаружения бинарного вектора логический вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферийных устройствах (edge). В ходе исследования обнаруженные слова бинарных векторов повысили среднюю точность на 23,9%–41,7% по сравнению с протестированными классическими базовыми моделями. Ссылка: https://arxiv.org/abs/2605.11213

Это исследование имеет экономические последствия для компаний, стремящихся минимизировать аппаратные затраты при выполнении логического вывода (inference) моделей ИИ. В нем изучались представления на основе четности для классификации, поскольку они являются выразительными, но дешевыми в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются исключительно на этапе обучения для обнаружения скрытых векторов бинарных коэффициентов. Решение этой задачи чисто классическими методами соответствует экспоненциальному перебору всех возможных бинарных векторов. После обнаружения бинарного вектора логический вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферийных устройствах (edge). В ходе исследования обнаруженные слова бинарных векторов повысили среднюю точность на 23,9%–41,7% по сравнению с протестированными классическими базовыми моделями.

Ссылка: https://arxiv.org/abs/2605.11213

Столп 3: Архитектурная устойчивость и преодоление шумового барьера

Фокус: Подчеркивание растущей аппаратной зрелости и технической строгости IonQ, демонстрирующее, как сложное моделирование шума, аппаратные функции и методы подавления ошибок позволяют извлечь максимальную вычислительную пользу из систем текущего поколения.

«Измерения в середине цепи для снижения шума Клиффорда в гамильтоновых симуляциях». В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине цепи (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления шума Клиффорда (CliNR) и MCM, и при запуске с использованием программного обеспечения для ускоренных вычислений Nvidia этот подход позволил достичь уровня ошибок на 54% ниже, чем при прямых физических прогонах Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и более быстрый вывод продуктов на рынок для предприятий, использующих эти процессы. Ссылка: https://arxiv.org/abs/2605.06792

В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине цепи (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления шума Клиффорда (CliNR) и MCM, и при запуске с использованием программного обеспечения для ускоренных вычислений Nvidia этот подход позволил достичь уровня ошибок на 54% ниже, чем при прямых физических прогонах Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и более быстрый вывод продуктов на рынок для предприятий, использующих эти процессы.

Ссылка: https://arxiv.org/abs/2605.06792

«Сворачивание белков на 64-кубитном аппаратном обеспечении на ионах в ловушке с помощью контрдиабатической квантовой оптимизации». Сворачивание белков — процесс, в ходе которого цепочки аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению связанных с этим затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками по сворачиванию белков от 46 до 61 кубита. В рамках того, что мы считаем крупнейшей на сегодняшний день демонстрацией квантовой оптимизации сворачивания белков на ионах в ловушке, исследователи применили цифровую контрдиабатическую квантовую оптимизацию с полем смещения для решеточного сворачивания белков на экземплярах до 61 кубита на 64-кубитной бариевой системе разработки, аналогичной будущей линейке IonQ Tempo. Ссылка: https://arxiv.org/abs/2604.26861

Сворачивание белков — процесс, в ходе которого цепочки аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению связанных с этим затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками по сворачиванию белков от 46 до 61 кубита. В рамках того, что мы считаем крупнейшей на сегодняшний день демонстрацией квантовой оптимизации сворачивания белков на ионах в ловушке, исследователи применили цифровую контрдиабатическую квантовую оптимизацию с полем смещения для решеточного сворачивания белков на экземплярах до 61 кубита на 64-кубитной бариевой системе разработки, аналогичной будущей линейке IonQ Tempo.

Ссылка: https://arxiv.org/abs/2604.26861

«Спектрально-интерполяционная структура для цветного шума в квантовых цепях». Эта статья, которая будет представлена на конференции IEEE соавтором Дором Габаем, посвящена сложным возможностям внутреннего моделирования шума IonQ и представляет надежную структуру для прогнозирования и смягчения ошибок в цепях. В частности, исследователи изучали цветной шум, который трудно моделировать, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Исследователи связали спектральное представление стохастических шумовых процессов на классической стороне с предварительно вычисленными операторно-значными шумовыми артефактами на квантовой стороне через интерполяцию в пространстве параметров для моделирования эволюции зашумленной цепи. Ссылка: Презентация на конференции / Семинар

В этой статье, которая будет представлена на конференции IEEE соавтором Дором Габаем, основное внимание уделяется сложным возможностям IonQ по внутреннему моделированию шума, а также представлена надежная структура для прогнозирования и смягчения ошибок в схемах. В частности, исследователи изучали цветной шум, который трудно моделировать, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Исследователи связали спектральное представление стохастических шумовых процессов на классической стороне с предварительно вычисленными операторно-значными шумовыми артефактами на квантовой стороне посредством интерполяции в пространстве параметров для моделирования эволюции зашумленной схемы.

Ссылка: Презентация на конференции / Семинар

Что отражает наше портфолио коллективных исследований

Академические исследования являются фундаментом квантовой индустрии, но мы прошли долгий путь от оценки квантовых алгоритмов в чистом академическом вакууме. IonQ и ее партнеры теперь также определяют формальные инженерные правила взаимодействия для гибридных квантово-классических архитектур, делая это сразу на нескольких фронтах.

Наши исследования показывают, что максимальная вычислительная полезность и корпоративная ценность достигаются за счет гибридного выполнения — сочетания целевой квантовой обработки с этапами классической предварительной или последующей обработки там, где они приносят наибольшую выгоду. При этом мы подчеркиваем непосредственную жизнеспособность оборудования эпохи NISQ за счет использования встроенных функций оборудования, таких как измерение в середине схемы и внутреннее моделирование шума, для получения высокоточных результатов уже сегодня, доказывая, что нам не нужно ждать полной отказоустойчивости, чтобы обеспечить реальное бизнес-воздействие и коммерческую ценность.

Также важно отметить, что IonQ не ускоряет эту интегрированную эволюцию в одиночку. Демонстрация реального прироста производительности, преимуществ синергии квантовых технологий и ИИ, а также улучшений качества архитектуры требует командной работы. Совместная разработка с такими партнерами, как Nvidia, Synopsys/Ansys, Einride и другими в области оборудования, пользовательских алгоритмов и промышленных программных стеков, неоценима для продвижения этой эволюции вперед.

Благодаря этим достижениям в исследованиях IonQ не только видит, как сходятся ее академические и коммерческие графики квантовых вычислений, но и способствует тому, чтобы квантовые вычисления стали самостоятельным, активным компонентом более широкой современной вычислительной экосистемы. Мы ожидаем, что обмен этими конкретными архитектурными вехами с мировым сообществом IEEE приведет к дальнейшему ускорению движения квантовых вычислений к центру этой экосистемы.

Заявления IonQ о перспективах

Этот документ содержит прогнозные заявления, включая заявления относительно сроков появления отказоустойчивых квантовых вычислений и влияния обмена информацией, содержащейся в этом документе. Эти заявления являются лишь прогнозами, основанными на наших ожиданиях на дату составления этого документа, и подвержены ряду рисков, включая, среди прочего, те, которые описаны в нашем годовом отчете по форме 10-K за 2025 год и нашем квартальном отчете по форме 10-Q за второй квартал 2026 года, каждый из которых подан в SEC. Время от времени возникают новые риски. Мы не берем на себя обязательств по обновлению каких-либо прогнозных заявлений, за исключением случаев, предусмотренных законом.

Новые исследования от IonQ и ее партнеров объединяют предысторию квантовых вычислений и дорожную карту их будущего, чтобы продемонстрировать реальные результаты уже сегодня.

Трек «Квантовые приложения» — «Измерение точности и энергозатрат при квантовой донастройке фундаментальных моделей ИИ» (совместная работа с клиентом QBasel)

Трек «Сквозные квантово-гибридные тематические исследования» — «Сквозная производительность квантово-ускоренных крупномасштабных рабочих процессов линейной алгебры» (совместная работа с партнером Synopsys)

Еще две работы заняли 3-е место в качестве лучших научных работ в своих треках:

Трек «Сквозные квантово-гибридные тематические исследования» — «Свертывание белокóв на 64-кубитном ионном оборудовании с помощью контрдиабатической квантовой оптимизации» (совместная работа с партнером Kipu)

Трек «Совместное проектирование и поиск в генеративном ИИ» — «DQAOA-GPT: ИИ-ускоренная распределенная квантовая оптимизация для комбинаторных задач» (совместная работа с партнерами/клиентами Oak Ridge и Nvidia)

Как квантовые вычисления развиваются на трех структурных столпах

Ниже представлен более подробный обзор каждой из работ, которые IonQ освещает на IEEE QCE26:

Столп 1: Реальное промышленное влияние и оптимизация

«Сквозная производительность квантово-ускоренных крупномасштабных рабочих процессов линейной алгебры». Моделирование методом конечных элементов (FEA) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает затраты на вычисления и повышает производительность FEA. В данном исследовании квантово-классический решатель для задачи разбиения графов (GPP) был интегрирован в многофизичное программное обеспечение для симуляции FEA Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы, включающие сетки размером до 35 миллионов элементов, с масштабированием до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в лучших сценариях на 14,6% и примерно на 12% соответственно. Ссылка: arXiv:2603.15515

Моделирование методом конечных элементов (FEA) оценивает структурную целостность деталей машин во многих отраслях промышленности, а сокращение времени решения снижает затраты на вычисления и повышает производительность FEA. В данном исследовании квантово-классический решатель для задачи разбиения графов (GPP) был интегрирован в многофизичное программное обеспечение для симуляции FEA Synopsys/Ansys LS-DYNA. GPP важна для снижения затрат на обработку разреженных матриц в сложных сетках конечных элементов. Мы протестировали рабочие процессы, включающие сетки размером до 35 миллионов элементов, с масштабированием до 150 кубитов в симуляциях NVIDIA CUDA-Q/cuTensorNet и до 36 кубитов на оборудовании IonQ Forte, с улучшением времени выполнения в лучших сценариях на 14,6% и примерно на 12% соответственно.

Ссылка: arXiv:2603.15515

«Гибридные квантово-классические рабочие процессы оптимизации для задачи выбора отправки». IonQ и компания, занимающаяся электрическими грузоперевозками, Einride, разработали гибридный квантово-классический рабочий процесс для решения сложной задачи комбинаторной оптимизации, представленной простоями в планировании автопарка, вызванными отменой отправлений и другими сбоями. Решения, полученные с помощью квантовых вычислений, дали оптимизатору Einride быстрый старт, позволив выполнить до 12,1% больше отправок в наиболее эффективном сценарии без существенного изменения операционных расходов. Запуски на ионной ловушке от IonQ совпали с симуляциями для инстансов размером до 35 кубитов, в то время как более масштабные задачи размером до 130 кубитов были смоделированы, что подчеркивает потенциальную ценность квантовых вычислений для крупномасштабной логистики. Ссылка: https://arxiv.org/abs/2604.11758

IonQ и компания по электрическим грузоперевозкам Einride разработали гибридный квантово-классический рабочий процесс для решения сложной комбинаторной задачи оптимизации, возникающей из-за простоев в планировании автопарка, вызванных отменой поставок и другими сбоями. Решения, полученные с помощью квантовых вычислений, позволили «разогреть» оптимизатор Einride, что привело к увеличению количества выполненных поставок до 12,1% в наиболее эффективном сценарии без существенного изменения операционных затрат. Запуски на аппаратном обеспечении IonQ на базе ионов в ловушке соответствовали результатам моделирования для задач до 35 кубитов, в то время как более крупные задачи до 130 кубитов были смоделированы, что подчеркивает потенциальную ценность квантовых вычислений для крупномасштабной логистики.

Ссылка: https://arxiv.org/abs/2604.11758

«Квантовые решения на основе метода решеточных уравнений Больцмана для транспорта при трехмерной пространственно-неоднородной адвекции на аппаратном обеспечении с ионами в ловушке». В рамках важной вехи в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной аппаратной демонстрации сложного трехмерного адвекционно-диффузионного поведения жидкости с неоднородными полями скоростей и границами. Демонстрация, использующая гибридную структуру алгоритма квантового метода решеточных уравнений Больцмана (QLBM) для CFD и транспортного моделирования, была выполнена на системах IonQ Forte с ионами в ловушке и 64-кубитной системе разработки Barium, аналогичной будущей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов. Ссылка: https://arxiv.org/abs/2604.28121

В рамках важной вехи в вычислительной гидродинамике (CFD) компании IonQ и Ansys объединили усилия для первой высокоточной аппаратной демонстрации сложного трехмерного адвекционно-диффузионного поведения жидкости с неоднородными полями скоростей и границами. Демонстрация, использующая гибридную структуру алгоритма квантового метода решеточных уравнений Больцмана (QLBM) для CFD и транспортного моделирования, была выполнена на системах IonQ Forte с ионами в ловушке и 64-кубитной системе разработки Barium, аналогичной будущей линейке IonQ Tempo. Для компаний, использующих CFD, это достижение может привести к ускорению НИОКР и более реалистичному моделированию жидкостей с использованием меньших вычислительных ресурсов.

Ссылка: https://arxiv.org/abs/2604.28121

Столп 2: Синергия квантовых вычислений и ИИ

«DQAOA-GPT: ИИ-ускоренная распределенная квантовая оптимизация для комбинаторных задач». IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых вычислений и ИИ с помощью новой модели распределенного квантового приближенного алгоритма оптимизации и генеративного предварительно обученного трансформера (DQAOA-GPT). Эта гибридная структура объединяет DQAOA, который разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых схем на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной генерации схем на основе ИИ приводит к снижению вычислительных накладных расходов и затрат, а также к большей способности решать более крупные задачи оптимизации по сравнению с итеративным вариационным методом оптимизации, используемым обычно. Ссылка: https://arxiv.org/abs/2607.20225

IonQ, Окриджская национальная лаборатория и Nvidia демонстрируют реальную конвергенцию квантовых вычислений и ИИ с помощью новой модели распределенного квантового приближенного алгоритма оптимизации и генеративного предварительно обученного трансформера (DQAOA-GPT). Эта гибридная структура объединяет DQAOA, который разбивает крупные задачи оптимизации на более мелкие подзадачи, с генерацией квантовых схем на основе GPT для решения этих подзадач. Объединение квантовой оптимизации комбинаторных задач и обученной генерации схем на основе ИИ приводит к снижению вычислительных накладных расходов и затрат, а также к большей способности решать более крупные задачи оптимизации по сравнению с итеративным вариационным методом оптимизации, используемым обычно.

Ссылка: https://arxiv.org/abs/2607.20225

«Измерение точности и энергозатрат на решение при квантовой донастройке фундаментальных моделей ИИ». Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно донастраивать предварительно обученные классические модели ИИ для гибкой адаптации к конкретным задачам классификации. В этой новой работе, выполненной в партнерстве с QuantumBasel, эти схемы квантовой донастройки были успешно выполнены на реальном аппаратном обеспечении QPU, машине IonQ Forte Enterprise, что позволило достичь снижения ошибки на 24% по сравнению с классическими базовыми показателями донастройки в идеальном/бесшумном случае моделирования. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классическим моделированием. Ссылка: arXiv:2605.02798

Предыдущие исследования IonQ показали, что квантовые нейронные сети могут эффективно донастраивать предварительно обученные классические модели ИИ для гибкой адаптации к конкретным задачам классификации. В этой новой работе, выполненной в партнерстве с QuantumBasel, эти схемы квантовой донастройки были успешно выполнены на реальном аппаратном обеспечении QPU, машине IonQ Forte Enterprise, что позволило достичь снижения ошибки на 24% по сравнению с классическими базовыми показателями донастройки в идеальном/бесшумном случае моделирования. Анализ энергии, потребляемой при выполнении этих схем, продемонстрировал четкий путь к благоприятной энергоэффективности квантового оборудования с предполагаемой точкой безубыточности энергозатрат на решение около 34 кубитов по сравнению с классическим моделированием.

Ссылка: arXiv:2605.02798

«Масштабируемое обучение квантовых нейронных сетей на аппаратном обеспечении и применение для импутации клинических данных». IonQ и Quantum Signals продемонстрировали важное применение в здравоохранении, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (EHR). Мы подтвердили гибридную квантово-классическую структуру обучения для градиентной оптимизации QNN на процессорах ближайшего будущего, поставив задачу импутации клинических данных на наборе данных MIMIC-III, который содержит десятки тысяч электронных медицинских карт пациентов. Квантовые модели работали на IonQ Forte Enterprise при 16 кубитах без снижения производительности и через тензорно-сетевое моделирование при 32 кубитах, при этом логический вывод на 32 кубитах выполнялся на аппаратном обеспечении. Модели соответствовали или превосходили сильные классические нейронные базовые показатели, демонстрируя при этом уменьшенную дисперсию между запусками, что показывает практическое, масштабируемое обучение QNN в условиях ограничений аппаратного обеспечения ближайшего будущего. Ссылка: https://arxiv.org/abs/2606.03517

IonQ и Quantum Signals продемонстрировали высокоэффективное применение в здравоохранении, используя квантовые нейронные сети (QNN) для интеллектуального заполнения пропусков в электронных медицинских картах (EHR). Мы подтвердили работоспособность гибридной квантово-классической структуры обучения для градиентной оптимизации QNN на процессорах текущего поколения, поставив задачу импутации клинических данных на наборе данных MIMIC-III, который содержит десятки тысяч электронных медицинских карт пациентов. Квантовые модели работали на системе IonQ Forte Enterprise с использованием 16 кубитов без снижения производительности, а также посредством симуляции тензорных сетей на 32 кубитах, при этом логический вывод (inference) на 32 кубитах выполнялся непосредственно на аппаратном обеспечении. Модели сравнялись с сильными классическими нейронными сетями или превзошли их, демонстрируя при этом меньшую дисперсию результатов, что доказывает практическую возможность масштабируемого обучения QNN в условиях ограничений аппаратного обеспечения текущего поколения.

Ссылка: https://arxiv.org/abs/2606.03517

«Квантовые представления четности для классического машинного обучения: обнаруживаемость обучаемых базисов и восстановление энкодера». Это исследование имеет экономические последствия для компаний, стремящихся минимизировать аппаратные затраты при выполнении логического вывода (inference) моделей ИИ. В нем изучались представления на основе четности для классификации, поскольку они являются выразительными, но дешевыми в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются исключительно на этапе обучения для обнаружения скрытых векторов бинарных коэффициентов. Решение этой задачи чисто классическими методами соответствует экспоненциальному перебору всех возможных бинарных векторов. После обнаружения бинарного вектора логический вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферийных устройствах (edge). В ходе исследования обнаруженные слова бинарных векторов повысили среднюю точность на 23,9%–41,7% по сравнению с протестированными классическими базовыми моделями. Ссылка: https://arxiv.org/abs/2605.11213

Это исследование имеет экономические последствия для компаний, стремящихся минимизировать аппаратные затраты при выполнении логического вывода (inference) моделей ИИ. В нем изучались представления на основе четности для классификации, поскольку они являются выразительными, но дешевыми в вычислениях. Работа подчеркивает асимметричную гибридную парадигму, где квантовые ресурсы используются исключительно на этапе обучения для обнаружения скрытых векторов бинарных коэффициентов. Решение этой задачи чисто классическими методами соответствует экспоненциальному перебору всех возможных бинарных векторов. После обнаружения бинарного вектора логический вывод модели выполняется полностью на классическом устройстве и является достаточно дешевым для развертывания на периферийных устройствах (edge). В ходе исследования обнаруженные слова бинарных векторов повысили среднюю точность на 23,9%–41,7% по сравнению с протестированными классическими базовыми моделями.

Ссылка: https://arxiv.org/abs/2605.11213

Столп 3: Архитектурная устойчивость и преодоление шумового барьера

«Измерения в середине цепи для снижения шума Клиффорда в гамильтоновых симуляциях». В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине цепи (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления шума Клиффорда (CliNR) и MCM, и при запуске с использованием программного обеспечения для ускоренных вычислений Nvidia этот подход позволил достичь уровня ошибок на 54% ниже, чем при прямых физических прогонах Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и более быстрый вывод продуктов на рынок для предприятий, использующих эти процессы. Ссылка: https://arxiv.org/abs/2605.06792

В сотрудничестве с NVIDIA и qBraid эта работа продемонстрировала уникальные возможности измерений в середине цепи (MCM) системы IonQ Tempo для устранения ошибок во время сложных химических и молекулярных симуляций. Исследователи объединили методы обобщенного сверхбыстрого кодирования (GSE), подавления шума Клиффорда (CliNR) и MCM, и при запуске с использованием программного обеспечения для ускоренных вычислений Nvidia этот подход позволил достичь уровня ошибок на 54% ниже, чем при прямых физических прогонах Троттера. Более низкий уровень ошибок в конечном итоге означает более точные и эффективные симуляции, снижение затрат на НИОКР и более быстрый вывод продуктов на рынок для предприятий, использующих эти процессы.

Ссылка: https://arxiv.org/abs/2605.06792

«Сворачивание белков на 64-кубитном аппаратном обеспечении на ионах в ловушке с помощью контрдиабатической квантовой оптимизации». Сворачивание белков — процесс, в ходе которого цепочки аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению связанных с этим затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками по сворачиванию белков от 46 до 61 кубита. В рамках того, что мы считаем крупнейшей на сегодняшний день демонстрацией квантовой оптимизации сворачивания белков на ионах в ловушке, исследователи применили цифровую контрдиабатическую квантовую оптимизацию с полем смещения для решеточного сворачивания белков на экземплярах до 61 кубита на 64-кубитной бариевой системе разработки, аналогичной будущей линейке IonQ Tempo. Ссылка: https://arxiv.org/abs/2604.26861

Сворачивание белков — процесс, в ходе которого цепочки аминокислот принимают трехмерные структуры, обеспечивающие биологические функции, — является ключом к ускорению разработки лекарств и снижению связанных с этим затрат на НИОКР. IonQ и Kipu изучили шесть пептидов с помощью геометрически ограниченной решеточной модели с нагрузками по сворачиванию белков от 46 до 61 кубита. В рамках того, что мы считаем крупнейшей на сегодняшний день демонстрацией квантовой оптимизации сворачивания белков на ионах в ловушке, исследователи применили цифровую контрдиабатическую квантовую оптимизацию с полем смещения для решеточного сворачивания белков на экземплярах до 61 кубита на 64-кубитной бариевой системе разработки, аналогичной будущей линейке IonQ Tempo.

Ссылка: https://arxiv.org/abs/2604.26861

«Спектрально-интерполяционная структура для цветного шума в квантовых цепях». Эта статья, которая будет представлена на конференции IEEE соавтором Дором Габаем, посвящена сложным возможностям внутреннего моделирования шума IonQ и представляет надежную структуру для прогнозирования и смягчения ошибок в цепях. В частности, исследователи изучали цветной шум, который трудно моделировать, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Исследователи связали спектральное представление стохастических шумовых процессов на классической стороне с предварительно вычисленными операторно-значными шумовыми артефактами на квантовой стороне через интерполяцию в пространстве параметров для моделирования эволюции зашумленной цепи. Ссылка: Презентация на конференции / Семинар

В этой статье, которая будет представлена на конференции IEEE соавтором Дором Габаем, основное внимание уделяется сложным возможностям IonQ по внутреннему моделированию шума, а также представлена надежная структура для прогнозирования и смягчения ошибок в схемах. В частности, исследователи изучали цветной шум, который трудно моделировать, поскольку, в отличие от белого шума, он имеет неравномерное распределение мощности сигнала по частотам и временные корреляции между выборками. Исследователи связали спектральное представление стохастических шумовых процессов на классической стороне с предварительно вычисленными операторно-значными шумовыми артефактами на квантовой стороне посредством интерполяции в пространстве параметров для моделирования эволюции зашумленной схемы.

Ссылка: Презентация на конференции / Семинар

IonQ | IonQ на IEEE QCE26: 10 научных работ, реальные квантовые результаты

Как квантовые вычисления развиваются на трех структурных столпах

Столп 1: Реальное промышленное влияние и оптимизация

Столп 2: Синергия квантовых вычислений и ИИ

Столп 3: Архитектурная устойчивость и преодоление шумового барьера

Что отражает наше портфолио коллективных исследований

Заявления IonQ о перспективах

IonQ | IonQ на IEEE QCE26: 10 научных работ, реальные квантовые результаты

Как квантовые вычисления развиваются на трех структурных столпах

Столп 1: Реальное промышленное влияние и оптимизация

Столп 2: Синергия квантовых вычислений и ИИ

Столп 3: Архитектурная устойчивость и преодоление шумового барьера

Что отражает наше портфолио коллективных исследований

Заявления IonQ о перспективах