维度网讯，Quantinuum、NVIDIA 与辉瑞（Pfizer Inc.）的研究团队提出一种名为 ADAPT-GQE 的生成式量子 AI 框架，用于自动化合成药物分子的基态量子电路。该框架已在 Quantinuum 的 98 比特 Helios-1 离子阱处理器上完成运行验证。

相关论文以“Learning to Prepare Molecular Ground States with Transformer Models”为题发布。该研究提出的生成式量子 AI（GenQAI）框架结合了经典高性能计算（HPC）、生成式 Transformer 模型与量子处理单元（QPU），用于计算复杂活性药物成分（API）的基态制备电路。

此次实验要解决的是近期变分量子算法（VQE）中的一个计算瓶颈。标准自适应算法如 ADAPT-VQE，每一步需评估数千个算子梯度并重新优化参数景观，使超过约 15 个量子比特的体系在计算上难以落地。ADAPT-GQE 用生成式 Transformer 在单次前向传播中直接合成紧凑、低能的电路结构。

ADAPT-GQE 是一种生成式 AI 模型，训练数据来自经 GPU 加速的经典超级计算所生成的量子化学数据集。模型预测了三环类抗抑郁药丙咪嗪（imipramine）的完整基态量子电路。丙咪嗪是强制降解与货架期稳定性研究中常用的行业基准药物。

框架的合成流水线分为三个环节。数据生成环节基于 NVIDIA CUDA-Q 加速的 ADAPT-VQE 电路，并结合 OpenMM 与 MACE-OFF 进行分子动力学构象采样，活性空间量子比特映射规模为 12 至 16 个；电路合成环节采用微调的 NVIDIA Nemotron 模型与 Gemma 3 / Nemotron-Nano Transformer 架构；执行验证环节使用 Quantinuum Helios-1 处理器及 InQuanto 化学平台。

AI 合成的电路达到或超过了参考 ADAPT-VQE 训练数据的基态精度，在 12、14 和 16 量子比特活性空间上，将电路生成时间减少了 3 至 4 个数量级。

研究团队还将组相对策略优化（GRPO）直接作用于生成的电路输出，使模型学会提出新的算子序列，从而在底层 ADAPT-VQE 训练基线上提高了精度。

硬件执行方面，该框架通过 Quantinuum 的 InQuanto™ 软件平台编译了丙咪嗪构象的合成电路，并在 Helios-1 离子阱处理器上执行，展示了在商用 QPU 上开展 AI 驱动量子算法生成的可行性。

该项工作由 Quantinuum、NVIDIA 与辉瑞化学研发团队合作完成，为自动化实用规模量子计算化学建立了一个开源参考框架。