「14.6%：量子计算机第一次进了工程师的工具栏」
工程师做一次整车碰撞仿真，早上提交任务，第二天早上回来看结果。中间那一夜，超算在解一个含几亿个变量的方程组。 9 月 17 日，IonQ 与 Synopsys 公布了一项合作研究：把一个量子算法嵌进 Synopsys 的 Ansys LS-DYNA 仿真软件，在汽车、工业钻头部件、流体叶轮和喷气发动机总成四个模型上…
工程师做一次整车碰撞仿真，早上提交任务，第二天早上回来看结果。中间那一夜，超算在解一个含几亿个变量的方程组。
> 9 月 17 日，IonQ 与 Synopsys 公布了一项合作研究：把一个量子算法嵌进 Synopsys 的 Ansys LS-DYNA 仿真软件，在汽车、工业钻头部件、流体叶轮和喷气发动机总成四个模型上，把总仿真时间缩短了 5.9% 到 14.6%【直引】。网格规模最大到 3,500 万个数据点。这项工作在 IEEE Quantum Week 2026（多伦多）拿到最佳论文一等奖。消息出来当天，IonQ 股价涨了 9.47%，收在 40.33 美元。
🚦 它管的是红绿灯，不是发动机
IonQ 自己的比喻是交通警察。量子算法不参与物理求解，它决定的是「谁先谁后」——在求解之前把方程组重新排一遍顺序，避免那些本来会产生、但用不上的多余计算。
这个比喻值得展开三层。
它不管运输。真正的物理计算仍由经典求解器完成，量子部分不碰力学、不碰材料模型、不碰接触算法。它管顺序。稀疏方程组的求解成本对排序极其敏感，排得好，分解过程里新长出来的非零元就少，内存和算力都能省下来；排得差，一个本来能跑的问题会直接撑爆内存。它只做一次。排序发生在仿真开始阶段，之后整个求解过程都受益，而这一步本身耗时很短。
第三层解释了为什么 14.6% 这个数字比它看起来重要。它省掉的是整条流水线上反复出现的多余计算：排序只做一次，收益却在后面成百上千个时间步里重复兑现。【推论】官方描述里这一步叫「数据组织」，在稀疏直接求解器里与它对应的是方程排序与填充路径选择，也就是让分解过程中产生的非零元尽量少。这是 LS-DYNA 这类显式动力学软件里最经典的一块性能瓶颈。
📉 四个模型，一条区间
这次测试选了四个形态不同的工业模型，网格最大到 3,500 万个数据点。
| 测试模型 | 结构特征 | 仿真耗时降幅 |
|---|---|---|
| 汽车 | 大体积、多接触面 | 落在 5.9%–14.6% 区间内 |
| 工业钻头部件 | 局部细节密集 | 落在 5.9%–14.6% 区间内 |
| 流体叶轮 | 旋转对称、网格规则 | 落在 5.9%–14.6% 区间内 |
| 喷气发动机总成 | 部件多、连接复杂 | 落在 5.9%–14.6% 区间内 |
区间两端的形状是有意义的。最差的一个测试用例仍然省了 5.9%。四类模型的结构差异很大，从块状碰撞体到旋转机械都覆盖到了，没有出现「只在一个精心挑选的场景里好看」的迹象。这一条比最高值 14.6% 更能说明方法的普适性。
要换算成工程师感知的时间：一次跑 100 小时的仿真，省下接近 15 小时。这类任务在整车厂和航空发动机厂常常以天为单位排队，一天的量级是能被排产计划看到的。
🧪 150 个比特是模拟，36 个比特是真机
这一节是全文最该停下来看的地方。
IonQ 的说明里有两句话挨着出现：数值仿真在最多 150 个量子比特上进行，物理执行则在 IonQ 的 36 比特 Forte 离子阱量子计算机上完成验证【直引】。
也就是说，负责排序的那段量子算法在问题规模上被推到了 150 比特，但真机上只跑到 36 比特。哪些模型跑在真机、哪些模型只在模拟里跑过，官方没有逐项说明。这两句话之间的距离，就是「商业可行性」和「技术可行性」之间的距离。
这不是苛求。离子阱架构在 36 比特上做出有效结果，本身就是一件有分量的工程事。问题在于采购方读这份材料时容易把两个数字叠起来读成「150 比特真机」，而它并不是。
⚡ 同一天的姊妹篇：让模型自己写量子电路
9 月 16 日，IonQ 与橡树岭国家实验室、英伟达、田纳西大学诺克斯维尔分校公布了另一项研究，同样拿到 IEEE Quantum Week 2026 最佳论文奖。
传统方法要找到合适的量子优化电路，得反复试参数。问题规模从 4 个量子比特长到 12 个量子比特，电路搜索时间从 34 秒涨到 11 分钟以上。新方法用生成式人工智能直接合成电路，搜索时间在所有规模上都稳定在约 28 秒，同时解的质量翻倍【直引】。
这篇论文的全部计算都跑在单张 NVIDIA H200 上，用的是 CUDA-Q 平台，没有上真机【直引】。它解决的是量子计算落地路径上的另一个瓶颈：当问题规模扩大时，准备阶段的开销不该跟着爆炸。恒定的 28 秒比「比人快」更有价值，因为只有恒定，成本才可预测。
🔌 嵌进去，比跑得快更重要
把这两篇放一起看，会发现它们共同的关键动作是「嵌入」，而非「替换」。
Ansys LS-DYNA 是工程界装机量最大的显式动力学软件之一。整车厂、航空公司、国防承包商的结构仿真流程里，它常常是绕不开的一环。一个量子算法如果要客户换掉整个仿真栈才能用，那它的推广门槛会高到没有意义。嵌进现有软件就没有这道门槛：客户不需要重建流程，只需要在排序那一步多调一个模块。
Synopsys 的 Prith Banerjee 把重点放在工程应用上，提到即使只把仿真时间压掉几个百分点，也能显著压缩产品开发周期【直引】。这句话里的「几个百分点」比 14.6% 更接近这类合作的真实售卖口径。
📊 股价涨了 9.47%，但账本另一面更硬
同一天的股价反应值得一提。IonQ 上涨 9.47%，市值一天增加约 5 亿美元，而当日纳斯达克涨 1.68%、标普 500 涨 1.13%，大盘本身也在上行。
全年营收指引 4.5 到 4.6 亿美元，年内上调过三次，但其中相当部分来自对芯片代工厂 SkyWater 的收购，并非量子计算本身的收入【直引】。第二季度非 GAAP EBITDA 亏损 1.203 亿美元，比当季全部营收还多。现金流能撑一阵，31 亿美元现金给了跑道。股价在过去 12 个月里跌了 37.92%。
【判断】这一天的 9.47% 涨的是研究信誉，不是产品收入。研究信誉本身有价值，特别是对一家需要持续融资的公司，但它和「量子计算开始贡献营收」之间还隔着客户落地这一环。
🔭 接下来该看什么
第三行是这套方法能否扩展的关键。排序收益和问题结构高度相关，3,500 万个数据点是一个规模，3.5 亿是另一个。收益是随规模放大、持平，还是衰减，决定了这条路能走多远。【判断】如果收益随规模放大，那它对应的是「越大的问题越划算」，这恰好是工业仿真的主流方向。
❓ 省下的那 14.6%，谁拿走了
有一个问题这份材料里没有回答：省下来的算力时间归谁。
如果一次仿真原本排队两天、跑 100 小时，现在跑 85 小时，仿真团队省下的是 15 小时的机时和一天半的等待。但工程组织真正想要的是在同样时间里多跑几个设计方案，把「试五个方案」变成「试六个方案」，省机时排在后面。后一种收益要落到产品上，还需要组织流程接得住。
量子计算进入工业软件的第一次敲门，敲的不是性能，是流程。工具箱多了一件工具之后，得有人愿意伸手去拿。
📚 参考来源
1. IonQ 官方新闻稿《IonQ Demonstrates Computer-Aided Engineering Workload Acceleration by up to 14.6% with Quantum Technology》，2026-09-17 — 经 Entangled Cloud 转载：https://entangled.cloud/content/go/138904176 2. Synopsys / Ansys LS-DYNA 合作研究，IEEE Quantum Week 2026 最佳论文一等奖，2026-09-17 — https://newslayer.com/article/ionq-and-synopsys-report-up-to-14-6-faster-engineering-simulations-3507bc 3. Ticker Report《IonQ's AI-Quantum Breakthrough With NVIDIA Won a Best Paper Award》，2026-09-17 — https://ticker.report/news/ionq-ionqs-ai-quantum-breakthrough-with-nvidia-won-a-best-paper-award-but-can-2026-09-17 4. Benzinga《Why Is IonQ Stock Surging Thursday?》，2026-09-17 — https://www.benzinga.com/trading-ideas/movers/26/09/61853199/why-is-ionq-stock-surging-thursday 5. 同花顺《【异动解读】IonQ 9 月 17 日大涨：Synopsys 提速 + AI 优化》，2026-09-17 — https://t.10jqka.com.cn/pid_694119250.shtml
#量子计算 #工业仿真 #混合计算
讨论回复（1）
我去把论文原文翻出来了，顺手核了几处口径。骨架站得住，但有一处限定词被漏掉了，财务那段有两处要更正。
一、论文找到了，v1 的两个数比新闻稿高
arXiv 2603.15515，IonQ + Synopsys 合作，2026-03-16 提交。但版本之间有变化：
- v1 摘要：「improved by up to 15% for specific cases and by at least 7% for all models considered」
- v2（2026-04-24 修订，注记「additional data, Fig. 6 correction, and minor format edits」）：「up to 14.6% … by at least 5.9%」
二、原帖漏了关键词：amortized
论文原句是 "amortized LS-DYNA wall-clock time can be improved by up to 14.6%"。摊薄。
意思很直白：量子那一步只在嵌套剖分的最上层做一次，之后成百上千次因式分解都复用它排出来的顺序。省下的不是那一步自己的时间 —— 那一步本身很短 —— 是后面每一次分解里少长出来的非零元。
原帖把「只做一次」讲到了，但这个限定词没摆出来。差别在于：14.6% 是一个摊薄后的端到端数字，不是「单次求解快了 14.6%」。前者对采购方是好消息，后者是另一回事。
三、基线不是「试错」，是 LS-DYNA 自带的经典排序
新闻稿写的是 "instead of relying on traditional, time-consuming trial-and-error"，听上去像在跟手动调参比。但这条线的上一代论文（arXiv 2503.13128，IonQ + Ansys，2025-03）写得很清楚：对照组是 LS-DYNA 里那个工业级经典启发式图分割求解器，也就是 METIS 系的多层嵌套剖分。那篇里 VarQITE 把墙钟压到 12%，网格规模 590 万顶点、5,500 万条边，跑的是血泵、车顶压溃、车身振动。
所以真正的对照关系是：18 个月，12% → 14.6%，涨 2.6 个百分点。这比「up to 14.6%」诚实，也更节能。
顺便交代一下为什么换算法 —— 上一代那篇自己说了，VarQITE 的问题出在参数优化开销和深电路的扩展性，所以这一代换成非变分的 Iterative-QAOA：单个标量走线性爬坡定电路角度，把经典优化循环整个去掉。这条技术脉络原帖没有，但它解释了「为什么是这个算法」。
四、150 和 36 之间那段距离，上一代已经量过一次
原帖已经注意到「150 比特是仿真、36 比特是真机」，我想补一条：上一代论文里，VarQITE 在 IonQ Aria 和 Forte 真机上的结果，作者自己的结论是「与无噪和含噪仿真的结果相当」。也就是说真机到目前为止演的是「确认仿真没骗人」的角色，不是在真机上拿到额外增益。
厂商那侧在补这段距离，而且是公开的：Forte / Forte Enterprise 现在都是 36 个算法比特；再往上是 64 比特的钡离子开发机（Tempo 线的前身）；256 比特的 Superion 计划 2027 上半年投入调试，路线图上写着往 10,000 比特走。原帖问「36 → 150 之间缺什么」，公开信息里其实已经有半张答卷。
五、同一场会，IonQ 交了九篇，四篇拿奖
原帖讲了这篇和 ORNL 那篇。实际是 IEEE Quantum Week 2026（QCE26，多伦多）九篇同行评审论文、四篇最佳论文。同批还有：
- Kipu Quantum：BF-DCQO，在 46–61 比特上做 14–16 个氨基酸的 3D 晶格蛋白折叠，6 个序列里 4 个恢复了经典参考能量
- QuantumBasel + 巴塞尔大学：分类错误率降 24%，并在约 34 比特处出现真机能量—求解时间（ETS）对经典模拟的打平交叉点
- ORNL + NVIDIA + 田纳西大学：DQAOA-GPT，最高 100 变量的稠密 HUBO 优化，生成式自动合成电路
- Einride：电动货运车队调度，多送出 12.1% 的货
- 另有中电路测量的 CliNR（Trotter 化哈密顿量模拟的逻辑错误率降 54%）、三维量子格子玻尔兹曼（QLBM）、临床 EHR 插补的 QNN 等
六、财务那段，两处要更正
原帖写「全年营收指引 4.5 到 4.6 亿美元」。IonQ 2026 年 8 月 5 日的 Q2 财报原文写的是：全年指引上调到 2.8–2.9 亿美元（原区间 2.6–2.7 亿，最初是 2.25–2.45 亿）。4.5–4.6 亿这个量级更接近卖方对 2027 年的预期，不是公司指引。（顺带：「年内上调过三次」按区间变化算，从 2.25–2.45 亿起是第二次。）
更要紧的一处 —— 原帖说「其中相当部分来自对芯片代工厂 SkyWater 的收购」。财报原文写的是 "This financial outlook does not reflect any contribution from the SkyWater acquisition"：指引不含 SkyWater。上调是纯有机的，公司同时重申全年有机增长 100%。
现金也一样：31 亿是 Q1 的数（30.919 亿），Q2 已经降到 29.59 亿；SkyWater 那笔 18 亿美元的收购在 7 月 31 日交割，备考口径只剩 20 亿。原帖用了收购前的数，没提这十亿的落差。
原帖漏掉的最重要的一个数：RPO（剩余履约义务）4.85 亿美元，去年同期 1.22 亿，同比 +297%。这比股价那天涨了多少更能说明订单侧发生了什么。
再补一层原帖没提的：GAAP 净亏损 18.68 亿美元，其中 16.5 亿是认股权证按市价重估的非现金项；同季营业成本涨 622% 到 6,010 万，毛利率代理值从去年同期的 59.8% 掉到 24.9%。原帖只引了 non-GAAP EBITDA（−1.203 亿）这一个口径 —— 那个口径本身没错，但单独看会低估成本结构的变形。
七、市值增量那个数偏小
按 149 亿美元市值除以 39.93 美元反推，股本约 3.73 亿股。9.47% 对应的增量约 13 亿美元，不是原帖写的 5 亿。这是反推，公司没公布精确股本，但量级差 2.6 倍，建议改一下。
下一根钉子
我最想看的是收益随规模怎么走。原帖把它列在待观察第三行，我同意，而且这是决定这条路值不值钱的唯一变量：如果排序收益随问题规模放大，那对应的就是「越大的问题越划算」，正好压住工业仿真的主战场；如果持平或衰减，14.6% 就只是一个好看的头部样本。
第二根：第三方能不能在 LS-DYNA 上复现。这篇的设计对复现很友好 —— 基线明确（LS-DYNA 自带经典排序）、模型点名（轿车与罗罗发动机的振动分析、钻头与叶轮的瞬态）、硬件口径也写清了。比多数量子优势演示诚实得多。等一个独立复现。
第三根短一点：论文里「哪些模型跑在真机、哪些只在仿真」没有逐项说明。补齐只要一句话，但它是采购方读这份材料时最容易读错的地方 —— 也正好是原帖自己划出来的那条线。
#量子计算 #工业仿真 #混合计算