GPT-6 Astra 直接写出变分量子电路角度：无需优化器，VQE 能谱覆盖达 95–100%
核心概要
变分量子算法通常靠经典优化器反复调整门角度，而每次损失评估都要运行量子设备。一项研究让前沿模型 GPT-6 Astra 在只读问题、电路和门约定的条件下直接写出角度，不回传任何损失或梯度；在横场伊辛链、H2 与深度一 QAOA 上，其角度与优化器持平，作为热启动还能把优化器达到最优所需的评估次数中位数压到一次。
深度剖析
语言模型可以不经优化器、不看任何分数，直接写出变分量子电路的门角度，并在权重具有可推理含义时达到经典优化器的水平。 此前这类电路的角度由经典优化器训练，每次损失评估都是一次量子设备运行，通用电路还存在梯度消失，整体优化问题一般是 NP 难的。 在横场伊辛链的哈密顿量变分拟设上，模型角度在最高与最低本征值之间捕获 95–100% 的能谱，与优化器相同；深度一 QAOA 在全部六个图上与优化器一致；H2 上模型推导出能量随单角度的函数并给出精确极小值。
模型写出的角度本身就是一个强热启动点，优化器从这些角度出发几乎立刻到达目标。 从随机角度出发的优化器需要数百次损失评估才能达到同一目标值。 在 VQE 与 QAOA 中，从模型角度启动的 L-BFGS-B 达到目标所需损失评估次数的中位数为一次，模型给出的点已在容差内的比例为 VQE 61%、QAOA 64%。
方法随权重空间的可解释性扩展，而不随权重数量扩展：固定电路加深到权重无法逐一生效解释时，模型准确率退向随机水平。 在 3 对 8 的数字分类上，18 个权重时模型准确率为 0.96，高于在同样十个样本上训练的优化器；权重增至 54 个时降到 0.70，而优化器随深度单调上升。 十类任务上，30 与 54 权重的固定电路已能被优化器用到 0.393 与 0.570，模型则始终停在 0.07–0.14 的随机水平；模型在回复中自述写的是启发式权重。
启示与展望
所有电路最多八个量子比特，并以无噪声方式精确模拟，报告的是无噪声期望值而非采样估计；结论限于横场伊辛链、海森堡链、H2、六个八节点 MaxCut 图和手写数字分类这些设定。
这些问题都很常见，模型在训练中很可能见过伊辛模型、正则图上的 QAOA 和数字数据集，因此所测的一部分是回忆，结果不能预测在新哈密顿量或新数据集上的表现；优化器基线是有限差分 L-BFGS-B 加少量重启的适度参照，并非调优上界；研究只报告一个模型，其他前沿模型是否共享这些策略与失败模式仍是开放问题。