QUANTUM · AI · SCIENCE
每日快读，追溯证据；每周梳理技术与产品机会。
AWS与JPMorganChase合作提出面向近端量子硬件的组合优化分解流程、Rydberg原子阵列编译工具和混合算法qReduMIS。实验显示，分解流程可将真实投资组合优化问题规模降低约80%，并在最多1500个变量的问题上实现3倍求解时间缩短；qReduMIS在Amazon Braket上使用QuEra Aquila设备进行最多231量子比特的实验，困难实例平均成功率超过约89%。
本站判断：三项研究把组合优化分解、硬件编译与量子经典协同串成工具链，并报告真实设备实验指标，便于比较近端量子优化方案。
研究团队将基于经典密度泛函理论的材料能量模型映射到QuEra Aquila中性原子量子硬件，用量子退火采样氮掺杂石墨烯的热力学状态。在28位点系统上通过穷举将有效温度校准为41μK，在78位点系统上与无偏蒙特卡洛比较，并展示通过4.0、4.5和5.0微米原子间距调节有效温度。该工作是概念验证，QPU每个数据点运行1000次，最终仅保留初始构型完全占据的运行。
本站判断：以小规模穷举和经典蒙特卡洛作为基线，给出中性原子量子退火用于无序材料热力学采样的概念验证。
AWS、LBNL、NASA与NVIDIA研究人员发布量子与经典工作流性能模型，以通信计算比判断低延迟紧耦合是否必要。模型区分实时控制与量子纠错所需低延迟，以及应用层工作流通信；前者必须跟上设备时序，使用逻辑比特时也需要高性能经典计算。
本站判断：将实时控制与工作流通信分层，并以通信计算比分析SQD、GQE和QE-MCMC，为混合架构选型提供定量依据。
企业主题按主体汇集资料；量子与通用 AI 进展按具体任务区分。