北京量子院范桁团队在人工智能求解大规模组合优化问题方面取得重要进展

　　原标题：我院范桁团队在人工智能求解大规模组合优化问题方面取得重要进展
　　近日，北京量子信息科学研究院（以下简称“量子院”）智能量子计算与模拟团队联合中国科学院物理研究所在人工智能求解大规模组合优化问题方面取得重要进展。研究团队首次将凝聚态多体物理中处理强关联体系的近似策略直接植入人工智能底层架构，提出了一种无需重新训练、可在推理阶段即插即用的加速框架LoRe（Local Recompute）。相关成果以“LoRe: 面向迭代图求解器的、具有单步交互预算的自适应交互-评估路由方法”（LoRe: Adaptive Interaction-Evaluation Routing with Per-Step Interaction Budgets for Iterative Graph Solvers）为题，被人工智能领域国际顶级会议ICML 2026（International Conference on Machine Learning）正式录用，将在主会发表。
　　ICML是机器学习领域最具影响力的国际顶级会议之一，聚焦机器学习理论、算法及其在人工智能各方向中的应用，在全球范围内具有极高的学术影响力，与NeurIPS、ICLR并称为人工智能领域难度最大、水平最高、影响力最强的“三大会议”。ICML 2026将于2026年7月6-11日在韩国首尔举行。
　　组合优化是运筹学与人工智能的核心问题，广泛存在于实时调度、网络资源分配等决策系统中。近年来，基于扩散模型与图神经网络的人工智能求解器在最大独立集（MIS）、旅行商问题（TSP）等经典任务上展现出极佳性能。然而，在大规模复杂网络上，AI求解器遭遇了严重的算力瓶颈：在每一步迭代演化中，模型都需要在整张图的所有边上执行一次稠密评估以消解系统冲突。这种全量评估使得计算开销与峰值显存随图规模的增大急剧线性攀升。对于大规模图，这往往会导致显存溢出（OOM），极大限制了其实际应用。
　　研究团队指出，这一AI算力困境在底层逻辑上与凝聚态物理中处理强关联多体系统时遭遇的挑战高度相似。在哈伯德模型（Hubbard model）等强关联体系中，大量电子通过库仑相互作用彼此强烈耦合，若试图在整个近乎无限的宏观晶格上精确求解所有相互作用，在计算上是完全不可行的。
　　为破解这一量子多体难题，物理学家发展了动力学平均场理论（DMFT）及其在空间维度的拓展——团簇动力学平均场理论（C-DMFT）。其核心物理思想是将庞大的复杂系统划分为两部分：一个包含核心局部强关联相互作用的“团簇（Cluster）”，以及一个代表其余晶格环境的“浴（Bath）”。通过这种方式，物理学家在团簇内部精确处理复杂的多体相互作用，而对“浴”则以一个自洽的有效场进行近似描述。通过两者间的动力学耦合，该理论在大幅降低计算复杂度的同时，有效地捕捉局域动力学及有限范围空间关联，并通过自洽条件保持与整体晶格环境的一致性。
　　研究团队发现，这一深刻的物理图像与人工智能图求解器的工作机制存在着严密的对应关系。组合优化图中的变量受任务约束而紧密耦合（例如MIS中相邻顶点不能同时入选），这本质上等价于某种复杂的自旋或粒子相互作用模型。在求解演化过程中，这些约束会形成位置不断变化的“冲突热点”，物理上可以类比于多体系统中需要高精度处理的强关联自由度。以往的静态稀疏化方法由于固定地处理某一部分相互作用，往往难以及时捕捉“关联热点”的时空演化，从而导致大量关键冲突被遗漏并显著降低求解质量。
　　LoRe框架在图神经网络的底层算子层面重现了C-DMFT这一“团簇-浴”（Cluster-Bath）近似计算方法：在演化的每一步，将当前冲突与不确定性最高的一小部分相互作用动态划分为“团簇”并进行精确的前向传播计算；其余相互作用则被归入“浴”，由一个轻量的全局近似信号统一表征。这一“团簇”并非预先固定，而是随着系统状态的动力学演化被自适应地重新选取，从而确保计算资源始终聚焦于系统中最关键的关联热点。在此机制下，整个演化过程完全作用于推理阶段，无需重新训练或改动预训练模型的权重。物理方法论的引入，使得LoRe成为一个可即插即用、且具有严谨理论支撑的高效加速模块。
　　在配备 96 GB 显存 GPU 的硬件平台上，基于物理计算方法设计的 LoRe 框架展现出了惊人的可扩展性优势：
　　突破系统尺寸极限：在MIS任务上，原始算法最多仅能处理约1.5万节点的系统；LoRe成功将这一上限拓展至约5万节点（达原规模3倍以上），有效打破了“显存墙”的束缚。
　　极致性能跃升：在原始方法尚可运行的最大规模上，LoRe实现了约8倍的端到端加速，峰值显存由86.7 GB骤降至7.3 GB（降幅约12倍），且保持了解的质量基本不变。
　　高度的普适性：作为一种通用范式，LoRe同样适用于其他任务与网络架构。在1000节点规模的TSP问题上，它实现了约15倍加速，峰值显存骤降约44倍。该框架目前已在DIFUSCO、T2TCO、COExpander等多个先进模型上得到验证。
　　该工作标志着物理计算方法向人工智能算法设计的一次成功输出。通过创造性地将处理强关联量子系统的成熟计算方法引入机器学习框架，研究团队在不增加任何训练成本的前提下，成功化解了大规模复杂网络求解中的算力灾难。这不仅彰显了基础物理学在解决现代AI工程瓶颈中的深远价值，也为“量子赋能人工智能”（Quantum for AI）的跨学科前沿探索提供了一个极具启发性的生动范例，更为未来资源受限场景下的大规模智能决策系统指明了新的演进方向。
　　该论文第一作者为量子院工程师李金涛，通讯作者为量子院兼聘/中国科学院物理所范桁研究员和量子院助理研究员王正安，合作者还包括量子院助理研究员王永逸。该工作得到国家科技重大专项、国家自然科学基金、中国博士后科学基金等项目的支持。