← 返回

2026.09.23 | AC | Quantum | IonQ & Synopsys LS-DYNA Speedup

原标题：量子计算叩开工业软件大门：LS-DYNA实测提速14.6%

#quantum #software

AceCamp · 2026-09-23 · article 70567434

摘要

2026年9月17日，IonQ（NYSE：IONQ）与新思科技（Synopsys，NASDAQ：SNPS）公布了量子算法辅助LS-DYNA计算的研究进展。团队选择优化大型稀疏矩阵的首次图划分，再由传统计算机完成后续求解。在四个工业模型中，所 选候选方案的最好结果均优于LS-DYNA原有划分器，Drill模型的总运行时间最高下降14.56%。 这项研究针对的是工业仿真中的一个具体问题：大型稀疏矩阵在分解时会产生额外计算，而前期变量排序会影响这些计算的规模。量子算法处理的只是压缩后的小规模划分问题，但更好的划分可能减少后续大型矩阵的求解时间。 这次改善有多大，取决于测试结果能否覆盖完整计算成本，也取决于优化方案能否重复使用。本文据此分析首次图划分如何影响仿真耗时、14.6%的结果适用于哪些条件，以及这一方法怎样接入工业软件。

2026年9月17日，IonQ（NYSE：IONQ）与新思科技（Synopsys，NASDAQ：SNPS）公布了量子算法辅助LS-DYNA计算的研究进展。团队选择优化大型稀疏矩阵的首次图划分，再由传统计算机完成后续求解。在四个工业模型中 ，所选候选方案的最好结果均优于LS-DYNA原有划分器，Drill模型的总运行时间最高下降14.56%。

这项研究针对的是工业仿真中的一个具体问题：大型稀疏矩阵在分解时会产生额外计算，而前期变量排序会影响这些计算的规模。量子算法处理的只是压缩后的小规模划分问题，但更好的划分可能减少后续大型矩阵的求解时间。

这次改善有多大，取决于测试结果能否覆盖完整计算成本，也取决于优化方案能否重复使用。本文据此分析首次图划分如何影响仿真耗时、14.6%的结果适用于哪些条件，以及这一方法怎样接入工业软件。

01 一次图划分怎样让LS-DYNA少跑14.6%

量子算法仅介入首次图划分，LS-DYNA仍承担后续仿真主体

LS-DYNA用于碰撞、结构、振动等工程仿真。本次研究针对其中的隐式求解流程：计算机需要处理大型稀疏矩阵，即绝大多数位置为零、只有少部分位置存在有效数值的矩阵。

即使矩阵已经稀疏，求解过程中仍可能产生新的非零元素。变量的计算顺序会影响这些新增元素的数量，进而改变内存占用和矩阵分解时间。

研究团队把矩阵的连接关系表示为图：节点代表变量，连线代表变量之间的联系。图划分需要兼顾两侧规模均衡与跨区域连接权重，为矩阵排序提供依据。

原始图先由经典算法逐步压缩，再交给量子算法搜索首次划分方案。候选经过经典细化后送回LS-DYNA，后续递归划分、矩阵分解和仿真仍由经典系统完成。

量子算法参与LS-DYNA矩阵排序的流程

数据来源：Zhu等，2026年8月25日版本，第3页原图1；保留原图计算流程与模块关系。

量子处理器承担的是小规模划分搜索，候选方案经过经典细化，再以LS-DYNA运行时间评价效果。论文比较的是整套混合方法与原有LS-GPart划分器的结果，尚未通过保持其他步骤不变、仅替换粗化图求解器的对照实验，单独确定量子算法的贡献。

四个模型的最好结果均优于LS-GPart，Drill总耗时降幅达14.56%

研究使用Sedan、Jet、Impeller和Drill四个工业模型。原始图约有360万至3490万个节点、5530万至8.706亿条连接，远超量子处理器能够直接处理的规模。

四个工业模型的原始图规模

数据来源：Zhu等，2026年8月25日版本，第2页原表Ⅰ；节点和边分别表示变量及连接关系，M表示百万。

与LS-DYNA原有划分器LS-GPart相比，四个模型在所测试配置中的最好总运行时间分别下降约5.91%、13.80%、9.65%和14.56%。Drill由2119.19秒降至1810.63秒，减少308.56秒，对应80节点的量子线路 模拟方案。

四个模型的矩阵分解时间与总运行时间

数据来源：Zhu等，2026年8月25日版本，第11页原表Ⅲ；单位为秒，分别报告分解时间与总运行时间的最小值。Simulation为量子线路模拟，Hardware为真实量子硬件。

这些降幅来自筛选后的最好结果。每组配置选取20个较好的候选划分，分别运行LS-DYNA，再报告最小耗时；14.56%并非平均改善幅度。优化主要影响矩阵分解，因此不同模型的总时间收益还取决于该环节的耗时占比。

真机规模为36量子比特，模拟测试扩展至150节点

真实硬件实验使用IonQ的Forte处理器，最多涉及36个量子比特。Drill的硬件最好结果为1863.88秒，比基准减少255.31秒，降幅12.05%。Sedan和Impeller的硬件最好结果也有改善，Jet的结果来自模拟。

团队还使用GPU执行矩阵乘积态模拟，将测试扩大至150节点。这种方法以受控近似表示量子状态，结果对应论文采用的固定近似参数。

真实硬件实验检验量子处理器能否生成有用的划分候选，模拟实验则用于研究更大压缩图上的算法表现。

从VarQITE到Iterative-QAOA，研究扩大了规模和任务覆盖

2025年的前序研究使用变分量子虚时间演化算法VarQITE，测试RoofCrush、BloodPump和VibrationAnalysis三个模型，真实硬件最高达到32个量子比特。

前序研究已经测量了LS-DYNA实际运行时间。其中BloodPump优于生产基准，其他模型的表现则说明，划分评分改善未必对应总运行时间下降。

前序研究三个模型的归一化运行时间

数据来源：Aboumrad等，2025年4月14日版本，第9页原图6；依次为RoofCrush、BloodPump和VibrationAnalysis，展示不同划分方法下的运行时间及组成。

2026年研究改用迭代量子近似优化算法Iterative-QAOA，扩大了硬件与模拟测试规模，并在四个模型上找到优于基准的候选。论文还比较了候选对应的运行时间分布，为判断结果是否稳定提供了更多依据。

02 这次突破到底有多大：优化矩阵排序，缩短工业仿真时间

总运行时间最多缩短14.6%，主要节省矩阵分解时间

在论文测试的四个工业模型中，相对LS-DYNA原划分器LS-GPart，最好候选方案的总运行时间缩短约5.91%—14.56%。

其中，Drill模型的改善最大：总运行时间从2119.19秒降至1810.63秒，减少308.56秒，约合5.1分钟。这一结果来自80节点的量子线路模拟方案。

不同模型和粗化图规模下的结果，显示了首次划分对后续求解时间的影响。

四个工业模型在不同粗化图规模下的总运行时间与矩阵分解时间

数据来源：Daiwei Zhu等，《End-to-end Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows》，2026年，第11页表III。WCT为实际经过时间，单位为秒；Nodes为粗化图节点数；各项为对应配置下所选候选方案中的最好结果。

节省的时间主要来自矩阵分解。首次划分改善后，后续排序可能产生更少填充，使分解更快。排序步骤仍然保留，其作用是减少之后的计算工作。

为什么Drill节省更多时间：分解占比和排序质量共同决定收益

同样使用量子算法优化排序，四个模型的改善幅度并不相同。差异来自两方面：矩阵分解原本占用多少时间，以及新排序具体改善了多少。

在LS-GPart基准结果中，SedanCar的矩阵分解约占总时间的53.4%，最好总时间降幅为5.91%；JetEngine的对应数据为59.2%和13.80%；Impeller为88.3%和9.65%；Drill为94.2%和14.56 %。

分解占比越高，改善分解效率对总时间的影响通常越大；实际节时还取决于模型结构和排序质量。

Drill几乎全部时间都用于矩阵分解，因此这一环节加快，容易反映到总运行时间上。SedanCar有接近一半时间用于其他环节，分解提速对总时间的影响较小。

不过，JetEngine的分解占比低于Impeller，最好总时间降幅却更大，说明分解占比不能单独解释全部差异。不同模型能够从新划分中获得的改善也不同。

客户筛选适用任务时，应先检查矩阵分解的耗时、现有排序的改善空间，以及同一种稀疏结构需要重复求解多少次。分解耗时较长、排序结果又能重复使用的任务，更容易分摊前置优化成本。

双轨验证技术路径：36量子比特真机实证近期可行性，150节点模拟锚定远期扩展空间

在IonQ Forte真机测试中，Drill模型的最好总运行时间降至1863.88秒，相对基准缩短12.05%，约节省4.3分钟。SedanCar和Impeller也取得改善，JetEngine没有相应的真机结果。

36量子比特真机的测试表明，现有量子硬件已经能够参与工业模型的局部优化，并改善后续经典求解的运行时间。

更大规模的模拟用于考察：粗化图包含更多节点后，算法能否找到更好的划分。节点增加可以保留更多原始结构信息，同时也增加量子计算或线路模拟的工作量。因此，粗化图规模需要结合划分质量、后续求解时间和前置成本选择。

对工程师和客户意味着什么：减少等待，提高现有计算资源的产出

首先是缩短等待结果的时间。在Drill测试中，最好模拟结果节省约5.1分钟，最好真机结果节省约4.3分钟。如果类似改善能够在客户常用模型上重复获得，工程师就可以更早拿到结果，缩短一次设计修改后的计算等待。具体收益应在客户实际任务上测量。

其次，单个任务占用服务器的时间减少，可以为其他任务释放计算资源。对于反复比较设计方案、计算多个工况的客户，这种收益可以逐次积累。若矩阵稀疏结构保持不变，排序结果还可能重复使用，进一步分摊生成和筛选候选的成本。接触关系或网格变化影响稀疏结构时，则需要重新判断排序是否适用。

量子优化也有机会成为工业软件内部的一项求解功能。工程师继续提交模型、选择计算设置和查看结果，由软件完成问题压缩、量子调用和结果处理。本次研究使用的是改造后的软件流程，常规产品中的自动选择、调用和服务安排还需要软件厂商完成。

03 新的启示：量子计算的落地路径

LS-DYNA案例说明，量子计算可以从工业软件中的局部问题开始：先找到适用环节，再接入现有流程，核算完整收益，最后形成客户可以持续使用的功能。

量子计算接入工业软件的实施流程

数据来源：根据《End-to-end Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows》，2026年，及其混合计算流程整理。图中为作者归纳的实施步骤。

第一步：找出关键环节，让局部优化影响后续大量计算

优先选择规模能够压缩、优化结果又会影响后续大量工作的环节。 LS-DYNA研究只将压缩后的首次划分交给量子算法，却能影响大型矩阵的分解效率。筛选其他任务时，同样需要检查：压缩是否保留关键关系，改善这一环节能为完整任务节省多少工作。

第二步：接入现有软件，让用户沿用熟悉的操作

工业软件需要自动完成问题提取、量子调用、结果处理和约束检查，并在不适用时使用经典方案。工程师继续提交模型和查看结果，量子计算作为内部求解步骤运行。软件厂商负责模型与业务流程，量子厂商提供计算服务，双方共同解决调用时间、结果格式和异常处理。

第三步：核算完整收益，按实际收益提供服务，支持客户持续使用

比较对象应当是完成同一任务的总耗时、总成本和结果质量。 对LS-DYNA而言，需要计入候选生成、筛选与最终求解，并与同等条件下的经典方案比较。排序可以重复使用时，前置成本由多次求解分摊；模型结构经常变化时，则要计入重新优化的费用。客户测试还应覆盖平均表现与结果波动，据此确定适用范围。

适用范围明确后，软件厂商才能决定收费方式和服务保障。仿真客户主要比较计算时间与新增费用，生产客户更关注设备效率和执行成本，研发客户还会考察方案或预测质量。持续使用的基础，是这些改善能够在日常任务中重复出现。

按此思路，量子计算可以延伸到设计、生产和金融

沿着这一思路，可以先提取局部的搜索、划分或计算任务，由量子与经典算法协作求解，再将结果交回业务软件。适用方向包括工业设计中的参数组合与材料计算、生产物流中的排序与调度，以及金融模型中的数据处理。

已有案例覆盖不同阶段：

量子计算的应用环节、业务评价指标与代表案例

数据来源：LS-DYNA联合研究，2026年；IBM波音复合材料设计及腐蚀研究案例，2023年；《QCEDA: Using Quantum Computers for EDA》，2024年公开；D-Wave的Ford Otosan公告，2025年3月31日，以及Pier 300案例报告，2022年；HSBC与IBM债券成交概率预测研究，2025年。图中按应用目的归类，评价指标为作者整理。

更值得优先筛选的，是优化结果能够反复使用，或一次决策会影响大量后续活动的任务。 排序可以服务多次求解，设计配置会影响产品长期运行，调度计划会影响整批设备作业。应用价值既取决于局部改善幅度，也取决于这种改善作用于多少次计算、多少台设备或多少笔业务；全部调用和集成成本，应放在同一范围内核算。

结论

第一，量子算法已经能够接入成熟工业软件的具体计算环节。 本次研究将量子算法用于首次图划分，由经典计算机完成后续求解，并在工业模型上测得运行时间改善。

第二，14.6%证明了局部排序优化对完整求解的影响。 这一降幅对应所测配置中的最好候选。客户任务能够节省多少时间，由矩阵分解占比、排序质量、前置开销和结果复用次数共同决定。

第三，量子计算的应用需要落实到软件中的具体功能。 仿真看完整任务耗时，设计看方案质量，生产看作业效率，预测看准确性。能够在日常使用中持续改善这些指标，并覆盖新增费用的功能，才有长期使用价值。

资料与说明

LS-DYNA测试口径。 文中运行时间降幅以论文LS-GPart结果为基准计算，均对应所测配置和候选方案中的最好结果。论文采用限定的振动分析与瞬态分析任务，相关降幅对应这些测试设置；前置量子候选生成等全部开销未纳入所列LS-DYNA运行时间。

时间统计口径。 总运行时间与矩阵分解时间的最小值分别统计，可能来自不同候选方案，因此不据两者之差推算同一候选方案的其他环节耗时。

计算规模。 原始图节点数、粗化图节点数与量子比特数对应不同处理阶段。36量子比特为真机测试规模；150节点为粗化图及相应量子线路模拟规模。矩阵乘积态模拟属于经典计算机上的近似量子线路模拟。

扩展案例。 波音铺层与QCEDA对应研究演示；Ford Otosan数据对应完整混合求解方案的排程时间；HSBC的约34%对应部分模型样本外测试评分的相对改善。Pier 300案例由SavantX（非上市）与相关合作方实施，其运营改善对应整套系统。各案例的硬件、算法和评价指标不同，文中分别说明其用途与阶段。

图表及数据来源

LS-DYNA论文与原图： Daiwei Zhu、Miguel Angel Lopez-Ruiz、François-Henry Rouet等，《End-to-end Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows》，2026年，arXiv 2603.15515，第4版。模型规模见第2页表I，混合计算流程见第3页图1，候选结果分布见第8页图4，运行时间见第11页表III。

联合研究公告： IonQ，《IonQ Demonstrates Computer-Aided Engineering Workload Acceleration by Up to 14.6% with Quantum Technology》，2026年9月17日，研究内容与性能结果部分。

实施流程图与应用逻辑图： 根据本文所列论文及公司资料整理，分别表示实施步骤，以及应用环节、评价指标和已披露案例阶段。

复合材料设计： IBM，《Boeing seeks new ways to engineer strong, lightweight materials》及《How quantum computers could help design airplanes》，2023年，复合材料铺层与40变量模型演示部分。

芯片设计： Matthias Jung等，《QCEDA: Using Quantum Computers for EDA》，2024年公开，研究问题、案例测试与规模讨论章节，涉及DRAM地址映射及小规模真机验证。

材料计算： IBM，《Can quantum computers bring an end to corrosion?》，2023年10月3日；T. P. Gujarati等，《Quantum computation of reactions on surfaces using local embedding》，《npj Quantum Information》9卷，88号，2023年，镁表面水还原反应研究。

制造排程： D-Wave，《In Production: Ford Otosan Deploys Vehicle Manufacturing Application Built with D-Wave Technology》，2025年3月31日，1000辆汽车生产排程的混合求解服务案例。

港口物流： D-Wave，《SavantX: Logistics Optimization at the Port of Los Angeles》，2022年，第1—2页，Pier 300吊机与卡车调度及HONE系统应用。

金融预测： HSBC，量子辅助算法交易试验公告，2025年9月25日；Axel Ciceri等，《Enhanced fill probability estimates in institutional algorithmic bond trading using statistical learning algorithms with quantum computers》，2025年，arXiv 2509.17715，交易数据处理、回测与样本外评分部分。

风险提示：上述内容均为笔者个人观点，投资者需风险自担。