Quantum Combinatorial Reasoning for Large Language Models

文章主要内容总结该研究提出了一种量子组合推理框架（QCR-LLM），将大型语言模型（LLM）的推理聚合问题重构为高阶无约束二元优化（HUBO）问题，通过融合经典优化与量子优化技术，提升LLM的推理准确性、可解释性和能量效率。核心流程包括：多样本推理生成：对每个查询，生成多个独立的零样本思维链（CoT）推理片段，经语义去重和归一化得到候选推理集合；HUBO模型构建：将推理片段映射为二元变量，通过1体、2体及更高阶交互项编码片段的统计相关性、逻辑连贯性和语义冗余度，构建能量函数；混合优化求解：分别采用经典模拟退火（SA）和量子偏置场数字化反绝热优化器（BF-DCQO）（运行于IBM超导量子处理器）求解HUBO问题，筛选低能量配置对应的稳定推理片段；最终推理生成：将稳定推理片段作为上下文反馈给LLM，生成最终答案。实验验证（基于BIG-Bench Extra Hard基准）表明：QCR-LLM在多个LLM骨干模型上持续提升推理准确率，较o3-high、DeepSeek R1等推理专用模型最高提升9个百分点；同时，得益于GPT-4o骨干的低令牌能量消耗，其能量效率约为o3-high的5倍。创新点推理聚合的高阶优化建模：突破现有二次无约束二元优化（QUBO）的局限，采用HUBO直接建模3体及更高阶推理片段依赖关系，无需引入大量辅助