NVIDIA 在于利希测试以更少物理量子比特实现量子模拟的路径

NVIDIA 于 10 月 19 日宣布完成一项 104 量子比特模拟，测试硬件误差如何影响一种节省资源的容错量子计算方案。这项 NVIDIA 量子模拟在德国于利希超级计算中心的 JUPITER 上运行。其意义在于可靠计算所需的资源，而不只是提升模拟的量子比特数量。

容错量子计算是指在底层硬件存在误差的情况下，依然能够可靠地执行计算。NVIDIA 表示，其工作支持一种所需物理量子比特数量比以往方法少 90% 的方案。不过，这一说法针对的是特定的制备方法，并不意味着一台实用量子计算机的每个组成部分都能实现同等幅度的缩减。

核心矛盾在于，乐观的资源估算与不完美硬件的实际表现之间存在差距。Google 已报告一项涉及同类总体方案的物理实验，该方案称为魔法态培育。NVIDIA 的贡献在于为这项研究补充了详细模拟，让研究人员能够在确定处理器设计前，以另一种方式检验相关假设。

NVIDIA 量子模拟实际建模了什么

这项已公布的进展涉及一项高难度制备协议，而非完整的量子应用。

NVIDIA 将这项工作描述为迄今规模最大的容错量子处理器综合模拟。其容错模拟公告将这一说法与现实噪声，以及计算过程中所需资源的制备联系起来。该公司将这一成果定位为评估未来硬件设计的一种方式。

这一描述需要谨慎解读。物理量子比特是存储量子信息的单个硬件单元。逻辑量子比特则是通过多个物理量子比特编码保护的信息。该公告并未描述 104 个彼此独立、受到保护的逻辑量子比特正在运行具有商业价值的程序。

研究人员模拟的其实是魔法态培育：一种在检查并提升可靠性的同时制备特殊量子资源的过程。魔法态能够提供许多纠错架构无法仅靠常规受保护指令低成本实现的操作。高效制备这些状态至关重要，因为实用算法会消耗它们。

技术说明为这则头条划出了重要边界。该协议涵盖 104 个物理量子比特，包括在整个流程中使用的数据量子比特和辅助量子比特。辅助量子比特用于支持检查和测量，并非额外的应用数据。

这让成果比泛泛宣称“模拟量子计算机”更具体，也更有价值。研究人员可以探究特定故障是否会破坏制备过程，也可以研究当把硬件缺陷纳入计算后，某项拟议改进是否仍然具有吸引力。

一项纪录声明仍需建立在一致的比较基础上。不同模拟会保留不同细节、遵循不同电路，并采用不同近似。单凭更大的量子比特数量，并不能证明某项模拟捕捉到的相关物理效应比另一项更多。

因此，恰当的解读应回到具体工作负载。NVIDIA 报告的是对容错计算中一个困难环节的详细模拟，并未宣布已有量子处理器在运行药物发现计算、金融模型或材料设计流程。

这一差异也解释了为何该实验此时值得关注。评估一种制备协议，有助于研究人员在相应机器尚未出现前考察设计选择。这会将一部分不确定性转移到一个能够有意调整参数的环境中。

其科学价值最终取决于这些实验能为哪些设计决策提供依据。当模拟能够识别硬件需求、排除不可靠的捷径，或改进工程估算时，便尤其有用。

这正是将纪录性头条与更广泛行业问题连接起来的线索：可靠量子计算究竟需要多少硬件？

为什么资源估算会给硬件路线图带来压力

压力落在量子开发者身上：他们需要将有吸引力的资源节省与完整、可用的系统联系起来。

量子路线图不能只通过处理器规模来评估。可靠性、指令支持能力，以及完成一次计算所需时间，同样决定一种架构能否服务于应用。在某个子系统中节省量子比特会有所帮助，但并不会消除其他要求。

IBM 在其对容错要求的讨论中也作出了类似区分。增加量子比特并不会自动解决误差在更大规模计算中扩散的问题。其论点强调的是在实用规模下实现可靠操作，而不是孤立的演示。

这为 NVIDIA 的公告提供了背景，但并未将其变成公司间的直接竞争。NVIDIA 正在提供用于研究处理器设计的模拟硬件和软件。IBM 则在开发一种旨在执行受保护量子程序的架构。

双方的工作在资源核算方面交汇。任何拟议架构都需要可信地解释，不完美的组件如何提供可靠指令。只有当制备协议的优势能够经受这种更广泛的核算时，它才具有商业相关性。

对于硬件团队而言，实际问题是哪些改进应优先推进。工程师应专注于降低某种特定误差机制、调整电路调度，还是将更多硬件分配给保护机制？详细模拟提供了一种在制造和集成之前研究这些选择的方法。

对于应用团队，问题则再次发生变化。他们需要知道，处理器能否以可接受的可靠性和速度，提供其计算所需的操作。只有当紧凑的制备流程能够满足这种需求时，它才有价值。

设想一项未来的分子计算，用于比较候选材料。应用团队需要算法、精度目标，以及所需受保护操作的估算。资源改进随后应被转化到这一具体工作负载之中。

这一情景是一种评估框架，而不是 JUPITER 实验已经展示的应用。它说明了该公告为何与研究人员有关，同时并不暗示工业计算已经从中受益。

企业采购方也应采用同样的审慎原则。一项关于减少物理量子比特的声明，应引出有关工作负载、参考方法以及保持不变的假设等问题。它也应说明哪些成本仍未被纳入比较。

NVIDIA 量子模拟提升了这些问题的重要性，因为它将更详细的硬件行为纳入了讨论。由此产生的是方法论层面的压力：资源声明应说明其优势如何在现实运行条件下得以维持。

这并不要求硬件公司采用 NVIDIA 偏好的工具或某一种特定制备协议。它提高了说明为何某项架构选择依然可信的标准。

短期影响是为研究决策提供更好的证据。对部署时间表的任何影响，则取决于这些证据如何转化为硬件工程和完整应用估算。

魔法态培育如何改变资源计算

培育针对的是制备必要计算资源的成本，而非消除对纠错的需求。

这一基础理念早于此次公告。Craig Gidney、Noah Shutty 和 Cody Jones 在 2024 年 9 月提交的一篇论文中提出了其魔法态培育构造方法。该方法逐步提升状态的规模和可靠性。

作者报告称，在指定噪声模型下，与此前工作相比，量子比特轮次减少了一个数量级。量子比特轮次结合了被占用量子比特的数量与运行周期数。这一指标捕捉了硬件随时间推移的一种使用量。

这对于解读 NVIDIA 的 90% 数据很重要。量子比特轮次的减少与物理量子比特的减少，描述的是彼此相关但不同的资源维度。二者都不应自动被解读为整台量子计算机以相同比例缩小。

论文中的比较也依赖其假设。其公布的性能涉及特定误差模型和明确的制备过程。每当研究人员将其与另一种方法比较时，这些条件都应与效率结果一并呈现。

培育之所以具有吸引力，是因为制备质量与硬件成本必须一并权衡。能够产出可靠性不足状态的更小流程，并不能解决应用问题。消耗过多资源的高可靠性流程，则会形成另一种瓶颈。

因此，有价值的工程问题是有条件的：在给定处理器误差和应用可靠性目标的前提下，哪一种制备过程能最有效地提供所需资源？不同设备或工作负载的答案未必相同。

这正是详细模拟带来的价值所在，而不仅仅是重复一项乐观估算。研究人员可以探究某种误差机制是否会改变效率与可靠性之间的平衡，也可以测试设计在一系列假设下是否仍然具有吸引力。

NVIDIA 的魔法态培育工作属于这项持续研究的一部分。它的作用是在更丰富的硬件条件下考察一种制备过程，而不是确立最初的培育概念。

这种表述也避免了一个误导性的说法，即经典计算机正在取代量子计算机。在这里，经典模拟帮助研究人员研究未来量子计算所需的机制。被模拟的工作负载与目标应用在开发过程中所处的位置不同。

更困难的模拟也不意味着每种量子设计都必须变得同样难以评估。研究人员会根据问题选择模型。当人们理解并检验其局限性时，较简单的近似仍然有用。

重要变化在于，针对特定问题可获得更详细的参考依据。这样的参考可以揭示哪些便捷假设仍然足够，哪些假设则掩盖了会影响设计的行为。

对于比较不同公告的读者而言，这正是应当追踪的机制。资源节省始于协议层面的命题，通过建模和实验获得可信度，并通过应用层面的核算取得实际意义。

JUPITER 让硬件缺陷更难被忽视

这项模拟最具影响力的特征，是其对特定误差的处理，而非头条中的量子比特数量。

NVIDIA 对这项 104 量子比特协议的技术说明称，最大规模的一次运行使用了 8,192 块 GH200 图形处理器，即 GPU。该模型包含会在量子演化过程中累积的相干相位误差，以及量子比特偏离预定计算能级的泄漏现象。

因此，选定的位点包含第三个能级。该模拟器会重组电路，并在测量后复用存储空间，使整个协议能够采用更小的动态表示运行。NVIDIA 表示，存储的状态占用了 512 TiB 的分布式 GPU 内存。

这些细节说明，“104 量子比特”不应被理解为对内存规模的简单描述。协议的总跨度不同于任一时刻存储的表示。执行策略也是让这项实验在计算上可控的关键组成部分。

比起存储容量数字，方法论上的影响更值得关注。研究人员可以研究更简单的随机误差模型可能无法充分描述的故障。这为测试某种制备流程是否会对不同物理缺陷产生不同反应创造了机会。

一项有价值的模拟应有助于区分这些可能性。如果一种设计能够容忍某类误差机制，却难以应对另一类，硬件团队就能获得更具体的研究问题。随后，他们可以研究工程改进是否能解决这一弱点。

模型即使纳入更多细节，也不会因此成为物理设备的完整复制品。研究人员仍需选择纳入哪些机制、如何对其进行参数化，以及运行哪种电路。每一项结果仍取决于这些选择。

这也是为什么详细参考模型与简化模型可以相辅相成。参考模型支持对复杂行为进行聚焦检查；当其近似仍适用于相关问题时，简化模型则可支持更广泛的探索。

高难度实验的开展与将其变为常规操作之间，也存在现实差异。一次大型超级计算机运行可以回答有价值的问题，却不一定会成为每个研究团队的默认工作流程。可及性取决于后续的工具和近似方法。

因此，对开发者而言，相关产出不止于一次成功执行。有价值的后续工作应说明哪些计算需要最多资源，哪些可以在较小规模上复现，还应展示数值捷径在何处能够保留结论。

对研究管理者而言，这些信息有助于作出更严谨的资源配置决策。计算资源应与科学不确定性相匹配，而不是被更大规模运行的吸引力所驱动。精心选择的小规模实验，可能比雄心勃勃但控制不佳的比较更具信息价值。

更广泛的含义是，模拟工程如今正直接参与量子架构研究。它的价值来自于所澄清的决策，其中包括修改方案或放弃某项假设的决定。

这使 NVIDIA 的角色在业界交付广泛实用的容错机器之前，就已具备战略相关性。该公司可以通过用于评估此类机器的经典系统，为研究过程作出贡献。

硬件实验让模拟主张保持在恰当的视角中

当模拟结果与独立测量建立联系，同时保留不同实验之间的差异时，其说服力会更强。

Google 研究人员此前已报告了一项关于超导魔态培育的实验研究。其摘要称，在保留 8% 尝试结果的情况下，实现了 40 倍的误差降低和 0.9999(1) 的态保真度。保真度衡量制备态与预期目标的接近程度。

这些数字说明，单一的标题指标很少能涵盖完整的工程权衡。被接受输出的质量很重要，有用输出的可获得速率同样重要。应用最终需要可靠的供给。

不应将 Google 的实验表述为对 NVIDIA 完整模拟的独立验证。这两项研究的环境和目的不同。不过，它确实表明，培育是一条实验研究方向，而非只出现在 NVIDIA 公告中的概念。

下一步的分析是，考察模型行为与测量行为能在哪些方面进行有意义的比较。在匹配条件下的一致性将增强对模型的信心；不一致则会指出值得进一步研究的假设或机制。

这一过程不只是比较标题保真度。研究人员需要采用兼容的定义、制备阶段、误差条件和接受标准。否则，表面上的一致可能掩盖实际测量内容的差异。

中立的竞争比较还应认识到，量子公司正在解决不同的架构层面问题。IBM 的容错架构路线图将 Starling 描述为一个计划中的系统，目标是在 2029 年前实现 200 个逻辑量子比特和 1 亿个量子门。这些仍是已声明的目标，而非 JUPITER 工作已确立的结果。

IBM 还指出了包括通用指令、实时适应性和模块化在内的要求。通用指令提供通用量子计算所需的操作。模块化涉及将可替换的硬件单元连接成更大的系统。

这种更广泛的系统视角，是检验聚焦制备的主张的一项有用标准。更好的状态制备方法可以增强一种设计，但并不意味着完成了运行机器所需的全部工作。子系统之间的接口可能带来额外约束。

因此，持审慎态度的解读应聚焦于推论范围。NVIDIA 的模拟支持在选定条件下研究一项特定协议。它并不能证明应用优势、验证每一项架构假设，或独立确认全行业的商业化时间表。

同样，公告中关于模拟可将开发周期缩短数年的说法，仍应归因于该公司。要证实这一结果，需要将建模决策与后续工程进展联系起来的证据。目前的结果并未提供完整的这段历程。

对企业读者而言，这一区分有助于维护规划质量。研究进展可以支持持续的技术评估，但并不会自动证明部署承诺的合理性。证据的强度应与所作决策相匹配。

核心问题仍然是，更低的制备开销能否经受完整系统的检验。硬件实验、详细模型和架构层面的估算，各自为这一问题提供不同的证据。

Jülich 公告后值得关注的三个信号

最具信息价值的后续进展，将把可复现建模、硬件测量和应用层资源估算联系起来。

未来几个月，首要关注信号是更多可复现性细节。这包括足够清晰的电路、误差假设、执行方法和检查手段，使其他研究人员能够评估结论。一份公开技术说明只是这一过程的起点。

有价值的后续工作应区分数值验证与物理验证。数值验证关注计算是否按预期运行；物理验证关注其假设是否描述了与研究问题相关的硬件行为。

二者对于解读一项高难度模拟都不可或缺。强有力的数值检查将增强人们对实验被正确执行的信心。明确物理模型的边界，则有助于读者理解结论适用的范围。

第二个信号是与硬件测量建立更紧密的联系。检验可比制备阶段和误差机制的实验，将增强在设计决策中使用这些模型的依据。比较应解释一致之处，也应解释不一致之处。

不匹配并不会自动抹去模拟的价值。它可能指出被遗漏的机制、不准确的参数，或需要进一步研究的实验条件。重要的问题是，研究人员是否利用这种差异来提高预测准确性。

第三个信号是针对完整工作负载更新资源核算。研究人员应展示制备改进将如何影响完成特定计算所需的资源。这项分析应包括将局部节省转化为系统级收益所需的假设。

例如，应用估算应说明其可靠性目标，以及所需制备态的供给量。它还应明确状态制备之外的成本。缺少这些边界，读者便无法判断某个百分比是狭义适用还是广泛适用。

这些信号提供了比又一个孤立量子比特里程碑更有用的解读框架。可复现性检验计算，硬件比较检验模型，工作负载核算检验实际意义。三者结合，将研究主张与工程决策联系起来。

跟踪这些证据的团队可以将论文、假设和不断变化的估算保存在可搜索的知识库中。当后续公告以类似百分比描述不同资源时，保留原始条件至关重要。

目前，应将 NVIDIA 的量子模拟理解为有关特定制备过程的证据，以及一种研究硬件敏感型设计选择的方法。应以相同边界比较未来更新：运行了哪种电路、建模了哪些误差、统计了哪些资源。要问后续研究是否加强了模型性能与实测硬件行为之间的联系。然后，寻找一项将这些发现贯彻到完整计算中的应用估算。这样的顺序提供了一种务实方式，可在不将模拟纪录与成品机器混为一谈的前提下跟踪量子进展。哪项未来结果最会改变你的评估：独立复现、与硬件测量结果一致，还是展示资源节省实际落点的完整工作负载？