量子計(jì)算有望重塑各行各業(yè)，但其發(fā)展進(jìn)程取決于能否攻克諸多關(guān)鍵難題，例如糾錯、量子比特設(shè)計(jì)的模擬、電路編譯優(yōu)化任務(wù)等。加速計(jì)算的出現(xiàn)為解決這些難題提供了可能，其并行處理能力為實(shí)現(xiàn)量子計(jì)算突破提供了必要的算力支撐。

從加快量子糾錯的解碼速度，到設(shè)計(jì)更大規(guī)模的量子比特系統(tǒng)，研究人員正借助 GPU 加速的工具來拓展經(jīng)典計(jì)算的能力，推動實(shí)用型量子應(yīng)用逐步走向現(xiàn)實(shí)。

研究人員使用NVIDIA CUDA-Q QEC 庫開發(fā)新型解碼方法，實(shí)現(xiàn)了解碼速度與精度的雙倍提升；

與 QuEra 合作基于NVIDIA CUDA-Q開發(fā)的 AI 模型把解碼速度提升了 50 倍；

通過NVIDIAcuDF開發(fā)的布局選擇方法在量子編譯中實(shí)現(xiàn)了高達(dá) 600 倍的加速；

通過NVIDIA cuQuantum進(jìn)行的高保真量子系統(tǒng)模擬把大型系統(tǒng)的性能提升了高達(dá) 4000 倍。

使用 NVIDIA CUDA-Q QEC 和 cuDNN 加速量子糾錯解碼器：愛丁堡大學(xué)信息學(xué)院下屬的量子軟件實(shí)驗(yàn)室使用 NVIDIA CUDA-Q QEC 庫開發(fā)了名為 AutoDEC 的新型 qLDPC 解碼方法，實(shí)現(xiàn)了解碼速度與精度的雙倍提升。該方法基于 CUDA-Q 的 GPU 加速的信念傳播順序統(tǒng)計(jì)解碼（BP-OSD）功能開發(fā)，通過并行處理解碼流程而提高了糾錯成功率。

在與 QuEra 的合作中，研究團(tuán)隊(duì)利用 NVIDIA PhysicsNeMo 框架與 cuDNN 庫，成功開發(fā)出基于 Transformer 架構(gòu)的 AI 解碼器。AI 方法為未來量子計(jì)算機(jī)所需的更大距離編碼提供了可行的、可擴(kuò)展的解碼方案。

使用基于 NVIDIA CUDA-Q 開發(fā)的 AI 模型，QuEra 把解碼速度提升了 50 倍，同時(shí)精度也獲得提升。

通過 cuDF 優(yōu)化量子電路編譯：NVIDIA 與 Q-CTRL 及 Oxford Quantum Circuits 合作，開發(fā)出一種名為 ?-Motif 的 GPU 加速的布局選擇方法。該方法在量子編譯等涉及圖同構(gòu)的應(yīng)用中實(shí)現(xiàn)了高達(dá) 600 倍的加速。

使用 cuQuantum 加速高保真量子系統(tǒng)模擬：QuTiP 的一個(gè)關(guān)鍵應(yīng)用場景是開放量子系統(tǒng)的高保真模擬。

QuTiP 與舍布魯克大學(xué)及亞馬遜云科技的合作，通過一個(gè)名為 qutip-cuquantum 的全新 QuTiP 插件實(shí)現(xiàn)了與 NVIDIA cuQuantum 軟件開發(fā)套件的集成。研究人員在研究耦合諧振器的超導(dǎo)傳輸子量子比特時(shí)發(fā)現(xiàn)，這種模擬把大型系統(tǒng)的性能提升了高達(dá) 4000 倍。