不只忙AI晶片！輝達用8192顆GPU模擬量子電腦 特定流程可少用90%量子位元

輝達 (NVIDIA) (NVDA-US) 正將GPU與自家軟體工具導入量子電腦研發，並在量子運算領域取得新的模擬進展。輝達10月19日宣布，研究團隊利用德國於利希超級運算中心的JUPITER超級電腦，動用8192顆輝達GH200 GPU，完成104量子位元的容錯量子運算模擬。這項成果被公司稱為迄今規模最大的容錯量子運算系統完整模擬之一，讓研究人員能在實際建造量子硬體之前，先測試量子處理器在真實硬體雜訊影響下的運作情況。

這項研究的意義，不在於輝達已經打造出104量子位元的實體量子電腦，而是展示傳統GPU超級電腦如何協助量子硬體研發。量子電腦仍處於持續發展階段，研究人員需要在投入昂貴的實體硬體建置之前，先透過大規模模擬檢驗設計、找出潛在弱點，並評估不同容錯方法的效果。輝達透過GPU運算平台與軟體工具切入這個流程，也讓自身在量子硬體成熟之前，就有機會參與量子運算的研發生態系。

本次研究由輝達與德國於利希超級運算中心研究人員合作完成，使用輝達CUDA-Q平台描述容錯量子電路，再透過cuQuantum軟體支援大規模量子模擬。研究團隊先在輝達加速量子研究中心 (NVAQC) 使用GB200 NVL72系統開發及驗證方法，從4顆GPU的測試逐步擴展至數百顆GPU，最後才將運算規模擴大至JUPITER的8192顆GH200 GPU。輝達表示，這套開發與驗證流程協助團隊將原本可能耗時數周的模擬工作縮短至數天。

JUPITER是歐洲首座百億億次級 (exascale) 超級電腦，設於德國於利希超級運算中心。此次研究藉由大規模GPU叢集，模擬量子處理器在容錯運算過程中受到硬體錯誤干擾時的表現，並驗證一種稱為「魔術態培育」(magic state cultivation) 的容錯量子運算方法。

量子電腦的核心挑戰之一，是量子位元容易受到環境與硬體雜訊影響，導致計算錯誤。即使增加量子位元數量，也不代表系統就能穩定執行更複雜的運算，因此研究人員必須設計錯誤偵測、錯誤修正與容錯機制，確保量子資訊在運算過程中維持可靠。

魔術態是實現通用量子運算的重要資源，研究人員必須先製備這類特殊量子態，才能執行部分關鍵量子運算操作。然而，傳統魔術態製備方法可能消耗大量實體量子位元，壓縮可供其他運算使用的硬體資源。魔術態培育則是另一種降低資源需求的研究路線，透過先在較小的錯誤修正碼中製備並檢查量子態，再逐步擴大編碼規模，改善製備過程的效率。

輝達表示，研究驗證的這種方法，相較先前的做法可減少約90%的實體量子位元需求。這項數據的適用範圍是特定魔術態製備方法，而非整部量子電腦的硬體需求、建置成本或所有量子運算所需的量子位元數量都能減少90%。其價值在於，如果研究方法未來能在實體量子系統中獲得驗證，便有機會降低量子運算中某些關鍵操作的資源負擔。

此次104量子位元模擬也比過去的部分研究更進一步。於利希超級運算中心先前曾在理想、無雜訊的條件下模擬50量子位元；這次研究則在104量子位元的容錯流程中，納入更接近實際硬體的錯誤條件。由於兩次研究的模擬規模與條件不同，不能單純將104與50的數字相比，就認定量子運算能力因此提升一倍。

在技術層面，研究團隊不只模擬一般的量子位元錯誤，也納入相干相位誤差與量子位元洩漏等更複雜的情況。相干相位誤差可能在運算過程中累積並相互干涉；量子位元洩漏則是超導量子位元偏離原本使用的兩個計算能階，進入其他能階。研究人員透過模擬這些現象，得以分析硬體錯誤如何在魔術態製備與錯誤修正流程中傳播，進一步判斷哪些設計更有機會在實際系統中可靠運作。

由於量子系統的狀態空間會隨量子位元數量快速擴大，直接模擬完整量子狀態需要龐大的記憶體與運算資源。此次研究因此結合GPU加速、量子電路表示方式調整、記憶體重複利用及分散式數值分析等技術，讓模擬能在8192顆GPU組成的系統上執行。研究團隊也使用輝達cuBLASMp與cuSOLVERMp等分散式運算工具，分析量子狀態不同部分的結構，評估未來能否以更精簡的表示方式降低模擬負擔。

輝達執行長黃仁勳表示，實用量子運算需要非常複雜的容錯系統，而在大規模條件下理解這些系統的行為，是建造實用量子電腦的重要前提。他認為，GPU超級電腦與量子處理器可以相互搭配，協助研究人員進行過去難以完成的研究。於利希超級運算中心主任Kristel Michielsen也指出，這類模擬有助科學家更有依據地選擇設計，判斷哪些方案更有機會實現實用的量子運算應用。

對輝達而言，這項成果也凸顯量子運算與傳統GPU並非單純的取代關係。即使未來量子處理器能執行部分傳統電腦難以處理的任務，量子硬體在研發、設計驗證與效能評估階段，仍可能需要大量傳統運算資源。GPU、cuQuantum與CUDA-Q因此有機會成為量子硬體開發流程的一部分，協助研究團隊在正式建造晶片前，先評估設計的可行性。

輝達列出的量子運算潛在應用包括藥物研發、金融建模與材料科學，但此次公告並未表示這些應用已經產生實際商業收益，也沒有提供可據以估算量子研究相關GPU市場規模的新增訂單或營收數據。8192顆GPU是本次研究使用的運算資源，並不代表輝達因此新增銷售相同數量的晶片，更不能直接推論量子運算將立即成為公司新的主要獲利引擎。

接下來值得觀察的，是cuQuantum與CUDA-Q能否被更多量子研究團隊及硬體開發商持續採用，以及這次模擬得到的結果能否在實體量子處理器上獲得驗證。若相關工具逐步成為量子硬體設計與測試的重要環節，輝達便有機會在量子運算產業成熟前，先建立軟硬體生態系的參與位置。不過，從模擬成果走向可靠的實體量子運算，仍有硬體驗證、錯誤修正與工程擴展等挑戰，距離大規模商業應用仍不能直接畫上等號。