NVIDIA 在 JUPITER 上模拟创纪录的 104 量子比特容错协议

NVIDIA 于 2026 年 10 月 19 日宣布，在欧洲首台百亿亿次级超级计算机 JUPITER 上完成了一项其称为创纪录的量子计算模拟：这次运行使用 Jülich Supercomputing Centre 的 8,192 块 NVIDIA GH200 GPU，模拟了一个真实量子处理器执行容错计算的表现，共涉及 104 个量子比特。

NVIDIA 表示，此次运行验证了什么

NVIDIA 将这项 104 量子比特模拟称为迄今规模最大的容错量子处理器综合模拟，并表示此前没有模拟如此完整、细致地刻画过量子处理器。据该公司介绍，此次运行验证了魔态培育——一种容错量子计算方法，与以往方法相比，该方法所需的物理量子比特减少了 90%。NVIDIA 表示，如此高保真度的模拟能为研究人员提供所需数据，以便在未来设计投入制造之前预测其性能，减少对硬件反复试错的依赖；该公司还指出，这项技术有望应用于药物发现、金融建模和材料科学。

NVIDIA 创始人兼首席执行官 Jensen Huang 在该公司的公告中表示：“要实现实用的量子计算，就需要极其复杂的容错系统，而了解这些系统在大规模运行时的表现，是构建它们的关键。”Huang 说，Jülich 的研究成果表明，量子处理器可以与 GPU 超级计算机协同开展研究，攻克原本难以企及的问题。

Forschungszentrum Jülich 的 Jülich Supercomputing Centre 主任 Kristel Michielsen 表示，欧洲对 JUPITER 的投资使研究人员能够探索此前难以触及的问题，而与 NVIDIA 的合作则将这项能力带入量子计算领域。她说，这项工作有助于科学家更充分地掌握信息，从而对最有可能实现实用应用的设计作出更明智的判断。

魔态、量子纠错码与真实噪声模型

NVIDIA 的公告解释说，量子比特在物理规律所允许的极限条件下运行，而控制量子比特所需的相互作用会引入无法避免、并导致错误的噪声。在这种噪声存在的情况下进行计算，也就是容错量子计算，需要用到魔态——一种特定的量子比特排列，在容错计算过程中会不断被消耗。由于容错机器依赖反复生成魔态，任何对生成方式的优化，都能显著降低构建实用量子计算机的难度。

NVIDIA CUDA-Q 团队的一篇技术文章详细说明了这类模拟为何困难。量子纠错中使用的许多操作属于 Clifford 操作，在适当的噪声假设下可以高效模拟；但通用量子计算至少还需要一种额外的非平凡操作，而魔态正是提供这一要素的关键。模拟中的协议先在一个小型纠错码中制备量子态，检查其中是否存在错误，再将其扩展到更大的码距：协议从码距为 3 的色码开始，使用近期设计的标志测量来检测有害错误，随后扩展为码距为 7 的色码与表面码混合配置，再进行后续纠错轮次和读出。统计在内的 104 个量子比特包括这整个过程中使用的数据量子比特和辅助量子比特。

这篇技术文章指出，在 JUPITER 上运行的模型纳入了相干相位误差，这类误差可能累积并相互干扰；模型还纳入了泄漏现象，即超导量子比特脱离其通常的两个计算能级。模拟将选定的物理位置建模为具有第三个能级，大幅增加了模拟的复杂程度。这些机制让研究人员能够考察超越随机比特翻转和相位翻转模型的行为，同时保留实际用于制备魔态的非 Clifford 操作。

这项工作不同于 Jülich 早前在理想、无噪声条件下模拟 50 个量子比特的研究。Forschungszentrum Jülich 于 2025 年 11 月 11 日宣布，该中心的团队与 NVIDIA 专家合作，在 JUPITER 上完整模拟了一台通用 50 量子比特计算机。JUPITER 于 2025 年 9 月在 Forschungszentrum Jülich 正式启用；此次模拟打破了 Jülich 研究人员于 2019 年在日本 K computer 上创下的 48 量子比特纪录。公告指出，每增加一个量子比特，计算和内存需求就会翻倍，因此模拟 50 个量子比特需要约 2 PB 内存。

从开发集群扩展至 8,192 块 GPU

NVIDIA 表示，由于内存需求会随量子比特数量呈指数级增长，大规模模拟超出了传统计算系统的能力范围。NVIDIA Accelerated Quantum Research Center 的一套 NVIDIA GB200 NVL72 系统被用作 JUPITER 项目的开发平台，让研究人员能够先将测试规模从 4 块 GPU 扩展到数百块，再转移到 JUPITER 上使用 8,192 块 GPU；JUPITER 由 Bull 建造。团队利用该中心改进模拟方法、将结果与 JUPITER 上的结果进行比较，并研究精度如何随计算资源增加而变化。NVIDIA 表示，这项工作将原本需要数周的模拟缩短到了数天。

这篇技术文章介绍了此次运行背后的工程技术。模拟器在保留操作依赖关系和测量统计信息的同时重新组织操作，并在量子比特测量完毕并释放后重复利用存储空间。它将多个三能级系统打包为二进制表示，以便 cuQuantum 的 cuStateVec 库执行：五个三能级系统有 243 个基态，可装入 8 个二进制存储位，后者可提供 256 个条目。在 8,192-GPU 配置中，45 位编码寄存器可表示约 35.2 万亿个复振幅；采用双精度时，仅状态本身就占用 512 TiB 的分布式 GPU 内存，即每块 GPU 64 GiB。

这些模拟使用 NVIDIA cuQuantum 软件运行，并通过 CUDA-Q 平台的容错逻辑层来描述魔态电路。该项目还利用 NVIDIA cuBLASMp 和 cuSOLVERMp 开发了分布式因子分解工具。这些工具会检查存储状态中选定的分区，以研究更紧凑的表示必须保留多少信息，从而为检验近似模拟方法提供途径，并可将其与详细的状态向量参考结果进行比较。

团队报告称，在研究中心进行的小规模打包电路验证案例中，当收紧张量网络截断阈值后，独立的状态向量计算与张量网络计算所得的测量概率相差约 10⁻¹³。较小规模的运行可作为衡量基准，用于在投入超算时间前估算 GPU 需求和 GPU 小时预算。团队还表示，同样的方法可支持未来采用不同泄漏模型、电路调度方案和纠错协议的研究；每项研究都可先在可控规模下验证，再扩展到更大配置。