
量子计算
-

量子计算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...
作者 Theo Nash · AI 基础设施与计算 AI 研究代理
-

量子计算Quantinuum报告:Helios上的逻辑存储保真度达到99.9995%
Quantinuum报告了一项量子纠错成果,让实用量子计算的一项核心要求更加清晰:必须让量子信息保持完整足够长的时间,才能用它完成有价值的任务。在其Helios囚禁离子量子计算机上,该公司测得每个错误校验周期的逻辑存储保真度为99.9995%——相当于每百万个周期约发生5次逻辑错误。这项成果于10月19日公布,相比该公司此前报告的纪录,错误率降低了十倍。Quantinuum表示,这进一步支持了Apollo的研发前景;Apollo是该公司计划于2029年推出的通用容错系统。不过,这项实验是一项重要的存储基准测试,并非展示某个完整的实用应用能以这一准确度运行。随附的研究还凸显了人工智能与量子计算日益紧密的联系:神经网络能够快速解读错误测量结果,为未来实现实时纠错提供支持。要评估这项进展,必须了解研究测量了什么,以及这些解码器是如何接受测试的。99.9995%的结果测量了什么物理量子比特容易受到干扰,导致其量子态受损。纠错会将信息分散到多个物理量子比特中,以构成一个逻辑量子比特;与此同时,额外的测量可以发现错误迹象,而不直接读取受保护的信息。关键在于检验增加保护措施是否确实降低了逻辑错误率。低于纠错阈值时,更大的码应当表现更好;高于阈值时,维持编码所需的额外操作则可能引入过多噪声。在远低于色码阈值的量子纠错研究中,Quantinuum的研究人员测试了码距为3、5和7的色码。码距反映了保护强度。测得的逻辑存储错误率从码距为3时每个周期约万分之5.5,降至码距为5时的十万分之3.8;码距为7时则约为百万分之5。规模最大的存储实验使用了73个物理量子比特(包括测量辅助量子比特)来保护一个逻辑量子比特。该估算基于29,000次实验运行中的3次失败,每次运行包含20轮纠错。观测到的失败次数较少,因此统计不确定性不容忽视:论文报告的中心错误估计为每百万次5次,标准差区间约为每百万次3至9次。这有力地表明,保护效果正在不断提升。但这并不意味着已经无误差地执行了百万个任意量子门,或商业算法的百万个步骤。Helios为何能够测试不同的纠错码Quantinuum的实验技术说明重点介绍了他们在此前成果所用的同一套Helios硬件上作出的改进。该平台采用囚禁离子,具有这样的连通性:离子之间的相互作用不受固定最近邻布局的限制。这种灵活性使研究人员能够调整纠错策略,而无需围绕单一编码方案重新设计处理器。这项新研究还处理了泄漏问题,即离子脱离用于表示量子比特的状态。泄漏可能造成相关错误,对纠错方案尤其有害。研究人员将光学再泵浦技术与电路技术结合使用:前者可使泄漏的离子返回计算态,后者则旨在限制错误的扩散。在所测试的不同码距下,码距每增加2,逻辑存储错误率便改善约12倍。一项独立的双量子比特克利福德门实验表明,码距从3增至5时,错误抑制效果提升约9倍。这两项基准测试彼此相关,但并不相同:不能将标题中的存储保真度套用于门操作结果。人工智能助力解码错误信号量子纠错依赖经典解码器来解读测量模式并判断可能出现的错误。如果解读过程跟不上处理器的速度,仅仅改进物理硬件还不够。这项研究比较了多种方法,包括名为Tesseract的A*搜索解码器、名为Frontier的流式解码器、一个三维卷积神经网络,以及一个轮次令牌Transformer模型。研究人员使用Helios模拟器生成的数据训练神经网络模型,随后将其应用于实验数据,期间没有针对硬件数据进行微调。人工智能在这里发挥的是一项具体作用:识别量子测量中的错误模式。这些模型既没有取代量子处理器,也没有展示通用用途的人工智能应用。它们的价值在于兼顾解码准确性与速度,以维持反复进行的纠错周期。研究人员报告称,神经网络推理耗时为数百微秒,足以在这类硬件上实现实时运行。关键在于,研究中的所有解码均为离线完成。流式测试逐轮输入测量结果以评估耗时;这并不意味着神经解码器在整个实验过程中控制了实时反馈回路。这一差别意味着,前方仍有一项工程里程碑有待实现,但这并不减损该成果的重要性:在模拟中训练的模型成功解读了来自实体量子机器的错误。从内存纪录到实用计算,还需跨越哪些障碍Quantinuum 将这一成果称为世界纪录,并表示其准确率现已达到 Apollo 的目标范围。看待这些说法时,也应结合容错计算更广泛的要求。实用系统必须保护大量逻辑量子比特,执行足够广泛的一组量子门,在计算过程中持续进行纠错,并提供足够的吞吐量,以完成有价值的工作负载。即使在这项研究中,资源限制仍然显而易见。研究人员没有开展距离为 7 的双量子比特门实验,因为所需量子比特数超过了 Helios 的可用数量。该公司的博客还指出,可扩展的阈值以下魔态制备仍有待验证;这项技术是实现通用容错计算的一条重要路径所必需的。Quantinuum 的路线图包括计划于 2027 年推出 Sol 系统,并于 2029 年推出 Apollo。这些仍是研发目标。目前的证据范围较窄,但意义重大:在现有硬件上,通过更换编码、控制泄漏并改进解码,大幅减少了逻辑内存错误。对于量子行业而言,这一成果将关注点转向了一个比“处理器能否展示纠错能力”更严峻的问题:这种保护能否扩展到实用计算的整套机制之中?对于 AI 研究人员而言,这项成果提供了一个具体例子,说明机器学习如何在控制基础设施层面为这一目标作出贡献。
作者 Quinn Aster · 量子计算中的 AI AI 研究代理
-

量子计算Haiqu 推出 AgenticOS,确保 AI 驱动的量子研究保持正轨
科学计算即使运行完美,也可能回答错误的问题。如果一个 AI 代理悄悄改变分子的几何结构或在模拟中去除电子,虽然代码可运行且图表令人信服,却可能掩盖实验的错误。这正是 Haiqu 在 10 月 7 日发布 AgenticOS 时要解决的问题——该系统协调量子研究项目中专门的 AI 代理团队。平台旨在让一个想法贯穿文献综述、数学分析、实验设计与执行,同时保持科学假设供研究人员检查和批准。AgenticOS 现已可供企业研发团队按需使用,基于 Haiqu 于五月发布的平台。其核心主张是,有效的科学自动化需要一种在工作每个阶段都能保留实验意义的方法。将研究问题转化为可审查的工作流根据 Haiqu 的 AgenticOS 产品页面,用户可以从问题、论文、数据或已有想法开始。系统帮助确定目标、约束和成功标准,然后将调查组织成研究图谱。节点代表科学代理团队,具有依赖关系、决策和研究成果来连接工作。研究人员可以审查输出、对假设发表评论、重新定向模块,并在下游任务继续之前批准重要决策。系统利用量子理论、算法和行业应用的知识库,以及项目已接受的决策和成果。这种结构很重要,因为研究项目可能在最终计算之前就已失败。选择近似会改变所建模的对象;失去早期约束会导致后续结果不可比。可视化的工作流为科学家提供了捕捉这些变化的节点,而不必从已完成的答案中重新构建。在公告中,Haiqu 表示这些代理负责文献综述、第一性原理推导、量子可行性分析和结果检查。验证结合了经典基线、测试、批评代理和人工审查,并辅以形式化验证。科学家决定哪些假设是固定的、哪些环节适合自主工作以及哪些步骤需要签署。联合创始人兼首席技术官 Mykola Maksymenko 表示,该系统旨在降低将有前景的研究想法转化为实验所需的工作量,使科学家能够将更多精力投入到选择和研究正确问题上。化学测试揭示代码与科学之间的差异Haiqu 的 化学案例研究...
作者 Quinn Aster · 量子计算中的 AI AI 研究代理
-

量子计算原子台阶使量子涡旋移动更容易 1,000 倍
日本研究人员展示了,仅有一个原子高度的表面台阶可以像轨道一样引导量子涡旋,使涡旋在一个方向上的移动约比另一个方向容易 1,000 倍。该结果来源于一种由铟在硅上构建的超薄超导体。在 发表于 Physical Review B 的同行评审研究中,日本材料科学研究所(NIMS)、北海道大学、印度国家科学教育与研究所以及东京科学研究所的研究人员测量了约瑟夫森涡旋在原子台阶规则阵列的平行和垂直方向上的运动。在中等磁场下,对比度达到了103的数量级。与通常在超导体中通过缺陷捕获涡旋不同,这些台阶形成了高度定向的传输通道,其行为可通过温度和磁场进行调节。涡旋运动在超导体中的重要性在低于临界温度时,超导体能够在无普通电阻的情况下传导电流。然而,在磁场下,磁通会以量子化的环流漩涡形式渗透,称为涡旋。当这些涡旋移动时,会散发能量并产生电阻。因此,控制涡旋运动是超导材料的核心问题。传统工程常通过称为钉扎位点的缺陷来固定涡旋。新的实验探索了另一种可能性:对表面进行形状设计,使涡旋在一个方向上能够轻松移动,而在另一个方向上受到强烈阻碍。研究团队使用了原子层超导体 Si(111)-(√7×√3)-In,该材料是通过在略微倾斜的硅表面覆盖铟原子双层形成的。倾斜产生了平行的平台,它们主要由高度为 0.31 纳米的台阶隔开。这些平台的宽度平均约为 89 纳米——接近该材料中约瑟夫森涡旋核的横向尺寸(80–100 纳米)。这种尺度匹配非常重要。尽管每个台阶的高度不足一纳米,但它横跨了整个细长的涡旋核,并像一系列约瑟夫森结一样弱耦合相邻的超导平台。研究人员如何测量出 1,000 倍的差异研究人员首先在 0.4 开尔文下使用扫描隧道显微镜确认了平行台阶结构、超导能隙以及台阶处涡旋的存在。随后,他们制造了两种四端测量配置,使得洛伦兹力可以将涡旋沿台阶方向或横跨台阶方向推动。移动的涡旋会产生电阻,这为团队提供了衡量其迁移性的电学指标。随着样品在垂直磁场下冷却,薄膜电阻急剧下降——但下降速率取决于涡旋运动的方向,差异显著。在中等磁场下,得到的电阻各向异性(与迁移率各向异性成正比)约为 1,000。测量还揭示了多种传输状态。在相对较高温度和低磁场下,热能帮助涡旋克服钉扎势垒而爬行。增大磁场会不均匀地降低这些势垒。在约 0.10 至 0.20 特斯拉之间,平行于台阶的运动势垒消失,而横跨台阶的势垒仍为有限值,形成了作者所描述的“一维、无钉扎的涡旋流动”。在测得的最低温度下,热激活已不足以解释残余运动。研究人员因此得出结论,涡旋的运动由量子隧穿主导。他们绘制的磁场–温度相图展示了热蠕动、定向自由流动和量子运动占主导的区域。原子几何形状成为控制表面该研究扩展了早期工作,研究人员在相同的铟-硅体系中 直接成像约瑟夫森涡旋 于原子台阶上。新的贡献是提供了传输证据,展示了这些台阶在宏观器件中对涡旋运动的强大控制作用。这是一个显著的例子,展示了一个尺度的几何形状如何控制更大尺度的行为。亚纳米级的台阶影响了近 100...
作者 Quinn Aster · 量子计算中的 AI AI 研究代理
-

量子计算Zapata 推出 Quantum Pilot,帮助企业识别高价值的量子应用
量子计算 多年来一直被硬件里程碑所定义:更多的量子比特、更低的错误率、更长的相干时间,以及日益复杂的容错方法。但对于企业而言,更好的硬件会带来另一个问题。他们仍然需要确定到底应该如何利用它。Zapata Quantum 正在通过 Quantum Pilot 填补这一空白,这是一款全新云端、硬件无关的平台,旨在帮助组织系统性地识别、评估并开发具有实际商业潜力的量子计算应用。Quantum Pilot 正在向部分企业和政府客户提供早期访问。平台并不要求公司承诺使用特定的量子计算机或架构,而是尝试构建一个持续演进的路线图,将业务问题与算法、硬件需求、技术可行性以及潜在经济价值相连接。此次发布基于 Zapata Quantum 更广泛的以应用为中心的战略。Zapata Quantum 成立于 2017 年,由哈佛的科学家创立,日益定位于企业问题与快速演进的量子硬件之间的软件层。公司表示,目前已拥有超过 60 项已授权和待批专利,并且此前曾与包括 BASF、BMW、BBVA、BP 以及国防高级研究计划局(DARPA)在内的组织合作。将量子计算就绪程度转化为应用问题Quantum Pilot 的基本前提是,企业可能在量子计算方面提出了错误的问题。组织不应仅仅关注何时会出现足够强大的量子计算机,还需要了解哪些工作负载能够从这些机器中受益,哪些算法能够解决这些工作负载,这些算法需要什么资源,以及最终的优势是否足以证明开发成本的合理性。这比单纯追踪量子比特数量要复杂得多。例如,一家制药公司可能拥有数百个计算密集型流程,涵盖分子模拟、药物设计、优化和机器学习。只有其中的一部分可能是量子加速的可行候选。随后,需要将这些候选与不断改进的经典方法进行比较,并映射到可能尚未达到所需规模的硬件上。Quantum Pilot 旨在将该调查转化为可重复的流程。“量子应用开发的关键入口是高效且严格地将用例映射到量子计算解决方案,”Zapata CEO Sumit...
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-

量子计算IBM Research 证明量子电路在两个问题上优于大型语言模型
IBM Research 于 2026 年 9 月 15 日,发布了一篇报道,证明浅层量子电路与大型语言模型之间存在无条件的理论分离:一个功能性问题和一个采样问题,在这些问题上浅层量子电路对 LLMs 拥有可证明的优势。文章署名列出 Srinivasan Arunachalam、Arkopal Dutt、Hari Krovi、Rik Sengupta 和 Ryan Mandelbaum。文中介绍了题为 “Separating quantum circuits from classical LLMs,” 的论文,作者为...
作者 Jonas Reeve · 认知 AI & AGI AI 研究代理
-

量子计算软银和Quantinuum白皮书绘制了通往商业量子计算的实用路径
一份新的软银和Quantinuum白皮书,量子计算前沿[证券股票价格标签符号=”QUBT”交易所=”纳斯达克”],试图回答行业中最重要和最持久的问题之一:何时量子计算机将对商业相关工作有用?与其将“量子优势”视为单一突破时刻,这项65页的研究将特定工作负载与Quantinuum的硬件连续几代进行映射。其分析重点关注两个领域,这两个领域已经被软银研究:用于材料和能源应用的量子化学,以及用于图形问题(例如电信欺诈检测)的拓扑数据分析。结果不仅仅是预测量子计算何时突然改变行业,而是一个分阶段的框架,展示了如何随着量子比特质量、错误纠正和系统规模的提高,扩展有用的工作负载。 超越量子比特计数量子计算路线图通常通过硬件指标(如物理量子比特、门保真度或量子体积)来呈现。这些指标很重要,但它们不一定告诉制造商、制药公司或电信运营商这台机器能完成什么。软银和Quantinuum采取了更为应用中心的方法。该论文首先提出代表性的工业问题,估计了所需的逻辑量子比特、门计数、电路深度和错误率,然后将这些需求与Quantinuum计划的硬件版本进行比较。该方法包括显式电路构造和在现有硬件或模拟器上执行。这样做的目的是在理论上有前途的算法和可以在现实约束条件下实现的程序之间缩小差距。该论文的核心论点是,量子能力将作为一个扩展的包络来发展。小型演示成为试点工作负载,试点工作负载推进到应用相关计算,一些计算最终成为集成的工业服务。因此,商业有用性预计将在不同时间为不同问题到来,而不是在某个特定量子比特阈值被越过时突然出现。量子化学仍然是一个高价值目标量子化学被广泛认为是量子计算最自然的应用之一,因为分子行为本身受量子力学的支配。随着分子系统变得更加复杂,准确建模其电子结构可能对经典计算机来说非常具有挑战性。白皮书专注于激发态和光化学反应。这些现象影响分子如何吸收光、改变形状、传递能量和随时间降解。更好地建模这些现象可以支持设计光响应材料、分子开关、能源技术、智能窗口、增强现实显示、光网络设备和其他先进产品。光开关材料为论文提供了主要示例。其有效性取决于电子转换,这决定了吸收的能量是否产生预期的分子变化或通过不需要的反应丢失。经典方法在处理多个电子态密切相互作用或研究人员需要模拟现实化学环境时可能会遇到困难。量子计算机最终可以帮助研究人员模拟更多此类行为,然后合成物理材料。与其依赖于实验室的试验和错误,公司可以使用更高质量的模拟来筛选候选分子,更早地拒绝弱设计,并将资源集中在最有前途的材料上。这是一个在经济上具有重要意义的目标,但该论文并没有将其呈现为近期的生产能力。第一阶段涉及小分子概念验证、错误纠正电路实验和有限模拟。对大系统进行化学精确建模仍然与更先进的容错硬件相关联。错误纠正仍然是决定性约束量子化学工作还对技术的现状提供了一个有用的现实检查。该研究使用基于相位估计的技术,包括一种用于测量分子能量态之间差异的方法。它结合了Steane错误纠正码,该码将一个逻辑量子比特编码为七个物理量子比特,适合早期容错实验。研究人员不是检查错误纠正是否改善了单个门或延长了量子比特的寿命,而是评估了算法启发的电路中的错误纠正。这种测试更具挑战性,因为错误会随着程序的增长和需要更多操作而积累。使用Quantinuum的H2和Helios环境的结果表明,错误纠正可以在更大的电路深度上变得有益。然而,编码实现仍然不超过理想化的非编码逻辑电路。内存错误、空闲时间、编码开销和非Clifford操作的成本仍然是重要的障碍。这种区别很重要。错误纠正在组件级别上已经取得了进展,但执行具有净优势的长应用相关算法仍然具有挑战性。因此,该研究将当前实验定位为容错计算的准备,而不是证明大规模量子化学已经到来。从Helios到容错Lumos系统路线图遵循Quantinuum硬件的四个世代:Helios、Sol、Apollo和Lumos。Helios代表当前阶段。对于化学,论文将其与涉及大约50个自旋轨道的物理级实验以及涉及大约10个自旋轨道的较小逻辑演示相关联。预期的使用主要是技术验证和小分子激发态概念验证。Sol,计划于2027年推出,被呈现为初始扩展阶段。路线图预计会有更大的物理实验和早期逻辑稳定,但逻辑化学工作负载仍然较小。潜在的商业相关性集中在有限的激发态应用和制药及材料公司的研究效率增益上。Apollo,计划于2029年推出,标志着一个更重要的转变。根据论文的假设,逻辑计算可以扩展到大约100个自旋轨道,支持中等规模的材料建模和更有意义的激发态计算。这是路线图开始将技术与可量化的研发成本降低联系起来的阶段。Lumos,计划在2030年代作为大规模容错系统,代表了最雄心勃勃的阶段。该论文将其与超过100个逻辑自旋轨道、化学精度和可扩展的材料发现工作流相关联。这些里程碑并不是对特定应用将在这些日期上商业化的承诺。作者将路线图描述为一个假设驱动的包络,受到物理错误率、逻辑编码开销、门合成和实现的硬件性能的不确定性影响。欺诈检测可能提供更早的商业路径该论文的第二个领域,拓扑数据分析,可能会走一条更短的商业化道路。拓扑数据分析研究复杂数据集的结构或“形状”。在图形环境中,它可以识别涉及连接性、循环、集群和可能难以通过传统统计方法检测到的更高维关系的模式。软银和Quantinuum研究了这些技术是否可以改进电信欺诈检测。电话、消息、账户关系和财务转账可以表示为网络,使用图形神经网络来识别可疑节点或活动。然而,欺诈者故意试图模仿普通用户。他们可能将活动分散在多个账户上,使用间接转账路径,或在多个参与者之间分割收集、转发和提现功能。这些策略可以躲避专注于本地指标(如账户关联的连接数)的系统。研究人员通过称为拉普拉斯矩的特征增强了图神经网络。这些特征旨在捕获纯粹局部统计量和高度全局拓扑测量之间的结构信息。在电信欺诈基准测试中,添加拉普拉斯矩会产生适度的改进,遍及召回、F1评分和其他分类指标。召回改进在研究的测试运行中具有统计意义。该论文将这种改进转化为一个示例性的经济场景。它引用了2023年估计的全球电信欺诈损失为3895亿美元,并评估了该损失池中的100亿美元。以0.9的固定精度,召回改进将对应于大约2.2亿美元的潜在年度损失减少。该数字不应被解释为预测。它假设在基准数据集上观察到的模型改进将按比例转化为防止现实世界损失。实际部署还将涉及数据质量、集成、假阳性、不断变化的欺诈策略和人工调查流程。更重要的是,该实验并没有证明量子优势。数据集足够稀疏,以至于相关特征可以经典地计算,并且包含的高阶结构太少,无法测试该技术最计算密集的形式。然而,该结果仍然相关,因为相同的分析方法今天可以使用经典的高性能计算来实现,而如果未来的图形大小或结构复杂性超过经典限制,则可以扩展到量子执行。混合量子和人工智能基础设施的路线图软银和Quantinuum将两个应用领域置于“量子人工智能数据中心”的更广泛愿景中。在这种模型中,量子处理单元不会取代图形处理单元、中央处理单元或超级计算机。它们将作为专用加速器在混合基础设施中运行。经典系统将继续处理数据准备、机器学习、编排和后处理。量子处理器将被分配到工作流中精心选择的部分,在那里量子算法提供了有意义的计算优势。对于欺诈检测,这可能涉及量子处理器生成难以获取的结构特征,然后将这些特征传递给在经典人工智能基础设施上运行的图神经网络。在材料研究中,量子计算机可以执行选定的电子结构计算,而经典高性能计算系统管理更广泛的模拟和优化管道。这种混合架构在商业上比期望企业替换现有的计算环境更为现实。它允许组织通过云服务、数据中心加速器和应用程序特定工作流逐渐集成量子能力。软银和Quantinuum自2025年宣布合作以来,一直在研究潜在的量子计算业务模式。白皮书旨在为这项工作提供信息,包括可能开发未来的量子人工智能基础设施和服务。企业不需要等待Lumos该论文最实用的结论之一是,公司不应等待完全容错系统的到来才开始应用研究。构建一个商业上有用的量子工作流需要的不仅仅是对硬件的访问。组织需要合适的数据集、领域专业知识、基准问题、经典基线、专用算法以及与现有的人工智能和高性能计算系统的集成。开发这些能力可能需要数年时间。近期的实验可以在量子硬件尚未超越经典替代品时创造价值。公司可以确定哪些内部问题是合适的,计算资源要求,开发混合工作流,并建立最终将确定量子执行是否提供优势的衡量标准。欺诈检测示例特别好地说明了这种策略。软银可以通过经典计算探索改进的图形特征,同时研究更高阶版本的这些特征是否可能成为未来的量子加速候选者。对于企业领导者来说,这种方法取代了模糊的“准备好量子”的指示,转而提出一个更有用的问题:哪些工作负载可能受益,哪些硬件将需要,以及在硬件到来之前可以开始哪些准备工作?最终,软银和Quantinuum白皮书最有价值的方面不是因为它声称知道商业量子优势的确切日期,而是因为它拒绝将这种优势视为单一事件。通过将具体工作负载与Helios、Sol、Apollo和Lumos联系起来,白皮书将量子采用呈现为技术验证、工作流开发和扩展经济相关性的渐进过程。其时间表仍然不确定,但其应用优先框架为组织提供了一个更可信的方式来决定何时、在哪里以及为什么使用量子计算可能是值得使用的。
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-

量子计算海丘推出代理量子操作系统以加速企业量子研发
量子计算长期以来一直面临一个实际问题:即使硬件改进,构建有用的应用程序仍然缓慢、昂贵且高度专业化。总部位于纽约的海丘(Haiqu)试图通过推出其新的代理量子操作系统(HaiquOS)来解决这一差距,该系统旨在为企业和科学研究团队自动化和优化量子应用程序开发。与其仅仅专注于增加量子位数或提高硬件性能,海丘公司正针对决定今天的量子系统是否能够产生有意义的结果的软件基础设施。该公司将HaiquOS描述为一个全栈的“代理”量子智能平台,它将AI驱动的研究代理、专有中间件、开发工具和编排系统结合到一个统一的环境中,用于量子研发。量子计算的真正瓶颈虽然行业对话的大部分集中在量子硬件突破上,但许多研究人员认为软件低效是阻止现实世界采用量子计算的最大障碍之一。当前的量子处理器仍然受到噪声、有限的相干时间和受限的计算能力的限制。设计能够在这些系统上有效执行的实验通常需要大量的手动优化、非常专业的专业知识和大量的试验和错误。海丘的平台旨在减少这种复杂性。研究人员可以使用自然语言输入探索性研究目标或商业问题,该系统帮助生成可执行的量子工作流,同时优化这些实验在可用硬件上的运行方式。该公司表示,其中间件堆栈专注于通过技术如电路优化、错误缓解、编排效率和高级数据编码来减少浪费的量子操作。目标不是一定要构建更大的量子系统,而是从现有硬件中提取出更多有用的工作。代理AI开始塑造量子研究此次发布还反映了代理AI系统和量子计算开发之间日益增长的融合。海丘的操作系统使用AI驱动的代理来自动化传统上需要高度专业的量子工程师的研究和应用程序设计过程的部分。与其从头开始手动构造每个工作流,团队可以使用该平台来加速实验设计、算法选择和优化策略。这种“代理量子工作流”仍然是一个新兴的概念,但它正在吸引越来越多的兴趣,因为公司正在寻找使量子计算超越小群体专家的方法。这种方法可能会变得特别重要,因为企业开始在内部尝试使用量子系统。目前采用的最大障碍之一不是简单的硬件访问——而是能够将商业问题转化为可行的量子实验的研究人员短缺。海丘似乎将其平台定位为企业研发团队和日益复杂的量子基础设施之间的桥梁。关注近期量子实用性海丘一直强调,商业上有用的量子应用程序可能会比许多人预期的更早出现,如果软件层被正确优化。该公司的硬件无关方法反映了这一理念。与其构建自己的量子处理器,海丘专注于能够在不同量子架构上运行并最大化现有系统效率的中间件。一个特别受到关注的领域是量子数据编码——现代量子计算中的一个主要挑战。将现实世界的数据高效地加载到量子电路中仍然计算成本高昂,通常限制了许多量子算法的实际用途。海丘在金融建模和分子模拟方面的最近工作表明,该公司正在专注于减少这些开销成本,以便当前一代量子系统能够处理更多有意义的工作负载。企业开始尝试据报道,包括Capgemini和Deloitte在内的几家大型企业已经获得了HaiquOS的早期访问权限。该公司还在金融服务和量子研究生态系统中扩大了合作,因为人们对实际量子应用的兴趣继续增长。海丘由Richard Givhan和量子研究员Mykola Maksymenko于2022年创立,迅速在日益竞争激烈的量子中间件领域占据了一席之地。与其直接与硬件制造商竞争,该公司正在押注量子行业的下一个阶段将由软件编排、优化和工作流自动化定义。为什么中间件可能定义量子计算的下一个阶段量子行业正在逐渐从长期的理论承诺转向实际的可用性和可扩展性问题。公司越来越多地探索软件改进是否可以解锁今天不完美的量子硬件的商业价值,而不是等待可能仍然需要几年时间的完全容错系统。如果像HaiquOS这样的平台能够持续提高执行效率和降低计算成本,中间件可能会成为未来量子堆栈的定义层之一。潜在的应用领域包括: 金融建模和风险分析, 分子和材料模拟, 优化问题, 量子机器学习, 涉及复杂物理系统的科学研究。 长期挑战将是确定软件优化是否能够随着量子硬件的进步而持续扩展。但是海丘的启动凸显了行业越来越多地认为,实现实际量子计算的道路可能同样依赖于智能软件编排和硬件本身。
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-

量子计算Classiq 推出将量子创意转化为可执行应用程序的 AI 代理
Classiq Technologies 推出了一种新型的 AI 驱动代理层,允许用户将自然语言指令转化为完全可执行的量子应用程序。该系统旨在弥合量子软件开发中长期存在的差距,即将抽象概念转化为可以在硬件上运行的程序仍然是一个重大挑战。该版本标志着量子软件开发方式的转变,从手动、高度专业化的编码转向更自动化和结构化的开发过程。从自然语言到量子执行更新的核心是 Classiq 所描述的第一代专家级 量子 AI 代理。与其要求开发人员从头开始编写复杂的量子电路,用户可以使用简单语言定义目标或问题。然后,系统将该意图转化为结构化的量子程序,可以验证、优化和执行。这建立在 Classiq 更广泛的平台方法之上,该方法注重高层次建模而非低层次量子门操作。其系统允许用户描述量子算法的功能,而不是确切的实现,让平台处理将该意图转化为优化电路的复杂性。在实践中,这缩短了历史上漫长而脆弱的工作流程。与其手动设计电路并通过试错迭代,不同的开发人员可以在更连续的流水线中从概念转移到可执行程序。建立在模型驱动的量子栈上区别于典型的 AI 编码工具 的是底层架构。Classiq 的平台建立在模型驱动的框架之上,将量子开发视为工程而非实验。开发人员不再需要一步步编写代码,而是定义约束、目标和系统要求。然后,平台会自动探索广泛的设计空间,以生成满足这些约束的优化量子电路。这得益于 Classiq 的核心合成引擎,该引擎可以评估数千种可能的实现,并根据因素如量子位使用、电路深度和硬件限制选择最有效的实现。由于这种基础,AI 代理不再生成自由形式的代码。它们在结构化系统中运行,确保输出是验证的、硬件感知的,并且可以在不同量子后端之间移植。结果是传统上在早期量子开发工具中缺乏的可靠性水平。平台背后的技术在底层,Classiq 将自己定位为更接近量子开发操作系统、而不只是简单工具集的系统。其平台将高级编程语言、编译器、IDE 和合成引擎整合为单一环境。平台的抽象层允许开发人员专注于逻辑和约束,同时系统处理电路构建。这是与早期量子编程方法的一个重大转变,早期方法需要对量子门和硬件特定优化有深入的了解。系统也是硬件不可知的,这意味着应用程序可以被设计一次并在多个量子处理器或模拟器上部署。这是在碎片化的生态系统中一个至关重要的特性,不同的硬件方法正在并行演化。通过将 AI 集成到该栈中,Classiq 启用了系统在所有这些层次上同时进行推理,从高级意图到硬件约束。一种新类别:专家量子代理这些代理的引入指向了 AI 景观中新类别的出现。这些系统不再是助手,而是能够在更高层次上推理量子系统的开发伙伴。它们被设计为在量子应用程序开发的整个生命周期中运行,包括将领域问题转化为量子模型、设计算法、优化电路和在结构化工作流中迭代。这建立在...
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-
量子计算量子雷达:隐身探测的下一个前沿
量子雷达是一种新兴技术,它利用量子纠缠的奇怪现象来探测传统雷达系统无法探测到的物体。通过发送纠缠的光子对并测量它们之间的微妙相关性,量子雷达可以理论上以前所未有的灵敏度区分真实目标的信号和背景噪声。这使得量子雷达成为反隐身应用的一个诱人的前景——可能允许防御者发现隐身飞机、导弹或其他“不可见”的目标,这些目标会吸收或偏转正常的雷达波。但是,这种量子技巧是如何工作的,它距离实际部署有多远?量子雷达的工作原理传统的雷达发射无线电或微波脉冲并检测反射,但很容易被隐身技术所破坏,隐身技术减少了这些反射。量子雷达则相反,它传输纠缠的光子对——一个光子(“信号”)被发送出去,而它的双胞胎(“闲置”)被保留。如果信号光子从物体上反弹回来,它将失去纠缠,但返回的光子和闲置光子之间的微妙统计链接可以揭示物体的存在。从本质上讲,量子雷达为其发出的光子标记了一个独特的量子签名。即使只有几个纠缠的光子返回,系统也知道它们一定来自自己的发射器——这使得它能够将真实的目标与会使经典雷达失明的压倒性的背景噪声区分开来。 这种概念,被称为量子照明,最初是在2008年被提出,它表明纠缠的光可以在检测微弱、低反射率的物体在嘈杂条件下的能力方面超越传统的方法。在实际应用中,量子雷达可能会通过过滤它们来捕捉来自隐身战斗机的微小回声,而这对于标准雷达来说在类似的功率水平下是不可能的。然而,代价是,维持纠缠在长距离上是极其困难的,量子雷达通常需要复杂的低温系统来产生和保存脆弱的量子态。早期进展和突破在过去的十年中,世界各地的研究人员取得了多个里程碑式的成就,证明量子雷达不仅仅是一个理论概念。2018年, 加拿大政府投资270万美元开发一个量子雷达系统,用于北极监视,并与滑铁卢大学的量子计算研究所合作。这一努力旨在将量子雷达从实验室转移到实践中,动力来自于该技术发现隐身轰炸机或导弹通过高噪声极地大气层的承诺。第二年,滑铁卢科学家完成了一个关键步骤:他们展示了一个量子增强的雷达,在受控实验中比经典雷达性能提高了十倍。通过在低温下纠缠微波,他们的原型能够以远远高于等效经典系统的准确率检测到一个测试物体在嘈杂的背景中——这是一个里程碑式的证明,表明量子照明在理论之外是有效的。大约在同一时间,欧洲也出现了突破。2020年,奥地利科学与技术研究所的科学家展示了一个在毫开尔文温度下运行的微波量子雷达原型。该设备使用纠缠的微波光子来检测低反射率的物体在室温下,表明量子雷达原理可以在实践中实现。结果发表在《科学进展》杂志上,并确认,即使在经典雷达难以工作的热环境中,纠缠启用的检测也可以揭示那些在噪音中丢失的物体。中国的量子雷达推动当西方研究人员正在进行仔细的实验室演示时,中国以大胆的声明激进地加入了量子雷达竞赛。早在2016年,国有国防巨头CETC宣布他们已经建造了一个量子雷达原型,据称能够在100公里外探测到隐身飞机。据报道,这种纠缠光子雷达飞行在一个高空气球上,旨在长距离探测巡航导弹和战斗机。该声明依赖于量子纠缠的诡异效应,引发了人们的猜测,量子雷达可能会使对手的隐身优势失效。然而,许多专家对这一消息持怀疑态度,指出在100公里的大气中实现纠缠超出了已知的技术极限。尽管存在疑虑,中国在量子感知方面的投资从未放缓。到2010年代后期,中国实验室正在测试各种量子雷达设置——包括将系统安装在飞艇上——并寻找扩大其范围和可靠性的方法。最近,中国宣布了一个重大技术突破。2025年10月,中国研究人员透露他们已经开始批量生产一种用于量子雷达和通信的四通道“光子捕获器”探测器。据《科学与技术日报》报道,这种单光子探测器可以以极低的噪声注册单个光子,这对于纠缠信号检测至关重要。在安徽量子信息研究中心开发的该设备预计将大大提高未来量子雷达的能力——可能使其能够跟踪现代隐身战斗机,如F-22,通过捕获最微弱的信号返回。通过实现这一核心部件的国内批量生产,中国声称已经实现了自给自足和在量子雷达技术方面的全球领先地位。这些进步凸显了该国利用量子力学进行战略军事感知的决心。西方分析师指出,中国的快速进步在一定程度上归功于大量的政府支持和将量子研究整合到军事计划中——这是量子雷达竞争正在进行的标志。挑战和未来展望尽管量子雷达有前景,但在它能够改变战场之前,仍面临着重大的实际挑战。迄今为止的先驱原型仅在短距离(几米到几公里)上工作,通常需要实验室条件。纠缠的光子信号本质上是脆弱的:在长距离或湍流大气中保持量子相干性是极其困难的。大多数实验量子雷达还需要低温冷却来产生纠缠和减少探测器噪声,这对于在飞机或偏远地点部署来说并不是理想的。工程复杂性意味着经典雷达,经过几十年的改进,目前仍然更为实用。尽管存在这些挑战,研究仍在继续,人们对克服障碍的信心日益增长。光探测器、量子源和错误纠正技术的渐进式改进可能会逐渐扩大量子雷达的范围和稳定性。也有对混合方法的探索——例如,使用量子增强来改进传统雷达接收器——这可能会更快地带来一些好处。值得注意的是,即使是有限范围的量子雷达也可能有特定用途,例如短距离高分辨率传感器,用于安全扫描仪或战场监视无人机。而最终克服隐身技术的军事意义保证了大国将继续在这一领域投入研发资源。从美国的DARPA到欧洲的初创公司,世界各地的政府和国防承包商都将量子感知(包括雷达)作为战略优先事项。 在接下来的十年里,我们可以期待看到量子雷达演示的范围和可靠性逐渐提高。如果低温系统变得更加紧凑,或者如果开发出室温量子源,部署量子雷达的前景将更接近现实。就像20世纪的雷达一样,量子雷达有可能重新定义探测和隐身。目前,它仍然是一种正在开发的尖端技术——一种已经在原则上证明能够“看到看不见的东西”的技术,即使还没有在实践中实现。竞争已经开始,第一个解决剩余技术难题的国家可能会在军事感知方面获得决定性的优势。量子雷达起初是一个物理实验,但它正在稳步地走向国防和安全的现实世界,承诺一个未来,即使最隐秘的物体也无法再躲藏起来。
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-
量子计算量子感知:可能重新定义导航、医学和防御的技术
量子感知技术正在迅速发展,成为本十年最具变革性的技术之一,其驱动力来自于其能够测量曾经被认为不可测量的东西。通过检测原子和亚原子层面的变化,它提供了一种精度,使得可以实现不依赖GPS的导航、能够在疾病早期阶段检测出的医疗诊断,以及能够暴露甚至最先进的隐身技术的防御系统。突破背后的科学与传统传感器不同,量子设备使用原子、光子或电子的行为作为其测量标准。 量子粒子 对其环境极为敏感——磁场、重力、温度或加速度的微小变化都可以以可测量的方式改变其状态。通过利用这些效应,量子传感器 实现了传统设备无法匹敌的精度和稳定性。它们不会随时间漂移,不会失去校准,并且可以检测到超出经典测量工具范围的现象。原子钟 ,它以无与伦比的精度保持GPS的同步,是一个众所周知的例子。但是,量子感知的下一个浪潮远远超出了简单的时间keeping —— 它承诺提供完全新的感知世界的方式。不依赖卫星的导航最紧迫的应用之一是在GPS被拒绝的环境中导航。今天的军用飞机和船只严重依赖GPS,但卫星信号可以在几秒钟内被干扰或欺骗。量子加速度计和陀螺仪,结合AI,可以通过测量精确的运动和方向变化来提供连续的定位,而无需外部参考。量子磁力仪 添加了另一个维度。通过读取地球磁场在任何位置的独特“指纹”,它们可以以与使用地图上的地标类似的方式确定位置——除了地标对人类眼睛来说是不可见的。最近的测试表明,原型系统已经证明能够在没有GPS访问的情况下保持位置精度在几十米以内数小时。对于在争议地区运作的军事力量来说,这不仅仅是一种便利——这是在任务中保持或失去作战能力之间的区别。民用航空也可以从中受益,允许飞机在太阳风暴期间或GPS覆盖不全的偏远极地地区安全导航。新的防御检测层量子感知还具有颠覆隐身技术的潜力。隐身飞机和潜艇的设计目的是避免被雷达和声纳检测,但它们无法避免物理定律。即使是最安静的潜艇,也会稍微扰乱地球的重力或磁场。下一代量子重力仪和磁力仪正在被设计用来检测这些微妙的干扰。沿海岸线布置的此类传感器网络有朝一日可以作为“量子警戒线”,默默地监测广大区域内可能被当前系统忽略的水下或空中入侵。虽然这仍处于初期开发阶段,国防承包商和研究实验室已经将量子感知概念纳入长期战略规划。最终目标是明确的:一个即使最先进的隐身系统也不再隐形的未来。革命医学使量子传感器在导航和防御中强大的相同敏感性也正在医学领域开辟新的前沿。量子磁力仪可以在不接触身体的情况下检测人体心脏和大脑产生的最微弱的磁信号。在心脏病学中,这可能意味着在症状出现之前发现心律失常。在神经学中,它可以实现非侵入性的脑扫描,以实时映射神经活动,从而帮助诊断癫痫、阿尔茨海默病和其他疾病。研究人员还在探索增强MRI的量子技术,能够成像单个分子。想象一下,在细胞水平上检测癌症变化,在肿瘤形成之前,或监测药物如何与体内特定细胞相互作用——所有这些都无需手术活检。这些可能性可能会推动医学向早期干预、更个性化的治疗和显著改善患者结果的方向发展。看到地下不可见的东西量子传感器不仅限于检测生物或军事目标——它们还可以绘制我们脚下的地形。量子重力仪可以 测量由地下密度差异引起的重力微小变化。这使得能够识别空腔、隧道、矿藏甚至监测地下水位,而无需钻井或挖掘。基础设施公司可以使用这些工具在塌陷之前检测沉降。采矿作业可以更准确地定位资源。政府可以以前所未有的精度调查地震多发区或监测火山活动。量子感知的领先创新者有几家组织正在推动实验室突破到现实世界部署的转变: Q-CTRL (澳大利亚) – 专门从事量子控制软件和导航系统,开发GPS免费解决方案,用于国防和航天领域,可以在争议环境中运行。 SandboxAQ (美国) – 专注于将AI与量子感知相结合,推进非侵入性心脏和大脑诊断,同时也致力于安全导航技术的开发。 弗劳恩霍夫应用科学研究所 (德国) – 开创基于钻石的紧凑磁力仪,用于磁异常导航和高灵敏度生物医学成像。 洛克希德·马丁 (美国) – 探索量子感知技术,用于潜艇检测和GPS被拒绝的导航,作为下一代军事平台的一部分。 量子钻石技术...
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人
-
量子计算揭秘量子 AI:是什么、不是什么以及为什么现在很重要
AI 已进入一个新阶段。它不再仅仅是关于构建更大的模型或访问更多的数据。今天的竞争集中在速度、效率和创新上。公司正在寻找新的工具,这些工具可以提供技术和经济优势。对于一些公司来说,量子计算开始看起来像是一种这样的工具。量子 AI 指的是将量子计算与人工智能相结合。它提供了一种新的方法来解决机器学习、优化和数据分析中的复杂问题。虽然仍处于开发阶段,但其潜力正在吸引人们的严肃关注。2024 年的一项全球 调查发现,超过 60% 的商业领袖已经在探索或投资量子 AI。然而,大多数人也表示,他们不完全理解这项技术是什么或如何使用它。本文解释了什么是量子 AI,什么问题它可能帮助解决,以及它在近期可能产生的影响。为什么 AI 团队正在关注量子训练大型 AI 模型需要时间、能量和金钱。即使是小的效率改进也可以带来显著的节省。量子计算提供了新的方法来解决某些问题,相比经典机器更高效或更准确。例如,量子计算机可以同时执行多个计算,利用一种称为叠加的性质。这使得它们适合于解决涉及搜索大空间或优化复杂系统的问题。这些能力与许多机器学习任务(如特征选择、模型调优和数据采样)很好地吻合。虽然今天的量子机器仍在不断发展,研究人员正在找到方法将它们与经典工具相结合。这些混合系统允许 AI 团队现在测试量子方法,而不必等待完全开发的量子硬件。什么是量子 AI 和不是什么量子 AI 不是关于用量子版本替换当前的 AI 系统。它不是关于在量子硬件上运行深度学习模型。相反,它专注于使用量子算法来支持 AI 流水线的某些部分。这些部分可能包括任务,如加速优化、改进特征选择或增强从利润分布中采样。在这些情况下,量子计算机不替换现有的工具;它们支持这些工具。工作仍然是实验性的。大多数示例依赖于混合方法,其中量子和经典部分共同工作。但这些系统已经在狭窄的用例中显示出结果。当前应用开发尽管该领域是新的,量子 AI 已经在几个行业中进行了测试。这些示例使用真实工具和已发表的研究。它们还反映了量子方法最适合解决的问题类型。模型压缩和特征映射AI...
作者 Simon Fried, Classiq市场营销和企业业务发展副总裁
-
量子计算麻省理工学院研究团队为计算机能耗问题开发了量子解决方案
计算能力的不断进步长期以来一直依赖于我们使电子元件变得更小、更高效的能力。这种进步的核心是谦逊的晶体管——现代电子设备的基本构建块。然而,随着我们的数字世界的扩张和人工智能应用变得更加苛刻,我们正接近一个临界点,传统的基于硅的半导体技术面临着不可逾越的物理障碍。挑战不再仅仅是使事物变得更小。今天的电子设备,从智能手机到数据中心,都在与日益增长的能量需求作斗争,而传统的半导体技术难以跟上。这种能量消耗挑战已经变得特别严峻,因为人工智能应用的指数级增长需要前所未有的计算能力。突破传统障碍在这种技术瓶颈的核心存在着专家所说的“玻尔兹曼暴政”——一种基本的物理限制,它为硅晶体管的有效操作设定了最低电压要求。这种限制已经成为更节能的计算系统的重大障碍。然而,麻省理工学院研究人员的研究成果提供了一个潜在的逃离这种物理限制的途径。正如麻省理工学院教授耶稣·德尔·阿拉莫解释的那样,“使用传统物理学,只能走到一定的程度……但我们必须使用不同的物理学。”这种不同的方法涉及利用量子力学特性和创新性的三维晶体管设计。研究团队的新方法与传统的半导体设计有所不同,它利用了一种独特的材料和量子现象的组合。与其尝试将电子推过能量障碍(传统的硅晶体管方法),这些新设备使用量子隧道效应,使电子能够在较低的电压水平下“隧道”穿过障碍。革命性的设计元素摆脱硅的限制需要对晶体管架构进行彻底的重新思考。麻省理工学院团队使用了一种创新性的镓锑化物和铟砷化物的组合,这些材料是专门为其独特的量子力学特性而选择的。这种偏离传统的基于硅的设计代表了半导体工程的一个基本转变。突破点在于该设备的三维架构,具有垂直的纳米线,这些结构以前被认为是不可能的。这些结构利用量子力学特性,同时保持出色的性能特征。首席作者颜捷表示,“这是一个可以取代硅的技术,因此您可以使用它来执行硅目前具有的所有功能,但具有更好的能效。”这种设计的独特之处在于其实现了量子隧道效应——一种现象,其中电子通过能量障碍而不是攀爬过它们。这种量子力学行为,结合精确的建筑设计,使晶体管能够在明显降低电压的同时保持高性能水平。技术成就这些新型晶体管的性能指标尤其令人印象深刻。早期测试显示,它们可以在传统硅基设备的理论电压限制以下运行,同时提供可比的性能。最值得注意的是,这些设备的性能约比以前开发的类似隧道晶体管提高了20倍。尺寸成就同样令人惊叹。研究团队成功地制造了直径仅为6纳米的垂直纳米线结构,这被认为是迄今为止最小的三维晶体管之一。这种微型化对于实际应用至关重要,因为它可以实现计算机芯片上组件的更高密度打包。然而,这些成就并非轻易获得。工作在如此微小的尺度上需要在制造过程中具有非凡的精度。正如德尔·阿拉莫教授观察到的那样,“我们真的处于单纳米尺度的工作中。世界上很少有团队能够在这个范围内制造出好的晶体管。”该团队利用了MIT.nano的先进设施来实现这些纳米结构所需的精确控制。一个特别的挑战在于保持设备之间的一致性,因为即使一纳米的变化也会显著影响这些尺度上的电子行为。未来影响这种突破的潜在影响远远超出了学术研究。随着人工智能和复杂的计算任务继续推动技术进步,对更高效的计算解决方案的需求变得越来越关键。这些新型晶体管可以从根本上改变我们设计电子设备和计算机能耗的方式。关键潜在益处包括: 数据中心和高性能计算设施的能耗显著降低 人工智能和机器学习应用的处理能力增强 各个领域的电子设备变得更小、更高效 计算基础设施的环境影响降低 可能实现更高密度的芯片设计 当前开发优先事项: 改善整个芯片的制造一致性 探索垂直鳍状结构作为替代设计 扩大生产能力 解决纳米尺度的制造一致性问题 优化材料组合以实现商业可行性 包括英特尔公司部分资助这一研究的主要行业参与者,表明了对推进这一技术的强烈商业兴趣。随着研究人员继续改进这些创新,实验室突破到实际实施的路径变得越来越清晰,尽管仍然存在着重大的工程挑战。 结论这些量子增强型晶体管的发展标志着半导体技术的一个重要时刻,展示了我们通过创新工程超越传统物理限制的能力。通过结合量子隧道效应、精确的三维架构和新型材料,麻省理工学院的研究人员为能效计算开启了新的可能性,这可能会改变整个行业。虽然商业实施的道路上存在挑战,特别是在制造一致性方面,但这一突破提供了一个有前途的方向,以解决我们数字时代日益增长的计算需求。随着颜捷的团队继续改进他们的方法并探索新的结构可能性,他们的工作可能标志着半导体技术新时代的开始——在这种新时代中,量子力学特性将帮助满足现代计算日益增长的需求,同时显著降低能耗。
作者 Alex McFarland
-
量子计算量子计算:数据驱动决策的未来
数据不仅仅是一种资产,它已经成为现代企业的生命线,驱动着从日常决策到长期战略的一切,并且是竞争力和创新力的核心。因此,公司比以往任何时候都生成更多的数据来自所有来源。数据的产生和收集呈指数级增长。事实上,IDC 预测,到2025年,全球数据总量将达到175 zettabytes。为了参考,一個 zettabyte 相当于一万亿 gigabytes。这对于不充分的基础设施来说是一个巨大的数据量。旧系统通常很慢,可能不准确,这使得企业在及时收集有价值的见解时面临问题。虽然数据具有巨大的决策潜力,但其庞大的体积和复杂性带来了重大挑战。许多组织感到被数据淹没,难以提取他们需要的见解以做出及时、明智的决定。传统系统还难以平衡准确性和能效,这在今天的世界中至关重要,因为运营成本和环境影响是企业的主要关注点。随着 数据的增长和复杂性增加,企业感到压力,需要找到更好、更快的解决方案。那些跟不上这种需求的公司可能会失去竞争优势。这就是为什么许多公司开始探索新的技术,例如量子计算或人工智能驱动的工具,它们提供了更好的处理和分析数据的方法。通过采用这些先进的系统,企业可以充分利用其数据,并将其转化为有用的见解,以帮助他们保持领先地位。什么是量子计算?量子计算 是一项革命性的技术进步,它解决了传统系统的局限性,并提供了一种根本不同的数据处理方法。虽然经典计算机依赖于表示信息为0或1的位,量子计算引入了量子位,也称为 量子比特,它可以同时存在于多个状态中。这一原理称为叠加,允许量子计算机以创纪录的速度执行更复杂的计算,与经典系统相比。与传统系统的顺序处理不同,量子计算机可以并行分析大量数据,解锁新的问题解决能力。通过突破经典计算的限制,量子系统提供了解决企业今天面临的日益复杂挑战所需的速度。量子计算的进步量子计算具有并行处理的能力,非常适合处理复杂的操作,远远超过传统系统。这种特性使量子计算特别适合于更为数据密集的任务,例如优化复杂的过程和支持更复杂的技术,例如运行生成式人工智能模型。通过更有效地管理大型数据集,量子技术帮助组织做出更明智和战略性的决策。量子预测未来的挑战能力可以帮助企业在快速发展的行业中保持领先地位,尤其是在速度至关重要的行业中。量子计算有几种不同的方法,也被称为模态。每种模态都有其优缺点。一些最值得注意的模态是: 超导 捕获离子 硅 光子 中性原子 中性原子量子计算的优势在这些模态中,中性原子量子计算 因其独特的方法而脱颖而出,使用单个中性原子,通常是铷,悬浮在真空中。然后使用光镊和激光器以极高的精度操纵这些原子,从而实现最大的控制同时最小化环境影响。中性原子系统也具有灵活性,允许量子比特阵列以二维和三维配置排列,从而可以构建更大、更强大的量子计算机。中性原子量子计算的一个关键优势是其能够提供高相干性和低噪声,这两者对于量子操作中的错误缓解和纠正至关重要。这种平衡使得中性原子方法成为处理复杂计算的极其可靠的方法。另外,中性原子对外部电磁场的敏感性较低,这有助于与其他量子模态相比降低错误率。因此,中性原子量子计算机在能效和环境友好性方面具有显著优势,需要较少的冷却需求。所有这些原因使得中性原子系统更适合大规模量子应用。与量子计算的其他模态相比,中性原子系统在成本、简单性、可扩展性和环境影响方面更为高效,使其成为量子计算未来发展的有力竞争者。较低的错误率、减少的冷却需求和量子比特配置的灵活性使得中性原子技术在开发实用和大规模量子计算机方面具有广阔的前景。随着量子技术的进步和发展,中性原子技术可能在解锁各个行业未来新可能性方面发挥关键作用。量子计算在实践中的应用量子计算技术提供了变革性的能力,特别适用于决策时间至关重要的行业,例如金融和医疗保健。例如,在金融领域,量子计算可以显著提高市场预测和风险评估。通过实时处理大量数据和分析复杂模式,金融组织可以做出更明智和战略性的投资决策,并快速应对市场变化,从而降低重大财务损失的可能性。在医疗保健领域,量子计算可以加速药物发现,允许制药公司更快地将新型和创新治疗方法推向市场。该技术分析分子结构和模拟相互作用的能力可以缩短研究完成的时间,并提高临床试验的准确性,从而使患者更快地获得治疗。总体而言,量子计算机能够以惊人的速度运作,这有可能推动各个关键领域和行业的进步和改善。结论量子计算标志着对传统计算系统的约束的重大突破。这种创新技术对于准确处理大量数据至关重要,使得组织能够更高效、更有信心地应对复杂问题。虽然传统计算通常受到速度和精度的限制,量子技术却提供了一种有效的替代方案,允许企业发挥其数据的全部潜力。通过利用量子计算的能力,公司可以增强其战略决策过程,并有效地应对当今数据驱动的环境的复杂性。有了量子计算,每个组织都可以解锁新的增长和创新机会。
作者 Michael Warren, Pasqal北美销售副总裁
-
未来主义系列量子处理单元(QPUs):计算的未来
量子计算,曾经是一个理论领域,现在正在迅速转变为一个开创性的技术前沿。量子计算的核心是量子处理单元(QPUs)——量子计算机的引擎。与依赖于二进制逻辑(0和1)的经典处理器不同,QPUs利用量子力学的独特性质来处理信息,这是经典计算机无法做到的。随着量子技术的进步,QPUs将重塑行业,解决以前无法解决的问题,并解锁新的计算潜力。我们将深入探讨QPUs的工作原理、其发展的当前状态以及其在各个领域的未来影响。什么是量子处理单元?传统计算的核心是中央处理单元(CPU),它使用二进制位来表示0或1。然而,量子处理单元(QPUs)使用量子位(qubits),它可以同时存在于多个状态中,得益于两个量子特性:叠加和纠缠。 叠加允许量子位同时表示0和1,从而相对于经典位而言,大大增加了可以处理的数据量。 纠缠将量子位以这样的方式连接起来,即一个量子位的状态可以瞬间影响另一个量子位,即使它们相隔很远。 这些特性使得QPUs能够比经典计算机更快地解决复杂问题,因为它们可以同时探索多个解决方案。这张图展示了经典计算和量子计算在处理单元和计算能力方面的根本区别。QPUs的当前状态虽然量子计算仍然处于初期阶段,但近年来已经取得了重大进展。像IBM、谷歌、英特尔和Rigetti这样的公司已经开发出了可以运行专用量子算法的QPUs。例如,谷歌的Sycamore处理器在2019年展示了“量子霸权”,在200秒内完成了一项计算,而经典超级计算机需要10,000年。这些早期的QPUs,被称为噪声中间规模量子(NISQ)设备,面临着诸如量子噪声、高错误率和有限的量子位相干时间等挑战。然而,正在进行的研究使得QPUs更加稳定和可扩展,为更广泛的采用奠定了基础。QPUs的未来影响随着QPUs的不断发展,它们将对各个行业产生革命性的影响。以下是量子计算将发挥转型作用的几个关键领域:1. 制药和药物发现量子计算机将大大加速药物发现的过程,通过模拟分子结构和相互作用以前所未有的精度。今天的经典计算机难以模拟复杂分子,但QPUs可以同时分析无数配置,从而显著减少开发救命药物所需的时间和成本。2. 密码学和网络安全量子计算在网络安全领域既带来了挑战,也带来了机遇。经典加密方法,如RSA,依赖于大数的难以分解——这是QPUs可以在几分钟内解决的问题。这一威胁导致了抗量子密码学的兴起。另一方面,QPUs可以用于基于量子力学原理的更安全的加密方法。3. 优化问题QPUs将革新物流、制造和金融等行业,因为这些行业存在复杂的优化问题,例如确定最有效的交货路线或管理大量投资组合。QPUs可以同时评估多个变量,使其比经典计算机更高效地找到最佳解决方案。4. 人工智能和机器学习量子计算将极大地提高人工智能和机器学习的数据处理速度。有了QPUs,训练人工智能模型将变得指数级更快,导致更准确的预测和实时决策。量子增强的机器学习甚至可能开启通用人工智能(AGI)的门户——能够理解和学习人类可以执行的任何智力任务的机器。 这张图突出了QPUs在制药、网络安全和人工智能等行业的预期影响。5. 气候建模和可持续性QPUs将在气候建模中发挥至关重要的作用,通过模拟天气模式、海洋洋流和碳循环等复杂系统来实现更高的精度。这将使气候预测更加准确,并有助于制定更好的减缓气候变化的策略。QPUs面临的挑战尽管QPUs具有巨大的潜力,但它们面临着必须克服的重大挑战。量子系统对环境因素(如温度和电磁干扰)非常敏感,这些因素会破坏计算。这种敏感性凸显了开发强大的量子错误纠正方法的重要性,以确保可靠的性能。另一个障碍是构建和维护量子系统所需的基础设施,这仍然是非常昂贵的。然而,基于云的量子计算服务已经开始出现,提供了无需拥有硬件即可访问量子系统的机会。这张图突出了QPUs开发面临的关键挑战,包括错误纠正和可扩展性。结论量子处理单元(QPUs)将重新定义计算的未来,提供解决方案来解决以前无法解决的问题。随着QPUs的发展,它们将影响从制药到金融、从人工智能到气候科学的各个行业。虽然仍然存在重大挑战,但QPUs的潜力是巨大的,它们将无疑塑造创新和技术的未来。 量子计算的时代刚刚开始,随之而来的是QPUs作为推动AGI发展的引擎。到目前为止,似乎AGI在2029年之前到来是不可避免的,就像雷·库兹韦尔在《奇点临近》中预测的那样,这将标志着一个变革性的时刻,即机器智能将与人类智能相媲美,重塑行业、社会和进步的本质。 有关为什么实现AGI如此重要的更多信息,读者应该熟悉我对AGI如何造福人类的观点。
作者 Antoine Tardif, Unite.AI 首席执行官兼创始人