辉达 (NVIDIA) (NVDA-US) 正将GPU与自家软体工具导入量子电脑研发，并在量子运算领域取得新的模拟进展。辉达10月19日宣布，研究团队利用德国于利希超级运算中心的JUPITER超级电脑，动用8192颗辉达GH200 GPU，完成104量子位元的容错量子运算模拟。这项成果被公司称为迄今规模最大的容错量子运算系统完整模拟之一，让研究人员能在实际建造量子硬体之前，先测试量子处理器在真实硬体杂讯影响下的运作情况。

这项研究的意义，不在于辉达已经打造出104量子位元的实体量子电脑，而是展示传统GPU超级电脑如何协助量子硬体研发。量子电脑仍处于持续发展阶段，研究人员需要在投入昂贵的实体硬体建置之前，先透过大规模模拟检验设计、找出潜在弱点，并评估不同容错方法的效果。辉达透过GPU运算平台与软体工具切入这个流程，也让自身在量子硬体成熟之前，就有机会参与量子运算的研发生态系。

本次研究由辉达与德国于利希超级运算中心研究人员合作完成，使用辉达CUDA-Q平台描述容错量子电路，再透过cuQuantum软体支援大规模量子模拟。研究团队先在辉达加速量子研究中心 (NVAQC) 使用GB200 NVL72系统开发及验证方法，从4颗GPU的测试逐步扩展至数百颗GPU，最后才将运算规模扩大至JUPITER的8192颗GH200 GPU。辉达表示，这套开发与验证流程协助团队将原本可能耗时数周的模拟工作缩短至数天。

JUPITER是欧洲首座百亿亿次级 (exascale) 超级电脑，设于德国于利希超级运算中心。此次研究借由大规模GPU丛集，模拟量子处理器在容错运算过程中受到硬体错误干扰时的表现，并验证一种称为「魔术态培育」(magic state cultivation) 的容错量子运算方法。

量子电脑的核心挑战之一，是量子位元容易受到环境与硬体杂讯影响，导致计算错误。即使增加量子位元数量，也不代表系统就能稳定执行更复杂的运算，因此研究人员必须设计错误侦测、错误修正与容错机制，确保量子资讯在运算过程中维持可靠。

魔术态是实现通用量子运算的重要资源，研究人员必须先制备这类特殊量子态，才能执行部分关键量子运算操作。然而，传统魔术态制备方法可能消耗大量实体量子位元，压缩可供其他运算使用的硬体资源。魔术态培育则是另一种降低资源需求的研究路线，透过先在较小的错误修正码中制备并检查量子态，再逐步扩大编码规模，改善制备过程的效率。

辉达表示，研究验证的这种方法，相较先前的做法可减少约90%的实体量子位元需求。这项数据的适用范围是特定魔术态制备方法，而非整部量子电脑的硬体需求、建置成本或所有量子运算所需的量子位元数量都能减少90%。其价值在于，如果研究方法未来能在实体量子系统中获得验证，便有机会降低量子运算中某些关键操作的资源负担。

此次104量子位元模拟也比过去的部分研究更进一步。于利希超级运算中心先前曾在理想、无杂讯的条件下模拟50量子位元；这次研究则在104量子位元的容错流程中，纳入更接近实际硬体的错误条件。由于两次研究的模拟规模与条件不同，不能单纯将104与50的数字相比，就认定量子运算能力因此提升一倍。

在技术层面，研究团队不只模拟一般的量子位元错误，也纳入相干相位误差与量子位元泄漏等更复杂的情况。相干相位误差可能在运算过程中累积并相互干涉；量子位元泄漏则是超导量子位元偏离原本使用的两个计算能阶，进入其他能阶。研究人员透过模拟这些现象，得以分析硬体错误如何在魔术态制备与错误修正流程中传播，进一步判断哪些设计更有机会在实际系统中可靠运作。

由于量子系统的状态空间会随量子位元数量快速扩大，直接模拟完整量子状态需要庞大的记忆体与运算资源。此次研究因此结合GPU加速、量子电路表示方式调整、记忆体重复利用及分散式数值分析等技术，让模拟能在8192颗GPU组成的系统上执行。研究团队也使用辉达cuBLASMp与cuSOLVERMp等分散式运算工具，分析量子状态不同部分的结构，评估未来能否以更精简的表示方式降低模拟负担。

辉达执行长黄仁勋表示，实用量子运算需要非常复杂的容错系统，而在大规模条件下理解这些系统的行为，是建造实用量子电脑的重要前提。他认为，GPU超级电脑与量子处理器可以相互搭配，协助研究人员进行过去难以完成的研究。于利希超级运算中心主任Kristel Michielsen也指出，这类模拟有助科学家更有依据地选择设计，判断哪些方案更有机会实现实用的量子运算应用。

对辉达而言，这项成果也凸显量子运算与传统GPU并非单纯的取代关系。即使未来量子处理器能执行部分传统电脑难以处理的任务，量子硬体在研发、设计验证与效能评估阶段，仍可能需要大量传统运算资源。GPU、cuQuantum与CUDA-Q因此有机会成为量子硬体开发流程的一部分，协助研究团队在正式建造晶片前，先评估设计的可行性。

辉达列出的量子运算潜在应用包括药物研发、金融建模与材料科学，但此次公告并未表示这些应用已经产生实际商业收益，也没有提供可据以估算量子研究相关GPU市场规模的新增订单或营收数据。8192颗GPU是本次研究使用的运算资源，并不代表辉达因此新增销售相同数量的晶片，更不能直接推论量子运算将立即成为公司新的主要获利引擎。

接下来值得观察的，是cuQuantum与CUDA-Q能否被更多量子研究团队及硬体开发商持续采用，以及这次模拟得到的结果能否在实体量子处理器上获得验证。若相关工具逐步成为量子硬体设计与测试的重要环节，辉达便有机会在量子运算产业成熟前，先建立软硬体生态系的参与位置。不过，从模拟成果走向可靠的实体量子运算，仍有硬体验证、错误修正与工程扩展等挑战，距离大规模商业应用仍不能直接画上等号。