Token导航 LogoToken导航

AI 资讯 · 光子盒QUANTUMCHINA

英伟达IBM与费米实验室共建模块化量子平台

更新 2026-11-17光子盒QUANTUMCHINA正文 3921字阅读约 13分钟8 张图片
图片

黄仁勋的事情最近闹得沸沸扬扬,但是,2026年11月16日,在美国芝加哥举办的SC26超算大会上,IBM、美国能源部下属的费米国家加速器实验室(Fermilab)与英伟达宣布,三方计划共同建设一个模块化量子计算协同设计平台。

该联合项目将NVIDIA DGX B200加速计算系统与IBM量子处理器并置于费米实验室超导量子材料与系统中心,打造一个专为高能物理和核物理模拟量身定制的集成超级计算环境。

目前,要实现容错量子计算,模块化互联以及量子处理器(QPU)与经典高性能计算(HPC)的深度耦合是一个不错的选择。而三方这次的合作,本质上就是为2028年容错量子计算的实用化目标提前搭建工程底座。

就在同一天,英伟达还宣布推出用于量子纠错解码研究的新工具TCBP-JOBS,并称其在特定基准任务上的计算速度最高可达到现有领先算法的1.3万倍,将一项原本需要约12周完成的研究计算压缩至45分钟。

图片

模块化量子计算平台

三方计划推出的模块化量子计算联合设计平台核心是物理同址部署。

具体来看,英伟达将提供DGX B200加速计算系统,与IBM的量子计算设备放置在同一物理空间内,包括搭载IBM迄今最强量子处理器IBM Quantum Nighthawk的系统,以及IBM Quantum System Two架构,基于此,依托费米实验室主导的超导量子材料与系统(SQMS)中心进行研发。

IBM Quantum Nighthawk最强表现在其能够在120个量子比特上运行多达7500个双量子比特门操作,采样速度最高可达每秒100000个样本。

该平台的核心优先事项之一是探索处理器模块化。单片量子处理器面临物理扩展限制,因此,把多个量子处理单元(QPU)通过低延迟的量子互连技术连接起来,对于扩展计算能力至关重要。

在部署的初期阶段,研究人员将对模块间的通信进行建模与模拟,分析网络延迟、量子链路错误以及经典反馈回路如何影响分布式量子计算。在后续阶段,费米实验室计划将其九胞体超导射频(SRF)腔体集成到该平台中,并评估这些具有超高相干性的结构在量子存储器、纠缠缓冲器以及玻色子量子纠错资源方面的应用潜力。

费米实验室主导的SQMS中心是美国《国家量子倡议法案》框架下设立的五大国家量子信息科学研究中心之一,联合了超过40家高校、政府实验室和企业机构。过去六年,SQMS一直专注于研发高相干超导射频(SRF)铌腔,目前已将腔内光子相干时间推进到毫秒量级。这部分正好补上平台在相干性和存储方面的硬件能力。

在这一模块化量子计算平台里,IBM主要提供超导量子处理器、软件以及量子网络方面的经验;英伟达负责提供解码、仿真、优化和实时反馈所需的计算能力;费米实验室牵头高能物理与核物理应用,包括粒子相互作用、中微子物理和核模拟,并负责协调研究人员使用平台。

图片

正如英伟达量子计算应用研究副总裁Krysta Svore所言,量子计算潜力的实现,需要量子处理器与加速计算共同演进,形成加速量子超级计算机。

而本次选择高能物理和核物理作为应用方向,有着明确的技术原因。这类问题涉及强关联量子多体系统,经典方法在规模上容易遇到瓶颈。应用需求决定架构取舍,让物理学家直接参与算法和架构设计,是协同设计的出发点。

此外,这一平台的推出还将加速美国能源部的另一项计划。该计划的目标是到2028年部署具有科学价值的容错量子计算机。

就在一周多前,IBM、AMD和橡树岭国家实验室也启动了另一个协同设计平台,把Nighthawk r2处理器与基于AMD的经典系统配对,部署在IBM位于纽约波基普西的基地。

图片

架构规范与软件生态系统

该平台将专用硬件层与新扩展的软件接口结合起来,将量子资源集成到标准超级计算调度器中。软件流程的核心是开源量子资源管理接口(QRMI),由IBM、NVIDIA、Pasqal和开源计算社区共同开发。

QRMI直接连接到Slurm 26.11中的分层资源(HRES)插件架构,使高性能计算中心能够将QPU调度为与CPU和GPU共享的集群资源,而无需通过隔离的外部队列来管理。

为了补充硬件共置,NVIDIA在其CUDA-Q QEC 0.9.0库中推出了TCBP-JOBS解码器。该采用轨迹校准置信传播与抖动有序统计解码束搜索相结合的GPU加速算法,支持表面码、颜色码以及低密度奇偶校验码体系——双变量自行车码。

图片

在针对双变量自行车码的基准测试中,相比传统非稀疏化解码基线,TCBP-JOBS实现了13000倍的加速,把原本需要耗时12周的离线研究计算压缩到了45分钟。在此之前,费米实验室也曾利用CUDA-Q逻辑层工具,把一项原本预计耗时5个月的量子电路模拟任务缩短到了3周。

不过,英伟达在发布数据时就明确指出,这13000倍的提速主要是针对“纠错设计研究中的离线仿真工作负载”,并不是在真实运行的量子计算机上实现微秒级的实时在线解码。即使这样,把单次实验迭代周期压缩到45分钟,已经足够影响全球量子纠错算法的研发节奏了。

同一天,IBM和AMD也联合发布了基于Triton框架的开源解码器测试工具Pelagos。该工具同时兼容AMD和英伟达GPU,在解码测试中比单核CPU快97倍。相同的时间相似的动作表明,科技巨头们已经意识到,纠错研究本身需要演进为一种高性能计算任务。

图片

混合计算啃科学问题

量子计算和GPU放在一起,究竟能不能啃下传统超算啃不下的科学问题?

在SC26超算大会期间,IBM、日本理化学研究所(RIKEN)和英伟达公布的计算化学基准测试显示,在RIKEN基于NVIDIA GB200 NVL4的超算ROQUO上,研究团队采用基于采样的量子对角化方法(SQD)计算了蛋白质中常见的铁硫簇Fe₄S₄。

计算使用72个量子比特、最多4000个双量子比特操作,收集了500万个样本。与高精度经典方法DMRG相比,计算结果的偏差缩小到4.3毫哈特里,比团队此前同一体系的结果精度提高79倍。

图片

RIKEN计算材料科学研究团队负责人Seiji Yunoki评价到,在强关联体系上逼近DMRG的精度,证明了量子-HPC混合模式在解决高难度科学问题上的实际潜力。

除小分子强关联体系外,混合算力的规模扩展也正在大分子领域体现出来。此前,克利夫兰诊所、RIKEN与IBM合作,利用IBM Heron处理器配合经典超算,完成了12635个原子的蛋白质-配体复合物模拟,较此前303个原子的量子-经典基准规模扩大了40倍以上。该项目已正式入围2026年ACM戈登·贝尔奖决赛。

图片

协同设计阶段

如今,IBM分别与AMD(橡树岭路线)、英伟达(费米实验室路线)搭建协同平台,底层逻辑都是容错量子计算机不会取代超级计算机,而是作为特殊的协处理器深度嵌入HPC集群之中。

但是,从物理同址部署到真正实现模块化容错计算,中间横亘着很多工程难题。

在硬件层,多台量子处理器之间如何实现低损耗、低延迟的量子态传输与纠缠分发,超导射频腔与稀释制冷机内的芯片如何实现高效耦合,目前仍停留在建模与验证的初级阶段。

在系统层,离线解码器跑出万倍提速只是第一步,未来在真实QPU运行周期内实现亚微秒级的闭环实时纠错反馈,对FPGA控制器(如英伟达近期与Altera、OQC联合探索的FPGA-GPU直连架构)和系统总线的带宽与延迟提出了极高要求。

此外,人才与软件工程的断层也是不容忽视的。要把传统高能物理、材料科学领域数十年积累的遗留代码,重构为能在CPU、GPU与QPU之间无缝切分任务、穿插执行纠错解码的混合算法,迫切需要大批既懂科学计算又熟悉Qiskit和CUDA-Q的研究软件工程师。

总之,IBM、英伟达和费米实验室虽宣布计划共同建设一个模块化量子计算协同设计平台,但目前各方并没有披露具体的交付时间表与经费投入。这种合作模式目前更多表现为一种“共同定义标准”的探索。后续进展也是值得我们持续关注的。

参考链接

[1]https://newsroom.ibm.com/2026-11-16-ibm,-fermilab,-and-nvidia-announce-plans-for-new-co-design-platform-to-accelerate-the-development-of-next-generation,-modular-quantum-computers

[2]https://casrai.org/news/fermilab-ibm-nvidia-quantum-hpc-codesign-platform-sc26-2026

[3]https://mlq.ai/news/nvidia-ibm-and-fermilab-plan-a-modular-quantum-codesign-platform-as-nvidia-releases-a-decoder-it-says-is-up-to-13000-times-faster/

[4]https://nvidianews.nvidia.com/news/nvidia-announces-collaboration-with-ibm-and-fermi-national-accelerator-laboratory-to-launch-quantum-classical-codesign-platform-plus-error-correction-breakthrough-to-advance-practical-quantum-computing

[5]https://blogs.nvidia.com/blog/slurm-quantum-computing-supercomputing/

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。