在德国于利希超级计算中心，欧洲首台百亿亿次级超算JUPITER完成了一次高密度的算力调用。
美东时间10月19日，英伟达宣布与德国于利希超算中心合作，在欧洲首台百亿亿次级超算JUPITER上，用8192块GH200 GPU完成了104量子比特的容错量子计算模拟，并验证了“魔态培育”这一技术路线。英伟达官方表示，这条路线所需的物理量子比特比此前方法少约90%。
在此之前，于利希团队在JUPITER上做的50比特模拟是理想无噪声的，相当于在真空里画图纸。不过，这次研究把相干相位误差和超导比特的泄漏效应都塞进去了，让模拟结果具备了对硬件设计的参考价值。
“有用的量子计算需要极其复杂的容错系统，理解它们在大规模下的行为是构建它们的前提。”NVIDIA创始人兼首席执行官黄仁勋表示。“我们在Julich的研究结果表明，量子处理器和GPU超级计算机可以协同工作，解决原本无法实现的研究问题——加速变革性量子应用的发现。”
困在提纯里的量子计算
单看此次模拟成果，可能没有什么实感。当你看懂当前量子计算容错与纠错的痛点问题后，也许就能理解这一成果的重要之处了。
要知道，没有经过纠错的物理量子比特非常脆弱，温度微颤或电磁杂音都会导致计算崩溃。业内共识是用数十到上千个物理比特编码成一个能纠错的“逻辑量子比特”。但是，主流的拓扑纠错码（如表面码）只能直接实现较为基础的操作，即Clifford门。这类基础门的优点是稳定且纠错成本低，缺点是无法产生超越经典的算力优势。
要想激发量子计算指数级加速的潜能，线路必须引入非Clifford门，最典型的是T门。
但T门无法在纠错体系中直接执行。对此，物理学界的给出的一个折中方案是，先制备出一种极度纯净的特殊量子状态——“魔态”，并在计算中作为耗材不断消耗，以此间接完成高阶计算。
问题也随之而来。物理硬件直接生成的魔态有很多瑕疵，过去二十年里，业界普遍采用“魔态蒸馏”方案：输入十几个低质量魔态，通过复杂的纠错检测层层筛选，提纯出1个合格的魔态。
当然，这套机制的开销非常大。据早前的测算显示，未来一台百万物理比特的通用量子计算机，80%到90%的硬件资源和时间都可能是在后台不断运转“魔态工厂”进行提纯。这在工程上很难接受。
而前文所提到的降九成，正是指本次验证的“魔态培育”方案，使得制备合格魔态所需的物理量子比特数量减少了约90%。
所谓的魔态培育就是先在一个小码距的颜色码里制备态，用额外的标志测量把有害错误筛出来，然后通过码切换把信息“嫁接”到更大的表面码或混合码上。具体到本次的量子模拟流程是，从距离3的颜色码起步，扩展到距离7的混合颜色/表面码配置，104个比特的计数覆盖了数据和辅助比特的全序列。
硬啃真实硬件缺陷
那么，为什么“魔态培育”还没有大规模落地？原因就在于量子模拟很大程度上都依赖温室环境。
在简化的数学模型里，科学家通常假设噪声只有几种简单的随机翻转，不会破坏纠错码的基础代数结构。在这种假设下，超级计算机可以运用捷径快速算出结果。但现实是，硬件环境充满噪声。
就比如在超导量子系统中，芯片经常面临着两大物理硬伤：
一是相干相位误差，这种误差不是简单的翻转，而是带有连续的相位偏差，会在电路深层相互干涉并累积放大；二是能级泄漏，超导量子比特原本只设计了0和1两个能级，但在实际的高频微波激发下，粒子很容易爬到第三能级。一旦发生泄漏，现有的纠错算符就会失去判断力，甚至会发出完全错误的校正指令。
如果要检验“魔态培育”能不能在这些硬件缺陷下存活，所有的理论捷俊都会失效。研发团队只能选择最原始、计算量最大的全态矢量模拟。
这意味着超算不能做任何截断，必须在显存中把每一个微观量子振幅、每一道相位偏差、每一次向第三能级的泄漏，完全用纯数值矩阵跑一遍。
而NVIDIA的庞大算力正是这一研究的重要基石。因为全态矢量模拟的计算量是随着比特数量呈指数级暴增的。当模拟扩展到104个物理比特、同时还要硬啃三能级泄漏时，对算力的要求已经触及经典计算的工程极限。
要知道，此前JUPITER上完成过50个量子比特的通用量子计算机模拟是在理想无噪声条件下实现的，而这次，研究团队把相干相位误差、泄漏误差这些真实超导量子处理器上的噪声全塞了进去。
8192块GPU
如果对104个物理比特进行完整的非理想状态演化，数学上对应的态矢量维度是2104。也就是说，即使把所有硅基芯片显存都加在一起，也无法容纳其十亿分之一。
那么，NVIDIA是如何解决这一问题的？
研究团队让测量完的量子比特立即释放内存并复用存储空间，把三能级系统打包成二进制表示，比如五个三能级系统有243个基态，塞进8个二进制位提供的256个条目里。底层用cuQuantum的cuStateVec库执行态向量演化，同时用cuBLASMp和cuSOLVERMp做分布式矩阵分解，用来和近似仿真方法交叉验证。
在8192块GH200的配置下，一个45位编码寄存器对应约35.2万亿个复振幅，整体占用512 TiB分布式GPU内存，单卡约64 GiB，剩余容量留给通信和数值分析。
还有一个细节值得关注。研究团队没有选择直接在JUPITER上实验，他们先是在NVIDIA加速量子研究中心的GB200 NVL72系统上，从4块GPU逐步扩展到数百块，把软件栈、噪声模型、通信模式调通，然后才切到8192块GPU的生产环境。这个流程把数周的模拟压缩到了数天。
对超算中心来说，这不失为一种新范式：可以先用中等规模集群做V&V，再用全系统跑大规模的实验。其中，NVIDIA的CUDA-Q平台容错逻辑层负责表达魔态电路，cuQuantum负责加速，软硬件协同把整个工作流跑通。
结果显示，相较传统级联蒸馏工厂，魔态培育可以把魔态制备环节的物理量子比特开销降低约九成。不过，这里降低的九成是魔态制备相关的辅助资源开销，不是整台量子计算机的硬件成本直接砍九成。
写在最后
从商业层面来看，NVIDIA耗费这么大的超算资源显然不是在帮学术界、产业界“打白工”。
目前，超导、中性原子、离子阱等硬件路线竞争尚未收敛，谁能率先做出可用的容错量子计算机尚无定论。如果直接投入制造量子芯片的风险还是很高的，所以，黄仁勋找到了一个无论哪条物理路线胜出都无法绕开的底层生态。
首先，在硬件真正成型之前，经典超算是所有量子研发的必备工具。
一颗包含上百物理比特的芯片，流片与制冷调试周期最少需要数月、成本高昂，基于此，硬件团队大概率需要先在超算上完成全流程数字仿真。英伟达正通过cuQuantum平台，确立自己在量子时代“EDA工具链”的核心位置。
还有一点是，即使容错量子芯片制造造出来，它也不可能独立运行。
量子纠错的本质是在很短的时间内持续完成测量，并依靠外部经典算力实时解码报错信息，在微秒甚至纳秒级窗口内向物理比特施加修正微波。这种严苛的低延迟与高吞吐需求，几乎只有具备极高带宽与算力密度的GPU和异构加速单元能够胜任。
英伟达正在做的，就是用今天在通用人工智能（AGI）赚取的庞大现金流和算力统治力，提前打通与全球顶尖超算中心的协同架构，把CUDA-Q铺进每一个前沿量子实验室的代码底层。
可见，如果量子计算实现商业容错，底层仍然离不开经典硅基算力。
[1]https://nvidianews.nvidia.com/news/nvidia-runs-record-simulation-of-fault-tolerant-quantum-computing-at-julich-supercomputing-centre
[2]https://nvidia.github.io/cuda-quantum/blogs/blog/2026/10/19/jupiter-magic-state-simulation/
[3]https://www.unite.ai/nvidia-simulates-record-104-qubit-fault-tolerant-protocol-on-jupiter/
