天极网大咖秀

量子计算进入“拼软件”时代,中科量枢QSim补上基础设施关键一环

智能进化论 2026-11-18 阅读: 4,105 次

量子计算正成为全球科技竞争的战略高地。“十五五”规划《纲要》将量子科技纳入战略前沿领域前瞻布局,明确推动量子科技等未来产业培育成为新的经济增长点。

过去,量子计算产业焦点更多集中在硬件领域,但随着量子计算从实验室研究迈向产业化,另一个问题日益突出:如何让开发者更容易编写程序、验证算法,最终转化为能够解决实际问题的应用?

量子计算产业的竞争,正在从硬件技术突破,延伸到软硬件协同、开发工具与软件生态的系统性建设。

源自中国科学院计算技术研究所的中科量枢,围绕量子计算操作系统、异构量子云平台、算法库以及量子AI模型展开全栈式产品布局,致力于打造从底层硬件适配到上层行业应用的全栈式量子计算软件体系。

中科量枢研发的量枢QSim量子线路模拟器,正是其中一项关键的基础软件。量枢QSim是在科研版模拟器基础上,经进一步性能调优与工程化完善形成的商业版本。它利用处理器(CPU)、显卡(GPU)等现有计算资源,模拟量子程序的运行,通过系统软件创新提高计算效率、扩展模拟规模,并已完成从GH200超算到家用显卡的实测,让科研人员更高效地开展研发、测试与验证。

一款量子线路模拟器,如何将现有算力转化为量子计算研发能力?在它背后,又折射出量子计算产业怎样的发展趋势?

量子计算走向产业化,

为什么离不开量子线路模拟器?

量子计算产业体系包含芯片、操作系统、编译器、算法与行业应用等多个环节。硬件构筑底层算力底座,软件则负责释放算力价值。英伟达与德国于利希超算中心已在JUPITER超算上开展大规模量子计算模拟,也体现了产业界对模拟软件与高性能计算协同的持续投入。

当前真实量子硬件仍面临比特规模、系统稳定性和运行误差等挑战。因此,量子线路模拟器成为量子算法设计、调试、编译优化和理论验证的核心基础设施。比如对于开发量子算法的科研团队,可以先在模拟器上反复试验、优化方案,为真实量子硬件上的后续验证提供参考依据。

然而依托经典算力模拟量子计算天然面临一些瓶颈:数据装不下、计算效率低、不同设备适配复杂等。

量子线路模拟需要通过数值计算描述量子状态如何变化。对于全振幅完整模拟,每增加一个量子比特,需要保存的状态数据就翻倍。即使内存容量足够,连续运算仍需反复读取、整理和搬运海量数据,影响实际运行效率。

当前不同技术路线的量子硬件仍在持续演进,同时异构算力平台的计算架构和软件生态也各不相同,增加了适配难度。

关键不是堆算力,而是要通过基础软件创新让有限的硬件资源承接更大规模的模拟任务,同时让多种经典算力更高效地支撑量子计算研发。

这正是量枢QSim的破局思路:把跨硬件执行、数据复用和分层内存扩展组织进统一架构,同时解决模拟速度、存储容量和硬件适配问题。

从消费级显卡到超算集群,

量枢QSim如何突破性能瓶颈?

面对量子模拟计算量大、数据搬运频繁、硬件适配复杂等难题,量枢QSim给出的解法,是通过软硬件协同优化,让现有硬件发挥更大效能。其核心优势,可以概括为三个方面:

• 算得快,提升大规模线路的执行效率与可处理规模。

从科学计算到人工智能,矩阵乘法一直是CPU、GPU重点优化的能力。量枢QSim把适合的量子运算整理成这类成熟的数学计算,再结合自身优化,充分利用计算机产业多年积累的算法、软件库与硬件加速能力。

同时,量枢QSim会提前安排后续计算,让一批数据进入显存后连续完成多步运算;数据临时改变位置时,先记住新位置,尽量减少反复整理和跨设备搬运。

在多项大规模线路测试中,量枢QSim带来直观的性能提升。在采用英伟达Grace Hopper架构的GH200超算平台上,一组测试的六个规模有五个取得参测方案中的最短记录耗时;在AMD GPU的四个共同测试规模中,均取得四款参测GPU工具的最短记录耗时;在RTX 3070的六个需要主机内存参与的任务中,相对业内领先模拟器的记录加速比为1.57—3.00倍。

图1把英伟达平台的六组测试拆开比较。读图时看每组两条色条的长短:条形越短,记录用时越少。

图1|GH200超算单GPU测试,30—35量子比特六个规模。各卡片分别缩放,只比较同组条长;对照取各规模最快已完成配置,计时范围与计算设置存在差异。数据据《Quantum Simulation across Heterogeneous Memory》图2(a)、表2重绘。

• 存得下,内存与显存协同承接更大规模模拟任务

很多GPU模拟任务会把完整量子状态的数据放在显存中。但是,显存虽然快,其容量有限,价格昂贵。随着数据规模增大,显存容量就会成为门槛,运算所需的额外空间还会进一步压缩可用容量。

量枢QSim让主机内存保存完整数据,GPU显存集中处理当前需要的一批。可以把它理解为“大仓库配高速工作台”:一次搬入的数据尽量连续完成多步计算,再写回并处理下一批,从而让GPU处理超出自身显存容量的任务。

图2把这一过程拆成“存放—读入—计算—写回”四步:完整数据保存在主机内存,GPU显存只处理当前一批。

图2|主机内存保存完整数据,GPU显存复用计算空间。根据异构内存论文图1、表1/表2简化重绘;家用显卡实例来自RTX 3070补充报告,8G/32G按GiB表述。

目前,量枢QSim已完成从超算到消费级显卡的跨硬件实测,验证了内存与显存协同,以及多卡、多机扩展能力。例如,在家用主机上,8G显存的RTX 3070配合主机内存,完成了需要保存32G数据的量子程序模拟,数据总量达到显存容量的4倍。

在GH200超算平台上,量枢QSim已在单张GPU上完成35量子比特模拟,并通过多卡、多机协作拓展到38量子比特,为更大规模的算法研究提供计算支撑。

• 适配广,兼容不同硬件平台

不同厂商的CPU、GPU有着各自的计算架构和软件生态。如果每换一种设备,就要重新开发和优化算法,会极大增加研发成本。

量枢QSim采用统一的上层架构,支持英伟达、AMD的GPU,以及Arm、x86两类CPU,覆盖单卡、多卡和多机协作。团队针对不同硬件分别开发、优化底层计算程序,并结合平台成熟数学库,让各类设备发挥各自优势。

图3区分了两层工作:上层统一安排任务和数据,底层按不同CPU、GPU分别优化。这也是同一套软件适应不同设备的关键。

图3|共同框架与针对硬件的实现。根据跨硬件架构论文(2608.16940v1.pdf)图1、表I简化重绘,示意完整状态模拟路径。

当量枢QSim让模拟等待时间缩短、可处理的任务规模扩大、可选择的硬件环境增多,科研团队就有机会在相同的时间和资源条件下,开展更多算法实验与方案验证,提升量子算法和应用研发效率。

同时,这种架构不仅降低了对单一硬件平台的依赖,也为加快信创环境适配、进一步面向国产超算拓展打下基础,有助于从源头建立自主可控的量子计算软件产业生态。

软硬件协同,

为“量超智融合”提供支撑

回顾传统计算产业的发展,操作系统、编译器、开发工具和软件生态,始终是连接硬件能力与应用需求的重要枢纽。

量子计算同样如此。当前,超导、中性原子、离子阱等硬件技术路线并行发展,不同硬件平台在底层架构、操作方式和开发环境上存在差异。如何让开发者更方便地调用不同硬件资源,降低软件开发与迁移成本,是量子计算走向产业化必须解决的问题。

这也是中科量枢布局全栈式量子计算软件体系的出发点。

围绕量枢OS-量子计算操作系统、量枢云-异构量子计算云平台、量枢Lib-量子算法库,以及量星QAI-量子AI大模型与智能体等产品,中科量枢希望建立从底层硬件适配到上层算法应用的软件链条。

其中,量枢QSim承担着关键角色:向下组织CPU、GPU、内存和集群资源,向上为算法开发、线路验证及云端“虚拟量子处理器”等服务提供执行能力,并可根据程序特点选择适合的模拟方法,提高计算资源利用效率。这也推动量子计算研发工具走向跨硬件、平台化和服务化。

目前,量枢云已提供面向石油、电力、金融、材料等领域的开箱即用应用。按照规划,量枢QSim完整的模拟器服务将于2027年第一季度通过量枢云上线。届时,科研团队通过云平台将直接获得高性能模拟能力,减少硬件适配、环境配置和底层调优的准备工作,将更多精力投入算法设计和实际问题研究。

同时,中科量枢全栈产品矩阵也在加速构建“量超智融合”的未来计算新范式。

量子计算、经典计算和人工智能,是三种具有不同特点的计算技术。“量超智融合”并不是简单地将三种算力叠加,而是发挥各自的技术优势,让不同计算能力在适合的任务中相互支撑。中科量枢致力于与上下游合作伙伴一起推动建设自主可控的“量超智融合”基础设施。

结语

量子计算的未来竞争,底层芯片是根基,基础软件能力是关键。

量枢QSim以性能提速、存储扩容和跨硬件适配为三大支点,将前沿仿真算力转化为更多团队可便捷使用的研发工具,推动量子算法与应用探索更快进入可执行、可比较、可迭代的新阶段。

END

智能进化论
专注云计算、AI、数字化转型领域深度报道。

特别声明:文章版权归原作者所有,文章内容为作者个人观点,不代表大咖秀专栏的立场,转载请联系原作者获取授权。(有任何疑问都请联系wemedia@yesky.com)

×
用户注册

 

登录 忘记密码?
×
用户登录

 

忘记密码?