而事實上，研究人員每年都在構建數(shù)量更多、規(guī)模更龐大的量子系統(tǒng)。數(shù)十家量子組織已經(jīng)在使用 NVIDIA cuQuantum 軟件開發(fā)套件，在 GPU 上加速其量子電路模擬。最近，AWS 宣布在其 Braket 服務中提供 cuQuantum。它還在 Braket 上展示了 cuQuantum 如何在量子機器學習工作負載上實現(xiàn)高達 900 倍的加速。
cuQuantum 現(xiàn)已能夠在主要的量子軟件框架上實現(xiàn)加速計算，包括 Google 的 qsim、IBM 的 Qiskit Aer、Xanadu 的 PennyLane 和 Classiq 的 Quantum Algorithm Design 平臺。這意味著這些框架的用戶可以訪問 GPU 加速，而無需再進行任何編碼。
在量子驅動藥物發(fā)現(xiàn)方面，Menten AI 開始使用 cuQuantum 來支持其量子工作，
這家灣區(qū)藥物研發(fā)初創(chuàng)公司將使用 cuQuantum 的 Tensor 網(wǎng)絡庫來模擬蛋白質相互作用并優(yōu)化新的藥物分子。這樣做旨在利用量子計算的潛力來加速藥物設計，該領域與化學類似，是公認的率先受益于量子加速的領域。
具體而言，Menten AI 正在開發(fā)一套量子計算算法(包括量子機器學習)，以解決治療設計中需要進行大量計算的問題?！半m然能夠運行這些算法的量子計算硬件仍處于開發(fā)階段，但 NVIDIA cuQuantum 等經(jīng)典計算工具對于推進量子算法的開發(fā)至關重要?！?Menten AI 的首席科學家 Alexey Galda 說。
如今，量子系統(tǒng)的發(fā)展是朝混合系統(tǒng)邁進：量子計算機和經(jīng)典計算機協(xié)同工作。
研究人員都希望這些系統(tǒng)級量子處理器(即 QPU)成為功能強大的新型加速器。因此，擺在面前的一個重要任務就是將傳統(tǒng)系統(tǒng)和量子系統(tǒng)橋接到混合量子計算機中。
這項任務包括兩個主要部分。
首先，我們需要在 GPU 和 QPU 之間建立快速、低延遲的連接。這樣一來，混合系統(tǒng)可使用 GPU 完成其擅長的傳統(tǒng)作業(yè)，例如電路優(yōu)化、校正和糾錯。GPU 可以縮短這些步驟的執(zhí)行時間，并大幅降低經(jīng)典計算機和量子計算機之間的通信延遲，而這是當今混合量子作業(yè)面臨的主要瓶頸。
其次，該行業(yè)需要一個統(tǒng)一的編程模型，其中包含高效易用的工具。我們在 HPC 和 AI 方面的經(jīng)驗使我們和用戶了解到了固態(tài)軟件棧的價值。為了高效地找到量子計算機加速工作的方法，科學家需要輕松地將其 HPC 應用的一部分先移植到模擬版 QPU，然后再移植到真正的 QPU。這個過程需要一個編譯器，使科學家們能夠以熟悉的方式高效工作。將 GPU 加速的模擬工具、編程模型和編譯器工具鏈全部結合在一起后，HPC 研究人員就可以開始構建未來的混合量子數(shù)據(jù)中心。
