而事實上，研究人員每年都在構建數量更多、規(guī)模更龐大的量子系統。數十家量子組織已經在使用 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高達 900 倍的加速。
cuQuantum 現已能夠在主要的量子軟件框架上實現加速計算，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。“雖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，量子系統的發(fā)展是朝混合系統邁進：量子計算機和經典計算機協同工作。
研究人員都希望這些系統級量子處理器(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系統和量子系統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，混合系統可使用 GPU 完成其擅長的傳統作業(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據中心。
