NVIDIA erweitert CUDA-Q um Logical: Offene Ebene für fehlertolerante Quantenrechner

NVIDIA hat auf der IEEE Quantum Week in Toronto CUDA-Q Logical vorgestellt. Die neue, quelloffene Orchestrierungsebene erweitert die Plattform CUDA-Q um Werkzeuge für das programmierbare und überprüfbare Design fehlertoleranter Quantencomputer. Damit sollen Forschende Algorithmus, Quantenfehlerkorrektur (QEC), Hardware-Architektur und Entscheidungen auf Ebene des Quantenprozessors (QPU) als zusammenhängendes System untersuchen können. 19

Warum gemeinsames Systemdesign entscheidend ist

Ein praktisch nutzbarer, fehlertoleranter Quantencomputer entsteht nicht dadurch, dass man Algorithmus, Fehlerkorrekturcode und Qubit-Technologie unabhängig voneinander auswählt. Jede Entscheidung verändert die übrigen: Ein anderer Code kann den Bedarf an physikalischen Qubits stark verschieben, die Vernetzung der Hardware beeinflusst die Kompilierung, und Steuerung sowie Dekodierung wirken sich auf die Laufzeit aus.

CUDA-Q Logical soll diese Abhängigkeiten modellierbar machen. Die logische Ebene bietet Sprachwerkzeuge, um QEC-Bausteine zu beschreiben und zu kombinieren sowie deren Ressourcenbedarf für verschiedene Systemarchitekturen abzuschätzen. Teams können damit Konfigurationen austauschen, Ergebnisse vergleichen und Annahmen früher im Entwicklungsprozess prüfen. 24

Im Zentrum steht damit der Wechsel von der Optimierung einzelner Schichten zur Ende-zu-Ende-Bewertung eines möglichen fehlertoleranten Systems. CUDA-Q integriert und programmiert dabei QPUs, GPUs und CPUs in einer hybriden Quanten-Klassik-Umgebung. 18

Was CUDA-Q Logical ermöglichen soll

NVIDIA beschreibt CUDA-Q Logical als offenen, programmierbaren und verifizierbaren Ansatz für die Entwicklung fehlertoleranter Anwendungen. Im Fokus stehen logische Qubits: fehlerkorrigierte Qubits, die aus vielen physikalischen Qubits aufgebaut werden. Sie gelten als Voraussetzung für lange und zuverlässige Quantenberechnungen. 19

Der Ablauf kann unter anderem umfassen:

• einen fehlertoleranten Algorithmus samt QEC-Operationen zu formulieren,
• unterschiedliche QEC-Codes und Kompilierungsansätze zu bewerten,
• Hardware- und QPU-Architekturen zu modellieren,
• den Ressourcenbedarf für ein Ziel mit logischen Qubits abzuschätzen und
• Leistungs- und Ressourcenkompromisse auf Systemebene zu vergleichen, bevor eine konkrete Umsetzung festgelegt wird. 124

Die grundlegenden Herausforderungen der Quantenhardware verschwinden dadurch nicht. Die Software-Ebene soll aber Annahmen transparent machen und den Vergleich mit Alternativen erleichtern.

Ergebnisse und Integrationen im Überblick

Die Ankündigung wurde von Beispielen aus Forschungslaboren und Quantenunternehmen begleitet. Sie beziehen sich jeweils auf konkrete Workflows, Modelle oder Integrationen und sind daher kein einheitliches Maß für die Leistungsfähigkeit fehlertoleranter Quantencomputer.

Fermilab: Architekturtests deutlich beschleunigt

Das US-Forschungslabor Fermilab nutzte CUDA-Q Logical für einen reproduzierbaren und überprüfbaren Workflow zur Entwicklung fehlertoleranter Architekturen. Nach Angaben von NVIDIA sank die Entwicklungszeit dabei von rund fünf Monaten auf drei Wochen – ein Beschleunigungsfaktor von etwa 7. 1

Iceberg Quantum und Diraq: Modell für 1.000 logische Qubits

Iceberg Quantum und Diraq modellierten eine Architektur, die aus rund 150.000 physikalischen Silizium-Qubits von Diraq 1.000 logische Qubits erzeugen soll. Wichtig ist die Einordnung: Dabei handelt es sich um ein Architekturmodell mit Validierungsworkflow – nicht um die Aussage, dass bereits 1.000 logische Qubits auf dieser Hardware betrieben werden. 121

Infleqtion: qLDPC-Fehlerkorrektur

Infleqtion integrierte seine quelloffene qLDPC-Bibliothek in CUDA-Q Logical, um Quantenfehlerkorrektur zu erforschen. Das Unternehmen berichtet, einen Code mit ungefähr sechs physikalischen Daten-Qubits pro logischem Qubit konstruiert und validiert zu haben. Dies könne bis zu fünfmal weniger physikalische Daten-Qubits erfordern als verbreitete Ansätze mit Oberflächencodes. Der Vergleich gilt jedoch nur für den beschriebenen Ansatz und dessen Annahmen – nicht als allgemeiner Ressourcenwert für alle fehlertoleranten Systeme. 192031

Qedma: Fehlerabschwächung für Quantinuum-Workflows

Qedma integrierte seine Technologie QESEM zur Fehlerabschwächung in CUDA-Q für Workflows, die auf Quantinuum-Systeme zielen. Fehlerabschwächung und fehlertolerante Fehlerkorrektur sind unterschiedliche Verfahren. Die Integration zeigt jedoch, wie CUDA-Q Softwarekomponenten mit konkreten Hardware-Workflows verbinden kann. 26

Quantum Machines: Echtzeit-Kopplung von Quanten- und klassischer Berechnung

Quantum Machines integrierte NVIDIAs Funktion cudaq-realtime in seinen Open Acceleration Stack. Laut NVIDIA ermöglicht die API Rückrufe zwischen GPUs und Quantencontrollern mit Latenzen im Mikrosekundenbereich. Damit können laufende Qubits, GPUs und CPUs eng gekoppelt zusammenarbeiten. 30

Sandia: Benchmark für die Hardware-Reife

Die Sandia National Laboratories stellten QUOPS über CUDA-Q bereit. NVIDIA beschreibt QUOPS als Benchmark, der die Einsatzreife fehlertoleranter Quantenhardware für praktische Anwendungen bewerten soll. Er ist für plattformübergreifende Vergleiche gedacht und nicht auf eine herstellerspezifische Kennzahl zugeschnitten. 122

Warum die Veröffentlichung relevant ist

CUDA-Q Logical bedeutet nicht, dass fehlertolerantes Quantenrechnen bereits gelöst wäre. Der Nutzen liegt vielmehr in einer gemeinsamen, erweiterbaren Ebene für den komplexen Raum zwischen Anwendung und physischer Maschine.

Für Teams, die Systeme mit logischen Qubits entwickeln, lautet die entscheidende Frage selten nur: „Welche Qubit-Technologie ist die beste?“ Wichtig ist, ob die Kombination aus Algorithmus, QEC-Code, Compiler, Architektur, Steuerungssoftware und klassischer Beschleunigung ein vertretbares Ressourcen- und Leistungsziel erreichen kann. CUDA-Q Logical soll genau diese Frage leichter modellierbar, vergleichbar und überprüfbar machen. 124

Verfügbarkeit

CUDA-Q Logical ist als Teil des quelloffenen CUDA-Q-Projekts auf GitHub verfügbar. Auf der CUDA-Q-Entwicklerseite nennt NVIDIA zudem folgenden Installationsbefehl für Python:

pip install cudaq

Die GitHub-Release-Hinweise führen CUDA-Q Logical als offene und erweiterbare logische Ebene für fehlertolerantes Quantenrechnen. 182437