CUDA-Q Logical 登場：NVIDIA 想將容錯量子系統「由頭到尾」一齊設計

NVIDIA 在 IEEE Quantum Week 公布，為其開源 CUDA-Q 平台加入 CUDA-Q Logical：一個面向容錯量子運算的編排／協調層。它的重點唔係單獨改善某一種量子處理器（QPU），而係讓研究人員能夠以可編程、可驗證方式，一次過檢視演算法、量子錯誤更正（QEC）、編譯、硬件架構與控制安排之間的取捨。 19

所謂「邏輯量子位元」，係由多個會出錯的實體量子位元透過錯誤更正組成，目標係令長時間而可靠的量子運算成為可能。CUDA-Q Logical 正正鎖定呢一層：讓團隊在真正落實某一套硬件方案之前，先估算資源、比較設計，並驗證假設。

點解容錯量子系統需要共同設計？

要造出有實用價值的容錯量子電腦，唔可以把「選演算法」、「揀 QEC 碼」同「定硬件」當成互不相干的三件事。錯誤更正碼會影響所需實體量子位元數量；硬件連接方式會影響操作如何編譯；控制與解碼策略亦可改變系統運行表現。

CUDA-Q Logical 提供額外語言工具，用來表達及組合 QEC 元件，並了解這些元件在不同系統架構下所需的資源。換言之，研究人員可替換不同設定、比較結果，及早發現設計代價。 24

CUDA-Q 本身是一個混合式量子—傳統運算平台，可把 QPU、GPU 與 CPU 整合並編程為同一系統；Logical 層則將焦點進一步放到容錯運算的邏輯量子位元設計。 18

它可以幫團隊做甚麼？

按 NVIDIA 的說法，CUDA-Q Logical 可用於：

• 描述容錯量子演算法及其 QEC 操作；
• 比較不同 QEC 碼與編譯方案；
• 模擬 QPU 與硬件架構選項；
• 為目標邏輯量子位元估算資源；
• 在落實特定技術路線前，衡量整體系統的效能與成本取捨。 124

這並不代表底層硬件難題已被解決。它較似一個共同工作層，將原本分散的設計假設攤開，讓團隊可以用不同方案逐一測試。

幾個已公布的案例：要留意結果適用範圍

以下數字來自個別實驗室、公司或整合案例，反映特定工作流程、模型及假設，不應直接視為所有容錯量子系統的統一能力指標。

Fermilab：設計評估由數月縮至數星期

Fermilab 利用 CUDA-Q Logical 建立可重複、可驗證的容錯架構開發流程。NVIDIA 指，開發時間由約 5 個月縮短至 3 星期，約快 7 倍。 1

Iceberg Quantum 與 Diraq：模擬 1,000 個邏輯量子位元的架構

Iceberg Quantum 與 Diraq 建立了一個架構模型，目標是以約 150,000 個 Diraq 矽實體量子位元，產生 1,000 個邏輯量子位元。要分清楚，這是架構模型與驗證流程的結果，並非表示該硬件目前已有 1,000 個邏輯量子位元在運作。 121

Infleqtion：qLDPC 錯誤更正整合

Infleqtion 把其開源 qLDPC 函式庫整合至 CUDA-Q Logical，用於 QEC 研究。該公司表示，團隊建構並驗證了一種每個邏輯量子位元約使用 6 個實體資料量子位元的錯誤更正碼；按其比較，所需實體資料量子位元最多可比主流表面碼方案少 5 倍。這個比較只適用於其公布的方法與假設，並非所有容錯系統都會有同一資源需求。 192031

Qedma：為 Quantinuum 工作流程整合錯誤緩解

Qedma 將其 QESEM 錯誤緩解技術整合至 CUDA-Q，對應以 Quantinuum 系統為目標的工作流程。錯誤緩解與容錯所需的錯誤更正是兩種不同技術；不過，這個整合展示了 CUDA-Q 如何連接量子軟件元件與特定硬件流程。 26

Quantum Machines：微秒級量子—傳統控制

Quantum Machines 已把 NVIDIA 的 cudaq-realtime 功能整合至其 Open Acceleration Stack。NVIDIA 指，這個 API 可在 GPU 與量子控制器之間提供微秒級延遲的回調，讓實時量子位元、GPU 與 CPU 能緊密協作。 30

Sandia：跨平台的 QUOPS 準備度基準

Sandia National Laboratories 將 QUOPS 放入 CUDA-Q。NVIDIA 將 QUOPS 描述為評估容錯量子硬件是否準備好處理實際應用的基準工具；它旨在支援跨平台比較，而非只用某一家供應商的單一指標去判斷硬件。 122

真正意義：由「各自最佳化」轉向整體取捨

CUDA-Q Logical 的意義，不是宣稱容錯量子運算已經成熟。它的價值在於提供一個可延伸的共同層，讓開發者在應用程式與實體機器之間那片複雜的設計空間中，較有系統地探索、比較和驗證。

對於要做邏輯量子位元系統的團隊來說，問題通常不只係「哪種量子位元技術最好」，而係演算法、QEC 碼、編譯器、架構、控制堆疊與傳統加速運算拼埋一齊後，能否達到可接受的資源與效能目標。CUDA-Q Logical 的目標，正是令這條路線更容易被建模及檢驗。 124

點樣取得？

CUDA-Q Logical 已作為開源 CUDA-Q 專案的一部分，在 GitHub 提供。NVIDIA 的 CUDA-Q 開發者頁面亦列出 Python 安裝指令：

pip install cudaq

GitHub 發布說明將 CUDA-Q Logical 列為面向容錯量子運算的開放、可延伸邏輯層。 182437