NVIDIA 為 CUDA-Q 加入 Logical 層，瞄準容錯量子運算的系統級協同設計

NVIDIA 在加拿大多倫多舉行的 IEEE Quantum Week 宣布，為其開源量子運算平台 CUDA-Q 新增 CUDA-Q Logical。這是一個面向容錯量子運算的開源編排層，目標不是單獨改善某一種量子位元或錯誤校正碼，而是讓研究人員能以可程式化、可驗證的方式，整體設計與測試一台未來的容錯量子電腦。 19

對量子運算團隊而言，真正棘手的問題往往不是「哪種量子位元最好」，而是：演算法、量子錯誤校正（QEC）碼、編譯器、硬體連線方式、控制系統與 CPU／GPU 加速能否組成一套資源需求合理、效能達標的系統。CUDA-Q Logical 正是為了讓這類系統級取捨能更早被建模、比較與驗證而設計。

為何容錯量子電腦必須共同設計？

可長時間可靠執行運算的量子電腦，預期需要使用「邏輯量子位元」：也就是由多個容易受雜訊影響的物理量子位元，透過錯誤校正組合而成的可靠運算單位。選擇何種錯誤校正碼，會影響所需物理量子位元數；硬體的連線拓撲會改變量子操作的編譯方式；控制與解碼策略也會影響整體執行時間。

因此，這些選擇難以切割處理。CUDA-Q Logical 提供額外語言工具，可用來表達及組合量子錯誤校正元件，並理解它們在不同系統架構下所需的資源。團隊可替換不同設定、比較結果，並在投入特定實作路線前驗證設計假設。 24

CUDA-Q 原本便是混合式量子—傳統運算平台，可將量子處理器（QPU）、GPU 與 CPU 整合並加以程式設計；Logical 層則把評估焦點延伸至容錯運算所需的邏輯量子位元堆疊。 18

CUDA-Q Logical 可協助評估什麼？

NVIDIA 將 CUDA-Q Logical 定位為開放、可程式化且可驗證的容錯應用開發方法。研究人員可在同一工作流程中：

• 描述容錯量子演算法及其量子錯誤校正操作；
• 評估不同 QEC 碼與編譯策略；
• 建模 QPU 與硬體架構選項；
• 估算達成目標邏輯量子位元規模所需資源；
• 在選定特定硬體或實作前，比較系統層級的效能與成本取捨。 124

這不代表量子硬體的根本挑戰已被解決；它提供的是一個共通軟體層，讓各項設計假設可以明確化，並與替代方案進行測試。

已公布的案例與整合

以下成果分別是特定工作流程、架構模型或軟硬體整合的結果，不能直接視為各家容錯量子能力的統一比較。

費米實驗室：設計評估時間縮短

費米國家加速器實驗室（Fermilab）使用 CUDA-Q Logical 建立可重複、可驗證的容錯架構開發流程。依 NVIDIA 說法，該流程將開發時間從約五個月縮短至三週，約為 7 倍加速。 1

Iceberg Quantum 與 Diraq：邏輯量子位元資源建模

Iceberg Quantum 與 Diraq 對一項架構進行建模，目標是以約 15 萬個 Diraq 矽基物理量子位元產生 1,000 個邏輯量子位元。關鍵在於，這是架構模型與驗證流程的結果，並非表示該硬體目前已有 1,000 個邏輯量子位元正在運作。 121

Infleqtion：qLDPC 錯誤校正整合

Infleqtion 將其開源 qLDPC 函式庫整合至 CUDA-Q Logical，用於量子錯誤校正研究。該公司表示，研究團隊建構並驗證了一種每個邏輯量子位元約使用 6 個物理資料量子位元的錯誤校正碼；依其比較，在所述方法與假設下，可能比主流表面碼方法少用最多 5 倍的物理資料量子位元。這並不是所有容錯系統都適用的通用需求數字。 192031

Qedma：面向 Quantinuum 工作流程的錯誤緩解

Qedma 將 QESEM 錯誤緩解技術整合到 CUDA-Q，初步鎖定 Quantinuum 系統的工作流程。錯誤緩解與實現容錯計算所需的錯誤校正屬於不同技術路線；不過，這項整合顯示 CUDA-Q 可作為串接量子軟體元件與特定硬體工作流程的介面。 26

Quantum Machines：即時量子—傳統控制

Quantum Machines 已將 NVIDIA 的 cudaq-realtime 功能整合至其 Open Acceleration Stack。NVIDIA 指出，該 API 支援 GPU 與量子控制器之間的微秒級延遲回呼，使即時量子位元、GPU 和 CPU 能更緊密協作。 30

Sandia：跨平台就緒度基準測試

桑迪亞國家實驗室（Sandia National Laboratories）將 QUOPS 納入 CUDA-Q。NVIDIA 將 QUOPS 描述為評估容錯量子硬體能否支援實用應用的基準工具，意在協助跨平台比較，而不是以單一供應商的專屬指標評斷硬體。 122

這次發布的意義

CUDA-Q Logical 的意義，不在於宣告容錯量子運算已經完成，而在於提供一個可擴充的共同層，協助業界探索應用與實體機器之間龐大且複雜的設計空間。

對追求邏輯量子位元系統的團隊來說，關鍵不只是挑選量子位元技術，而是找出一個完整組合：演算法、QEC 碼、編譯器、架構、控制堆疊與傳統加速能力，能否同時滿足資源與效能目標。CUDA-Q Logical 希望讓這個問題更容易被建模、比較與驗證。 124

如何取得

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 安裝方式：

pip install cudaq

GitHub 發布說明指出，CUDA-Q Logical 是用於容錯量子運算的開放且可擴充邏輯層。 182437