量子计算机需要哪些经典计算进步？

量子计算机有望在未来解决当今最强大超级计算机都无法企及的问题。然而，一个常被低估的事实是：这些机器的运行离不开大量的经典计算支持。随着量子比特数量的增长，支撑基础设施的创新变得至关重要。

行业正在为量子计算机规模化做准备，许多公司也在积极开发所需的经典硬件和软件。今年4月，NVIDIA发布了基于AI的新软件，用于加速量子计算机的经典任务。总部位于悉尼的量子软件公司Q-CTRL开发了自动校准算法，并正在利用NVIDIA的智能代理系统。其他公司，包括IBM Quantum、英国剑桥的量子纠错公司Riverlane和Google Quantum AI，也在开发类似工具。

经典计算在量子计算机中扮演着核心角色。传统数字芯片出厂即可完美运行，而量子比特却脆弱且不可靠，需要定期校准和复杂的纠错方案。校准和纠错本质上是经典问题，需要专用的经典硬件来解决。随着量子计算机规模扩大，这些资源的需求也将同步增长。这意味着在可预见的未来，量子计算机将是混合设备，配备大量的经典计算能力。

校准过程分为两个阶段：首先是“启动”，确定每个量子比特的谐振频率、量子态保持时间、对控制脉冲的灵敏度以及相邻量子比特的相互作用强度。这些因素决定了错误倾向和对控制信号的响应。目前手动校准需要博士级人员花费数天甚至数周，这不可扩展。Q-CTRL开发了智能校准软件，能够分析每次测量的结果、诊断失败原因并调整方法后重试。校准不是一次性的，关键参数会随时间漂移，Q-CTRL的软件执行“运行时重新校准”来纠正，但实时调整有限度。

即使校准良好的量子计算机也容易出错，因此公司大力投资量子纠错（QEC）。纠错通过“奇偶校验”检测错误，产生“征候”数据集，由经典解码器分析定位错误。解码必须极快，因为超导和硅自旋量子比特的量子态仅能维持微秒到毫秒。通常使用FPGA或ASIC等专用芯片加速。AI方法受到关注，但存在延迟问题。NVIDIA发布了两个模型：一个用视觉语言模型分析校准测量输出，另一个用卷积神经网络识别简单错误。但GPU延迟仍是障碍，Riverlane和IBM更倾向于专用硬件。Google的Zalcman认为两种方法可互补，并正在开发结合传统和AI解码器的架构。

长远来看，AI可能胜出，但延迟问题需要解决。无论哪种方法胜出，未来量子计算机都需要大量经典计算支持。校准和纠错的计算开销将随着量子比特数增加而急剧增长，需要全新的架构设计。