量子計算機需要哪些經典計算進步？

量子計算機有望在未來解決當今最強大超級計算機都無法企及的問題。然而，一個常被低估的事實是：這些機器的運行離不開大量的經典計算支持。隨着量子比特數量的增長，支撐基礎設施的創新變得至關重要。

行業正在為量子計算機規模化做準備，許多公司也在積極開發所需的經典硬件和軟件。今年4月，NVIDIA發佈了基於AI的新軟件，用於加速量子計算機的經典任務。總部位於悉尼的量子軟件公司Q-CTRL開發了自動校準算法，並正在利用NVIDIA的智能代理系統。其他公司，包括IBM Quantum、英國劍橋的量子糾錯公司Riverlane和Google Quantum AI，也在開發類似工具。

經典計算在量子計算機中扮演着核心角色。傳統數字芯片出廠即可完美運行，而量子比特卻脆弱且不可靠，需要定期校準和複雜的糾錯方案。校準和糾錯本質上是經典問題，需要專用的經典硬件來解決。隨着量子計算機規模擴大，這些資源的需求也將同步增長。這意味着在可預見的未來，量子計算機將是混合設備，配備大量的經典計算能力。

校準過程分為兩個階段：首先是“啓動”，確定每個量子比特的諧振頻率、量子態保持時間、對控制脈衝的靈敏度以及相鄰量子比特的相互作用強度。這些因素決定了錯誤傾向和對控制信號的響應。目前手動校準需要博士級人員花費數天甚至數週，這不可擴展。Q-CTRL開發了智能校準軟件，能夠分析每次測量的結果、診斷失敗原因並調整方法後重試。校準不是一次性的，關鍵參數會隨時間漂移，Q-CTRL的軟件執行“運行時重新校準”來糾正，但實時調整有限度。

即使校準良好的量子計算機也容易出錯，因此公司大力投資量子糾錯（QEC）。糾錯通過“奇偶校驗”檢測錯誤，產生“徵候”數據集，由經典解碼器分析定位錯誤。解碼必須極快，因為超導和硅自旋量子比特的量子態僅能維持微秒到毫秒。通常使用FPGA或ASIC等專用芯片加速。AI方法受到關注，但存在延遲問題。NVIDIA發佈了兩個模型：一個用視覺語言模型分析校準測量輸出，另一個用卷積神經網絡識別簡單錯誤。但GPU延遲仍是障礙，Riverlane和IBM更傾向於專用硬件。Google的Zalcman認為兩種方法可互補，並正在開發結合傳統和AI解碼器的架構。

長遠來看，AI可能勝出，但延遲問題需要解決。無論哪種方法勝出，未來量子計算機都需要大量經典計算支持。校準和糾錯的計算開銷將隨着量子比特數增加而急劇增長，需要全新的架構設計。