Quantum computers 承諾有朝一日能解決超出最強大 supercomputers 所能想像的問題。但人們往往低估了操作這些機器所需的經典運算量。隨著 qubit 數量增加，若要讓量子電腦兌現承諾，這類支援基礎設施的創新將不可或缺。

為了因應產業正朝向的量子電腦規模，許多公司也正同步強化所需的經典硬體與軟體。今年四月，Nvidia 宣布推出新的 AI 基礎軟體，以加速量子電腦所需的經典任務。雪梨量子軟體公司 Q-CTRL 已開發出 量子電腦自動校準演算法，並正 運用 Nvidia 的代理人式系統。其他公司，包括 IBM Quantum、總部位於英國劍橋、專注量子錯誤修正的 Riverlane，以及 Google Quantum AI，也都在開發類似工具。

經典運算在量子運算中的角色

數位 computer chips 是工程上的奇蹟，開箱即用且能無誤地執行數兆次運算。相較之下，量子電腦核心的量子位元（qubits）卻性情多變且不可靠，需要定期校準與複雜的 error-correcting schemes 才能維持運作。

校準與錯誤修正本質上是經典而非量子問題，需要專用的經典硬體來解決。隨著量子電腦規模擴大，這些資源的規模也必須同步成長。這意味著在可預見的未來，量子電腦將成為 hybrid devices，並搭配大量的經典運算資源。

「執行大多數電腦程式最便宜且最快的方法，是在經典電腦上執行——即使有量子電腦可用，」Adam Zalcman 表示，他是 Google Quantum AI 的量子軟體工程師。「這同樣適用於運行量子電腦本身所涉及的大多數資訊處理……因此，我預期每一種實用且高效的量子電腦架構，都會整合快速的經典裝置。」

量子硬體的調校

雖然電晶體已穩固成為經典晶片的基礎元件，但量子電腦核心的 qubit 有多種形式——超導電路、trapped ions、neutral atoms，甚至單一 photons。要將它們用於運算，需要經過繁瑣的校準程序，才能將底層硬體的「裸機」轉化為可控制以執行量子電路的 qubit，Q-CTRL 產品主管 Jay Guilmart 說。

校準分為兩個階段。第一階段稱為「啟動」，用以確定每個 qubit 共振的頻率、維持量子態的時間、對控制脈衝的敏感度，以及與相鄰 qubit 的交互作用強度。這些因素都會影響其錯誤傾向與對控制訊號的反應。

若由人工執行，此過程仍需具備博士學位的人員，且可能耗時數天甚至數週，Guilmart 表示。這並非可擴展的解決方案，因此業界正積極推動自動化。此過程具有挑戰性，因為每一步都依賴前一步的結果。因此，Q-CTRL 並未依賴預先定義的腳本，而是建置智慧校準軟體，分析每次測量結果、診斷失敗，並在重試前調整方法。

「每一步之後，我們會分析資料，並判斷是否可以進入下一步？是否需要回到上一步？是否需要重新執行這一步？」Guilmart 說。

校準也不是一次性的工作：關鍵參數會隨時間漂移，逐漸降低效能。Q-CTRL 的軟體會執行「執行時重新校準」以將參數調整回位，但即時調整仍有其限制。

「如果我在進行重新校準，我就無法執行電路，」他說。「即使我維持了高系統狀態與高保真度，如果它佔據了全部的運作時間，那也毫無意義。」

即時解碼錯誤

即使是經過良好校準的量子電腦，仍容易發生錯誤，這也是為什麼各公司正大力投資 quantum error correction（QEC）。這通常涉及將量子資訊編碼在大量物理 qubit 的共享狀態中——稱為「logical qubit」——以便在不破壞編碼資訊的情況下，偵測並補償個別 qubit 的錯誤。

由於直接測量 qubit 會使其量子態崩塌，因此透過奇偶校驗來偵測錯誤，查詢成對 qubit 是否處於相同狀態。這會產生一系列稱為「症候群」的測量結果，經典 algorithms（稱為解碼器）會分析這些結果以定位錯誤。

此過程必須極快執行。雖然許多錯誤可在運算後以數學方式記錄並修正，但有些錯誤必須在演算法繼續執行前立即修正。Superconducting 與 silicon spin qubits 只能維持量子態數微秒或數毫秒，因此錯誤必須在此時間窗內完成解碼與修正。

這些嚴格的要求意味著解碼器通常運行在專用矽晶片上，例如現場可程式化閘陣列（FPGAs）或針對速度最佳化的應用專用 integrated circuits（ASICs），IBM 量子中心超級運算 CTO Jerry Chow 表示。「你必須跟得上速度，而且必須能即時有效解碼，」他說。「達成此目標的最佳方式，是透過高度整合的 FPGA 或 ASIC 解碼器能力。」

使用或不使用 AI

業界對使用 AI 簡化量子硬體控制的興趣日益增加。今年四月，Nvidia 發布兩款針對校準與解碼的模型。第一款使用視覺語言模型分析校準測量輸出（通常以圖形呈現），並將評估結果傳遞給 AI 代理人，以決定如何調整處理器。第二款使用卷積神經網路來辨識構成大部分錯誤的較簡單、局部化錯誤。更複雜的錯誤會交由傳統演算法解碼器處理，但第一階段的處理已大幅降低運算負載，帶來 2 倍加速。

Nvidia 量子產品總監 Sam Stanwyck 表示，AI 解碼的吸引力在於：雖然模型訓練耗時，但推論速度極快——而且透過多晶片平行化，即使 qubit 數量增加，速度仍能維持。

但將工作卸載至 GPU 仍會引入顯著延遲，Riverlane 工程副總 Marco Ghibaudi 表示。「你可以有很粗的管線，但它真的很長，」他說。「我們的做法一直是盡量移除不必要的步驟、縮短管線，然後讓管線的每一區段都盡可能快速。」

IBM 的 Chow 也同意，目前 GPU 的延遲使其無法用於即時解碼。他對 AI 用於校準也持謹慎態度，因為其運算成本高昂。此方法對理解新架構或新型電路的物理特性有潛力，但對於已充分表徵的裝置，若只是尋找小幅偏差，較簡單的物理資訊技術會便宜許多。

不過，這兩種方法並非互斥，Google 的 Zalcman 表示。Neural networks 擅長從症候群資料中發現隱藏模式，有助於辨識傳統演算法解碼器有時會遺漏的複雜錯誤。因此 Google 正在開發一種硬體架構，可同時整合傳統與 AI 基礎的解碼器，包括其 AlphaQubit 2 模型。

長期來看，正在研究 AI 解碼器的哈佛博士生 Andi Gu 認為，「苦澀的教訓」將適用於解碼。這是指 AI 先驅 Richard Sutton 提出的論點：通用學習方法長期來看會持續優於手工打造的演算法。「如果你讓模型夠大，並投入足夠的訓練資料，它將學會比任何手寫演算法更好地捕捉隱藏相關性，」Gu 說。

延遲仍是障礙，但他的團隊正研究如何讓 AI 解碼器更有效率且更小，以便能放入 FPGA 中，以縮短反應時間。不過這可能降低準確度，因此找到適當平衡仍是一項進行中的工作。

無論哪種方法最終勝出，有一件事是確定的——未來的量子電腦將需要大量的經典支援。無論使用何種技術，解碼都是一項持續且運算成本高昂的過程，Gu 表示，因此你將需要「相當大的一部分」經典硬體專門處理此任務。

隨著裝置擴展至數千或數百萬個 qubit，校準運算開銷也將「暴增」，Q-CTRL 的 Guilmart 表示。目前的技術不太可能擴展，他補充說，因此需要新的方法。「當我們達到 1,000 個 qubit 時，我們將必須重新架構並以不同方式運作，」他說。「所以目前沒有人贏得這場戰役。」