蓝色巨人(Big Blue)全面推出Qiskit Metal,让“任何人”都可以尝试设计量子硬件。
作者:Daphne Leprince-Ringuet
更新时间:格林尼治标准时间2021年3月22日10:04(东八区标准时间18:04)
主题:量子计算

构建支撑量子计算机的硬件这件事听起来似乎和“任何人”没什么关系,但是IBM决心让这个想法听起来变得不那么具有挑战性。
该公司已宣布全面开放Qiskit Metal,这是一个开源平台,可自动完成量子芯片设计过程的一部分,IBM承诺现在会允许“任何人”参与设计量子硬件。
蓝色巨人(IBM)详细介绍了Metal平台自去年下半年首次发布以来取得的进展,该工具是该公司更大的Qiskit产品组合的一部分,这个产品组合提供了开源工具,可以创建能运行在IBM基于云的量子设备上的程序。
虽然Qiskit的大部分资源都集中在构建可以在量子机器上执行的应用程序,但是Metal则是面向全新的受众,提供软件帮助设计组成硬件本身的组件。
他们的想法是让用户在平台上使用预制组件,从而在几分钟之内生产出能够用于超导量子设备的最新芯片——这一过程通常需要耗时数月,需要实验室里的科学家们进行人工设计、分析和改进。
尽管自动化流程已经非常稳定,可以加快经典集成电路的设计速度,但是对量子计算机而言却并非如此。正如IBM的研究人员——Qiskit Metal的负责人Zlatko Minev所解释的那样,量子芯片仍然需要复杂而耗时的制造过程。
他对ZDNet表示:“通常的情况是,你录用一个像以前的我一样的研究生,你让他们在实验室里工作六个月左右设计芯片,然后完成了一个芯片……这需要大量的工作,而且非常费力。因此,当我进入IBM的时候,我想做的一件事就是利用自动化的流程,让自己变得更轻松一些。”
乍一看,Qiskit Metal非常简单。该过程从为芯片设置目标开始,例如特定的量子位频率或量子位和量子位纠缠;然后,用户可以使用预定义的、可定制的量子组件库在几分钟内设计出初始布局。
然后,Metal平台会执行经典分析和量子分析,预测设备的性能。Minev表示:“这就是你通常需要手工完成的工作,我一直在做这样的工作。”该平台可以预测诸如量子比特频率、收敛或纠缠之类的参数,让用户来回调整自己的模型,直到找到最佳设计为止。
为了检验Metal的可靠性,IBM的Qiskit团队与查尔默斯理工大学(Chalmers University of Technology)进行了合作,该大学在构建量子测试芯片方面拥有着丰富的经验。这里的研究人员使用IBM的平台设计出具有竞争力的8量子位芯片,并创下了30分钟的记录。在仿真器上运行设计又花了一个小时,在仿真器上的测试完全实现了Chalmers此前的预期。
Metal的另一个早期应用出现在本月早些时候在韩国举行的Qiskit黑客马拉松活动中。参与者们以五人或六人为一组,目标是在几天之内从头开始设计量子芯片。所有的团队使用的都是Metal平台,他们在不到24小时的时间里,全部成功地使用超导量子位构建了2量子位的芯片。
一次和东京大学通过WebEx的合作还在几个小时之内生产了一个名为Tsuru的5量子位处理器。
正如Minev解释的那样,Metal的目标并不是构建大型量子芯片并与目前正在开发成熟的量子计算机的专家竞争。相反,该工具的目标是让用户尝试设计量子硬件,并以可能使整个生态系统受益的方式优化模型。
Minev表示:“如果你试图大规模地构建量子设备,那么这里有很多事情要做,这绝不是一件简单的事……Metal实际上针对的是小型、快速设计和原型制作。它背后的想法是创造新的设备并优化设计,以推动和改进科学技术。”
该项目的核心目标是易于使用。IBM希望Metal最终能够对只有很少编程知识甚至是完全没有编程知识的用户开放,并鼓励各个领域内的专家尝试量子计算。
这一点很重要,因为改进量子硬件将需要具有不同背景的专家的意见——他们不一定都接受过量子计算物理学方面的培训。Minev表示:“该领域内的许多挑战尚未解决,这不仅需要物理学家,而且还需要工程师、软件开发人员和其他人的参与。我们希望为所有这些人提供切入点,让他们能够通过简单的界面汇聚到一起。”
与量子计算一样,Metal也处于早期阶段,Minev希望随着该领域的发展,该平台也将包含越来越复杂的量子硬件和建模方面的进步。但就目前而言,IBM警告用户称他们可能会遇到大量错误要修复,并鼓励好奇的用户挺身而出试用该工具,并与开源社区中的其他人分享自己的反馈和意见。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。