
IBM Qiskit
单凭正常,相信大家也能想到量子计算机芯片的设计、开发、分析与模拟该有多么困难。没错,如果没有多年教育背景与实践操作,我们根本不可能制造出如此复杂的设备。直到最近,即使是经验最丰富的研究人员,也需要数周甚至几个月时间才能设计出一款最最简单的量子芯片。

量子芯片设计流程图
凭借软件自动化降低设计新课
在2020年完成试发布之后,IBM于2021年3月正式推出了新的开源设计自动化软件Qiski Metal。Qiskit Metal是第一款面向超导设备的自动化设计软件,IBM正在考虑将其扩展到更广泛的量子技术领域。
Qiskit Metal属于IBM通用量子SDK Qiskit库的组成部分。Qiskit Metal的独特之处,在于它能够直接生成芯片设计方案,而不像其他Qiskit资源那样止步于量子计算电路与应用。
Qiskit Metal 的起源
Qiskit Metal 诞生自IBM公司研究人员Zlatko Minev博士之手——一位长年关注创新领域的科技带头人。
2018年,Minev在自己的物理学博士毕业论文中设计出一种先进的实验性技术,有望直接捕捉到运动中的量子跃迁活动,甚至能够在跃迁完成之前将其逆转。凭借这份论文,Minev顺利从耶鲁大学毕业。
他的论文颠覆了100多年之前玻尔提出的量子跃迁理论。Minev证明量子跃迁并非不可预测;相反,一旦开始发生,量子跃迁将表现出连贯性、连续性与确定性。
《MIT技术评论》因这一发现“颠覆了困扰尼尔斯·玻尔与阿尔伯特·爱因斯坦等人的量子物理学支柱”,而将Minev评选为2020年全球35岁以下35位最杰出创新者之一。这项发现也在Discover的《2020年五十大故事》中被评为头号数学/物理科学类发现。
在IBM,Minev对自动化芯片设计流程产生也浓厚兴趣,并开始研究Qiskit Metal的初始版本。时任IBM研究员兼量子计算副总裁的Jay Gambetta很快意识到了这项工作的潜在价值,并决定将Qiskit Metal确立为内部正式项目。

IBM
用户可以使用Python Jupyter notebook或者Metal内置的图形界面从资源库中选择量子元件。如果找不到合适的元件选项,Metal还允许用户灵活创建及定制更多组件。在选择并排布完成之后,算法会自动为各元件设计出连接电路。
Metal还能够自动处理量子比特频率选择、耦合以及多种其他系统设计要素,并通过测试为系统生成可靠的运行性能结果。
在芯片设计完成之后,Qiskit Metal会对设计图进行实时渲染、自动设定材料、划定运行条件并执行经典模拟。通过分析芯片的量子特性,它会得出对应的哈密顿量与耗散属性。在此阶段,用户可以进一步调整设计方案以提高 芯片性能。如果无需其他修改,我们即可提交设计方案以供实际制造。
后续改进
请注意,目前的Qiskit Metal仍处于alpha内测阶段。IBM坚信Qiskit Metal终将成为支持整个量子计算生态系统的重要创建工具,能够极大简化超导设备的设计流程。通过后续发展,Metal还有望应用于其他技术场景。
从长远来看,IBM希望Metal能让更多编程技术不强的用户也通过现成的量子元件与渲染器库轻松构建芯片。可以预见,后续Metal开源社区将开发出大量共享资源。
根据IBM Qiskit Metal网站的介绍,项目未来还将增添能量参与率(EPR)方法、阻抗分析以及集成有源晶振模型等新功能。
分析师意见:
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。