
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
随着员工自发使用生成式AI工具,CIO面临影子AI的挑战。报告显示43%的员工在个人设备上使用AI应用处理工作,25%在工作中使用未经批准的AI工具。专家建议通过六项策略管理影子AI:建立明确规则框架、持续监控和清单跟踪、加强数据保护和访问控制、明确风险承受度、营造透明信任文化、实施持续的角色化AI培训。目标是支持负责任的创新而非完全禁止。
NVIDIA研究团队开发的OmniVinci是一个突破性的多模态AI模型,能够同时理解视觉、听觉和文本信息。该模型仅使用0.2万亿训练样本就超越了使用1.2万亿样本的现有模型,在多模态理解测试中领先19.05分。OmniVinci采用三项核心技术实现感官信息协同,并在机器人导航、医疗诊断、体育分析等多个实际应用场景中展现出专业级能力,代表着AI向真正智能化发展的重要进步。
英国正式推出DaRe2THINK数字平台,旨在简化NHS全科医生参与临床试验的流程。该平台由伯明翰大学和MHRA临床实践研究数据链开发,能够安全传输GP诊所与NHS试验研究人员之间的健康数据,减少医生的管理负担。平台利用NHS现有健康信息,安全筛查来自450多家诊所的1300万患者记录,并使用移动消息系统保持试验对象参与度,为传统上无法参与的人群开辟了研究机会。
Salesforce研究团队发布BLIP3o-NEXT,这是一个创新的图像生成模型,采用自回归+扩散的双重架构设计。该模型首次成功将强化学习应用于图像生成,在多物体组合和文字渲染方面表现优异。尽管只有30亿参数,但在GenEval测试中获得0.91高分,超越多个大型竞争对手。研究团队承诺完全开源所有技术细节。