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
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。