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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。