伦敦量子运动科技有限公司今日宣布,成功交付了业界首台采用传统半导体芯片制造工艺构建的量子计算机,该技术与传统计算机使用的制造工艺相同。
这套新系统已安装在英国国家量子计算中心,这是英国专门用于加速量子计算研究的国家实验室。该系统使用标准化的可大规模制造的300毫米硅晶圆,是首台作为该中心量子计算测试平台项目一部分安装的自旋量子比特计算机。
互补金属氧化物半导体(CMOS)是一种广泛应用的芯片类型,在大多数消费和企业技术中都很常见。这种制造工艺可以生产用于集成电路的芯片,这些集成电路用于计算机、智能手机和其他设备中的核心处理器、内存模块和数字传感器。
量子运动公司首席执行官詹姆斯·帕勒斯-迪莫克表示:"这是量子计算的硅时代。今天的公告证明,你可以使用世界上最具可扩展性的技术构建一台稳健、功能完备的量子计算机,并且能够实现大规模生产。"
量子运动公司将其系统设计为数据中心友好型,占地面积约为三个19英寸服务器机架,用于容纳制冷和控制电子设备。辅助设备设计为独立放置,因此可以集成到大多数空间紧张的数据中心中,同时仍有空间升级量子处理单元而不增加整体尺寸。
为了制造这些专用机器,该公司开发了一种可扩展的瓦片架构,包括可以重复印刷到芯片上的计算、读取和控制元素。据该公司表示,这不仅实现了大规模生产,还使未来每个量子处理单元能够扩展到数百万个量子比特。
量子比特代表量子计算中逻辑信息的基本单位,类似于经典计算中的比特。然而,与只能是1或0的经典比特不同,量子比特可以处于1、0或同时具有两种可能性的状态。通过利用这一特性,以及纠缠和干扰等特殊情况,量子计算机可以执行高度复杂的大规模并行计算。
这种架构结合大规模并行计算能力,使量子计算机能够在几秒钟或几分钟内执行需要经典计算机几个月或几年才能完成的计算。这使量子计算机成为加速化学、药物发现、材料科学、金融建模和物流等行业和科学发现的理想选择。
英国科学部长瓦伦斯勋爵表示:"量子运动公司的这种新型量子计算机将使这项突破性技术更接近商业可行性,这可能通过更快的药物发现支持医疗保健,或通过优化能源网络促进清洁能源发展。"
量子运动公司并非唯一从事硅基量子处理器开发的量子计算公司。芬兰公司SemiQon Technology在2024年推出了低温优化的CMOS晶体管,并在2025年展示了量子点量子比特的大规模效率。其技术允许将控制电子设备集成到芯片上并置于超低温恒温器内,这是用于保持量子计算机稳定的超冷却设备。
除了与英国国家量子计算中心的新合作外,量子运动公司最近还获得了硅量子纠错项目的资助,该项目旨在首次展示能够通过重复量子纠错实现高容错性的量子计算系统。这是量子运动公司与伦敦大学学院的合作项目,该公司相信这将为到2035年在纠错系统中实现1万亿次量子操作的目标铺平道路。
Q&A
Q1:量子运动公司的硅基量子计算机有什么特殊之处?
A:量子运动公司开发的是业界首台采用传统半导体芯片制造工艺构建的量子计算机,使用与传统计算机相同的CMOS技术和300毫米硅晶圆,能够实现大规模生产并且数据中心友好。
Q2:硅基量子计算机相比传统量子计算机有什么优势?
A:硅基量子计算机可以利用成熟的半导体制造工艺实现大规模生产,占地面积小(约三个服务器机架),易于集成到数据中心,并且采用可扩展的瓦片架构,未来可扩展到数百万个量子比特。
Q3:量子计算机能在哪些领域发挥作用?
A:量子计算机在化学、药物发现、材料科学、金融建模和物流等领域具有巨大应用潜力,能够在几秒钟或几分钟内完成传统计算机需要几个月或几年才能完成的复杂计算任务。
好文章,需要你的鼓励
2025年,企业技术高管面临巨大压力,需要帮助企业从持续的AI投入中获得回报。大多数高管取得了进展,完善了项目优先级排序方法。然而,CIO仍面临AI相关问题。支离破裂的AI监管环境和宏观经济阻力将继续推动技术高管保持谨慎态度。随着AI采用增长的影响不断显现,一些CIO预期明年将带来劳动力策略变化。
这篇论文提出了CJE(因果法官评估)框架,解决了当前LLM评估中的三大致命问题:AI法官偏好倒置、置信区间失效和离线策略评估失败。通过AutoCal-R校准、SIMCal-W权重稳定和OUA不确定性推理,CJE仅用5%的专家标签就达到了99%的排名准确率,成本降低14倍,为AI评估提供了科学可靠的解决方案。
FinOps基金会周四更新了其FinOps开放成本和使用规范云成本管理工具,新版本1.3更好地支持多供应商工作流。该版本新增了合同承诺和协商协议数据集,增加了跨工作负载成本分摊跟踪列,以及云支出和使用报告时效性和完整性的元数据可见性。随着云和AI采用推动企业IT预算增长,技术供应商正在关注将成本与价值联系起来的努力。大型企业通常使用三到四家云供应商,小企业可能使用两家,同时还有数据中心、SaaS和许可等服务。
NVIDIA团队开发出Fast-FoundationStereo系统,成功解决了立体视觉AI在速度与精度之间的两难选择。通过分而治之的策略,该系统实现了超过10倍的速度提升同时保持高精度,包括知识蒸馏压缩特征提取、神经架构搜索优化成本过滤,以及结构化剪枝精简视差细化。此外,研究团队还构建了包含140万对真实图像的自动伪标注数据集,为立体视觉的实时应用开辟了新道路。