近日,IBM在首届IBM量子开发者大会上登台展示了量子计算硬件和软件的最新进展。
在此次活动中,IBM展示了最先进的IBM Quantum Heron计算机是如何以比以前更高的精度和速度执行复杂的量子算法,同时为进行高级分子模拟的新方法铺平了道路。
IBM被广泛认为是量子计算可行性竞赛中的领导者之一。IBM表示,改进之后的IBM Heron处理器现在可以准确运行具有多达5000个双量子位门操作的量子电路,这几乎是IBM一年前首次发布基于Heron的量子处理器时准确运行门数量的2倍(门是促进量子算法运行的基本逻辑元素)。
IBM Heron是IBM公司最先进的量子处理器,具有133个量子比特的计算能力。它是IBM全球量子计算服务的基础,科学家和研究人员可以通过IBM的云数据中心访问该服务,以解决化学、材料研究、生命科学、高能物理等领域的问题。
据IBM称,不仅改进了Heron本身,还改进了底层的Qiskit软件开发工具包,开发人员可以使用该工具包将传统代码转换为量子计算机可以理解和处理的量子电路。IBM表示,这些改进使他们能够比原始Heron量子处理器快50倍地处理复杂的模拟,执行实用性实验所需的时间从2023年的112小时缩短到现在仅2.2小时。
IBM Quantum副总裁Jay Gambetta表示,Qiskit现在是世界上性能最高的量子软件,他引用了使用开源基准测试工具Benchpress收集的结果,这些结果表明,Qiskit在1000多次测试中远远超过了其他量子SDK。
“IBM Quantum硬件和Qiskit的进步使我们的用户能够构建新算法,其中先进的量子和经典超级计算资源可以结合在一起,以结合各自的优势,”他说。
分子研究的新方法
此外IBM表示,一直在和各种科学研究组织合作,以进一步利用量子和经典系统这种多管齐下的计算方法。
日本理化学研究所(RIKEN)和克利夫兰诊所基金会等组织正在使用IBM改进的系统来探索使用量子算法来解决化学中基本电子结构的问题。
据IBM称,正在开创一种新的“以量子为中心的超级计算”方法,来模拟以前不可能实现的复杂化学和生物过程。以前,人们认为这种类型的模拟只能使用容错量子机来执行。
但IBM表示,他们已经展示了如何将量子计算机与强大的经典系统集成,以执行并行工作负载,每个架构解决建模过程中使用的不同算法部分。IBM表示,它们分别执行算法,然后将结果重新组合在一起,从而可以运行任何一种架构都无法独立处理的模拟。
例如,日本理化学研究所与IBM量子研究人员展开合作,在以量子为中心的超级计算环境中执行“基于样本的量子对角化”,以模拟硫化铁的电子结构。与此同时,克利夫兰诊所使用类似的技术来模拟“非共价相互作用”——即对各种生物、化学和制药过程至关重要的分子之间的键。IBM表示,这是未来药物发现的一个重要研究领域。
克利夫兰诊所首席研究信息官Lara Jehi表示:“我们正在利用Qiskit等尖端技术突破传统科学界限,推动研究发展,为全球患者寻找新疗法。”
IBM Qiskit中的扩展功能
IBM不仅专注于性能,还努力扩展量子计算服务的灵活性。除了新的基准之外,IBM还宣布推出了各种新的Qiskit服务,这些服务可以提供生成式AI功能,以及合作伙伴开发的新软件。
例如,新的Qiskit Transpiler Service服务可以帮助开发人员更好地优化量子电路,以便在量子硬件上运行AI工作负载。然后,他们可以将其与新的Qiskit Code Assistant结合,为IBM Granite系列大型语言模型生成量子代码,从而创建利用IBM量子硬件的、更强大的生成式AI应用。
其他新服务还包括Qiskit Serverless,可以在量子计算机和经典计算机系统上运行以量子为中心的超级计算方法。在IBM Qiskit Functions Catalog中,研究人员可以访问来自Algorithmiq和Q-CTRL等合作伙伴的其他服务,以简化量子噪声性能管理并抽象出其他的复杂性。
Constellation Research分析师Holger Mueller表示,IBM凭借Heron平台已经被视为量子计算硬件领域的领导者,目前正致力于在量子软件领域取得同样的成就。
他说:“IBM正在把重点更多地转向量子计算软件,这就是它举办首届年度量子开发者大会的原因,Qiskit当然是这次大会的明星,它提供了一个坚实的框架来创建量子应用,而且随着Functions Catalog的加入,它将变得越来越强大,使构建这些应用变得越来越容易。”
好文章,需要你的鼓励
智谱AI率先推出了 AutoGLM,试图打造一款能够理解、规划、执行,并最终实现“无人驾驶”操作系统的 AI Agent。
该处理器采用16nm工艺技术设计,拥有 48 个ARM Cortex-A75内核,六通道DDR4 3200 MHz 内存 - 每插槽高达 768 GB(每通道 128 GB)
谷歌DeepMind研究人员则直接把这项技术集成到AI Agent中开发了Talker-Reasoner框架,让其具备“快”、“慢”两种拟人化思考方式。
数据密集型工作负载的激增,导致计算系统需要处理的数据量大幅增加。这种不断拓展的数据环境,迫切需要具备更大容量和更高带宽的