量子電腦承諾有朝一日能解決超越想像中最強大超級電腦的問題。然而，操作這些機器所需的古典運算量卻往往被低估。隨著量子位元數量增加，若要實現量子電腦的承諾，支援基礎設施的創新將至關重要。為準備迎接業界正在努力實現的量子電腦規模，許多公司也正為支援它們所需的古典硬體和軟體做準備。

今年四月，Nvidia 宣布推出新的基於 AI 的軟體，以加速實現量子電腦所需的古典任務。總部位於雪梨的量子軟體公司 Q-CTRL 開發了一種量子電腦的自動校準演算法，目前正利用 Nvidia 的代理式系統。其他公司，包括 IBM Quantum、總部位於英國劍橋的量子錯誤修正公司 Riverlane，以及 Google Quantum AI，也正在開發類似的工具。

古典運算在量子領域的角色：數位電腦晶片是工程奇蹟，開箱即可完美運作，能夠執行數兆次無錯誤運算。相較之下，量子電腦核心的量子位元（qubits）則不穩定且不可靠，需要定期校準和複雜的錯誤修正方案來維持其穩定性。校準和錯誤修正本質上是古典而非量子的問題，需要專用的古典硬體來解決。

隨著量子電腦規模擴大，這些資源的需求也將同步增加。這意味著在可預見的未來，量子電腦將會是結合大量古典運算的混合型裝置。Google Quantum AI 的量子軟體工程師 Adam Zalcman 表示：「執行大多數電腦程式最便宜、最快速的方法，是在古典電腦上運行，即使有量子電腦可用也是如此。」

「這適用於運行量子電腦本身所涉及的大部分資訊處理……因此，我預計每一個實用且高效的量子電腦架構都將整合快速的古典裝置。」調校量子硬體：儘管電晶體已確立其作為古典晶片基礎元件的地位，但量子電腦核心的量子位元卻有多種形式，超導電路、囚禁離子、中性原子，甚至單一光子。

Q-CTRL 的首席產品經理 Jay Guilmart 表示，要將它們用於運算，需要一個費力的校準過程，才能將底層硬體的「裸機」轉化為可被控制來運行量子電路的量子位元。校準分為兩個階段。第一個階段稱為「啟動」，它決定了每個量子位元共振的頻率、保持量子態的時間長度、對控制脈衝的敏感度，以及與相鄰量子位元的交互作用強度。

所有這些因素都決定了它的錯誤傾向和對控制訊號的反應。Guilmart 表示，如果手動執行，這個過程仍然需要擁有博士學位的人，可能需要數天甚至數週。這不是一個可擴展的解決方案，因此自動化此過程的動力日益增強。這項挑戰在於每一步都依賴於前一步的結果。

因此，Q-CTRL 並非依賴預定義的腳本，而是開發了智慧校準軟體，它會檢查每次測量的結果，診斷故障，並在重試前調整方法。Guilmart 說：「每一步之後，我們都會分析數據，然後判斷我們是否可以進行下一步？是否必須回到上一步？是否必須重新執行這一步？」

校準也不是一次性完成的過程：關鍵參數會隨時間漂移，逐漸降低性能。Q-CTRL 的軟體執行「運行時重新校準」以將事物微調回原位，但即時調整的實用性有其限制。他表示：「如果我正在執行重新校準，我就無法運行電路。」「即使我維持了高系統狀態和高保真度，但如果它佔用了我所有的運行時間，那它就毫無價值。」

即時解碼錯誤：即使是經過良好校準的量子電腦仍然容易出錯，這就是為什麼公司大力投資量子錯誤修正 (QEC) 的原因。這通常涉及將量子資訊編碼到大量物理量子位元的共享狀態中，一個「邏輯量子位元」，這樣，個別量子位元的錯誤就可以在不破壞編碼資訊的情況下被檢測和補償。

由於直接測量量子位元會使其量子態崩塌，因此錯誤是透過「奇偶校驗」來檢測的，它會查詢成對的量子位元是否共享相同的狀態。這會產生一系列測量結果，稱為「錯誤症候」（syndrome），古典演算法（稱為解碼器）會分析這些症候以定位錯誤。這個過程必須極其迅速。

雖然許多錯誤可以在操作後以數學方式記錄和修正，但有些錯誤必須在演算法繼續之前立即修正。超導和矽自旋量子位元只能將其量子態保持微秒或毫秒，因此錯誤必須在該時間窗內解碼和修正。IBM 量子中心超級運算技術長 Jerry Chow 表示，這些嚴格的要求意味著解碼器通常運行在專用晶片上，例如針對速度進行優化的現場可程式邏輯閘陣列 (FPGAs) 或特殊應用積體電路 (ASICs)。

他表示：「你需要能夠跟上並有效地即時解碼。」「最好的方法是透過非常緊密整合的 FPGA 或 ASIC 解碼器功能。」是否採用 AI：人們對使用 AI 簡化量子硬體控制的興趣日益濃厚。今年四月，NVIDIA 發布了兩個針對校準和解碼的模型。第一個模型使用視覺語言模型來分析校準測量輸出（通常以圖表形式呈現），並將該評估傳遞給一個 AI 代理，由其決定如何調整處理器。

第二個模型使用卷積神經網路來識別構成大部分故障的較簡單、局部化錯誤。更複雜的錯誤則傳遞給傳統演算法解碼器，但第一階段的處理足以減少運算負載，實現兩倍的加速。NVIDIA 量子產品總監 Sam Stanwyck 表示，AI 在解碼方面的吸引力在於，儘管模型訓練耗時，但它們在推論時速度極快，而且由於跨多個晶片的平行化，即使量子位元數量增加，這種速度也能保持。

然而，Riverlane 工程副總裁 Marco Ghibaudi 表示，將任務卸載到 GPU 仍然會引入顯著的延遲。他表示：「你可以擁有一條非常粗的管道，但它非常長。」「我們的工作（方法）一直都是試圖消除盡可能多的不必要步驟並縮短管道，然後使管道的每個部分都盡可能快。」

IBM 的 Chow 同意，GPU 延遲目前使其無法用於即時解碼。他對 AI 用於校準也持懷疑態度，考慮到其運算成本。這種方法對於理解新穎架構或新型電路的物理學具有前景。但對於特性明確的裝置，如果只是尋找微小的偏差，更簡單的物理學知情技術可以便宜得多。

然而，Google 的 Zalcman 表示，這兩種方法並非相互排斥。類神經網路擅長在錯誤症候數據中發現隱藏模式，這有助於識別演算法解碼器有時會遺漏的複雜錯誤。因此，Google 正在開發一種可以整合傳統和基於 AI 的解碼器的硬體架構，包括其 AlphaQubit 2 模型。

從長遠來看，哈佛大學博士生 Andi Gu 認為「慘痛教訓」（the bitter lesson）將會降臨到解碼領域。這指的是 AI 先驅 Richard Sutton 的論點，即通用學習方法隨著時間的推移，始終優於手工設計的演算法。Gu 表示：「如果你將模型做得足夠大，並投入足夠的訓練數據，它將比任何其他手工編寫的演算法更好地捕捉隱藏的相關性。」

延遲仍然是一個障礙，但他的團隊正在研究如何使 AI 解碼器更高效、更小，以便它們可以適用於 FPGA，從而縮短回應時間。不過這可能會降低準確性，因此找到正確的平衡點仍在進行中。無論哪種方法勝出，有一點是肯定的，未來的量子電腦將需要大量的古典支援。

Gu 表示，無論你使用何種技術，解碼都是一個持續且運算成本高昂的過程，因此你需要「大量」專用於該任務的古典硬體。Q-CTRL 的 Guilmart 表示，隨著裝置擴展到數千或數百萬個量子位元，校準的運算開銷也將同樣「暴增」。他補充說，當前技術不太可能擴展，因此需要新的方法。

他表示：「當我們達到甚至 1,000 個量子位元時，我們將不得不重新架構並以不同的方式做事。」「所以今天沒有人贏得這場戰鬥。」