NVIDIA CUDA-Q 與 Infleqtion Sqale QPU 的邏輯量子位工作流程 NEWS DETAIL

對於評估量子運算工作流程的研發團隊而言，NVIDIA CUDA-Q 與 Infleqtion Sqale 物理量子處理器（QPU）的整合，提供了一條從 GPU 加速模擬、雜訊建模到中性原子硬體執行的路徑。依據 2025 年 1 月 10 日的來源資料，Infleqtion 已用此流程展示兩個邏輯量子位的材料科學實驗；這代表邏輯編碼可在實體硬體上驗證，但不等同於所有材料模擬或容錯量子運算已具備可部署能力。

要解決的問題：實體量子位的錯誤限制

量子位容易受環境雜訊與硬體故障影響，直接以實體量子位執行演算法時，結果可能無法支撐有意義的預測。邏輯量子位會將量子資訊編碼到多個實體量子位中，並透過錯誤偵測或更進一步的錯誤校正降低錯誤影響，是走向容錯量子運算的重要技術方向。

本次實驗採用 [[4,2,2]] 錯誤偵測碼：以四個實體量子位編碼兩個邏輯量子位，可偵測單一 X 型位元翻轉錯誤或單一 Z 型相位翻轉錯誤。系統藉由測量編碼狀態的奇偶校驗辨識錯誤，並捨棄偵測到錯誤的電路結果。此機制可在特定實體量子位錯誤率條件下改善結果品質，但來源明確指出它能偵測及捨棄錯誤，不能校正該類單一錯誤。

CUDA-Q 支援的端到端能力

來源所述流程以 CUDA-Q 作為開發與執行介面。團隊先使用 GPU 加速模擬開發、測試並建模電路，再將相同程式的目標切換至 Infleqtion 中性原子 QPU。這種方式可減少模擬程式與硬體執行程式分離所造成的轉換工作，但仍需針對實際裝置重做驗證。

• 以參數化 kernel 與 CUDA-Q Solvers 支援實驗建模。
• 定義硬體原生自訂閘操作，並結合自訂電路雜訊模型模擬裝置的雜訊分布。
• 利用中途電路測量與條件邏輯，模擬 [[4,2,2]] 編碼及錯誤偵測流程。
• 指定 Infleqtion 目標後，在 QPU 或雜訊模擬模式取樣執行。

來源亦提到，Infleqtion 的跨平台 Superstaq 編譯器會針對裝置物理特性與閘集進行低階編譯。實際使用時，團隊需要取得 Infleqtion API 金鑰，並確認帳戶權限、可選機器名稱、API 行為及軟體版本是否仍與官方文件一致。

材料科學實驗與適用情境

此展示聚焦強關聯系統的量子模擬。強關聯材料中的電子交互作用複雜，許多近似方法難以準確描述；動態平均場理論（DMFT）可處理這類問題，但計算成本會隨規模快速增加。來源指出，實驗以兩個邏輯量子位準備單雜質 Anderson 模型的基態，作為邁向容錯 DMFT 的一項關鍵步驟。

因此，較適合此工作流程的情境包括：需要先以雜訊模型比較邏輯編碼策略的量子研究、探索中性原子陣列拓撲對電路效率影響的團隊，以及希望把 CUDA-Q 模擬結果帶往指定 QPU 驗證的材料科學原型專案。來源提及 Sqale QPU 可將中性原子配置為方形或三角形等陣列，該實驗使用三角形陣列；特定排列是否提升某一演算法效率，仍須依電路映射、閘集與測試結果評估。

導入前的評估步驟與限制

1. 定義要驗證的哈密頓量、目標態、可接受誤差與捨棄結果的統計處理方式。
2. 在 CUDA-Q 中建立與目標硬體相符的自訂閘及雜訊模型，先以模擬比較未編碼與邏輯編碼電路。
3. 以實體硬體執行小規模實驗，分別記錄邏輯與實體錯誤率、後選擇比例及有效樣本數。
4. 確認編譯後電路、陣列配置與硬體限制，並以重複測試檢查結果是否可重現。

來源提到 Sqale QPU 的近期預印本基準測試，以及最高 1,600 個量子位的可擴展、可重新配置陣列；預印本與裝置描述不應直接視為特定專案的效能保證。採購或立項前，應查閱有日期的官方產品文件、完整服務與軟體版本資訊，並以自身工作負載完成專案測試。

常見問題

[[4,2,2]] 錯誤偵測碼是否等同完整的量子錯誤校正？

不是。依來源描述，此編碼可偵測單一 X 型或 Z 型錯誤並捨棄故障電路，但無法校正這些錯誤。它可作為評估邏輯量子位與後選擇策略的實驗基礎，不能單獨證明已達到通用容錯量子運算。

是否能將 CUDA-Q 程式直接執行於 Infleqtion QPU？

來源提供以 cudaq.set_target("infleqtion", machine="cq_sqale_qpu") 指定目標的示例，並說明需要 Infleqtion API 金鑰。不過，實際可用目標、權限、編譯選項與支援功能應以執行當日的官方 CUDA-Q 與 Infleqtion 文件為準。

結論

CUDA-Q 與 Infleqtion Sqale QPU 的整合，展示了從雜訊感知模擬到邏輯量子位硬體實驗的可行工作流程。對材料科學量子模擬研究而言，重點不在直接推論量產能力，而在以明確的錯誤率、後選擇成本、編譯映射與可重現測試，判斷邏輯編碼是否能為目標問題帶來可驗證的價值。

圍繞「NVIDIA CUDA-Q 與 Infleqtion Sqale QPU 的邏輯量子位工作流程」繼續瞭解 NVIDIA 產品與網路方案。