10月19日，英伟达官方新闻稿宣布，研究团队在德国于利希超级计算中心的JUPITER超算上完成创纪录的容错量子计算模拟。JUPITER是欧洲首台百亿亿次超算，本次模拟运行于其上的8192块英伟达GH200 GPU，规模达到104个量子比特，是迄今为止对容错量子计算系统最全面的模拟。研究重点不只是把模拟规模推到104比特，而是在真实噪声环境下建模量子处理器执行容错计算的过程，并验证一种有望把方案所需物理量子比特数量减少约90%的技术路线，帮助研究人员在真正制造硬件之前评估与优化设计。36氪10月20日报道指出，这凸显英伟达除了向AI与高性能计算提供GPU基础设施外，还在推动GPU超算与量子处理器协同，用经典计算模拟、验证和优化未来量子硬件。

104量子比特的模拟为什么需要8192块GPU？

容错量子计算的成本在于每一个逻辑量子比特都需要大量物理比特做纠错冗余，真实硬件无法在小样本上检验纠错码在噪声中的表现，只能用经典超算大规模模拟。104比特看似不大，但要逐门记录纠错测量与状态演化，内存与算力需求极高，8192块GH200组成的集群提供了必要的并行度。模拟的意义是先在经典侧验证方案，再决定是否投入昂贵的物理芯片。

物理比特减少90%意味着什么？

实用量子最大的工程瓶颈是比特数量与纠错开销。若某方案把实现同等逻辑能力所需物理比特降低九成，意味着冷却、控制电子学与连接布线规模都能同比例收缩，直接拉低硬件门槛。本次验证的是一种量子计算方法在模拟环境中的可行性，而非已经造出了104比特容错机，距离硅基量子处理器落地仍有距离，但资源曲线下移本身就是关键进展。

GPU超算为什么能成为量子研究的前置实验室？

在真机造价高昂、纠错码迭代频繁的阶段，经典模拟让研究人员快速比较不同编码、噪声模型与解码策略，再把胜出方案交给硬件。CUDA-Q等量子编程框架已经把模拟接口标准化，英伟达借此把量子研究也纳入GPU集群生态，形成先模拟后制造的流水线。这与AI训练先仿真后落地的思路一致。

离药物发现与材料科学的实际应用还有几步？

官方提到的应用方向包括药物发现、金融建模与材料科学，但这些都要求逻辑量子比特稳定运行。当前成果停留在纠错资源优化阶段，模拟验证不等于实用化，后续还要等待物理量子芯片成熟与解码算法落地。对产业而言，更现实的价值是降低下一代量子硬件的试错成本。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论