量子线路模拟器是量子算法设计、线路验证和噪声分析的基础工具。

近日,中科量枢发布面向多种计算环境的量子线路模拟器量枢QSim。量枢QSim是在科研版模拟器基础上,经进一步性能调优与工程化完善形成的商业版本。

在同一套上层架构下,它支持NVIDIA、AMD的显卡(GPU),以及Arm、x86两类处理器(CPU),覆盖单卡、多卡和多机协作。实测环境从家用显卡、工作站延伸到超算平台,兼顾跨硬件适配、大规模线路执行效率与模拟规模扩展。

同时,量枢QSim还支持态矢量、稳定子、密度矩阵和矩阵乘积态等多种模拟方法。面对大规模通用纯态线路,态矢量方法需要保存完整量子态,对存储和计算资源的要求很高。量枢QSim此次的核心突破,正是围绕这一路径打造的一套软硬件协同计算架构。

软硬协同

量枢QSim连接计算硬件与量子软件研发任务:向下组织CPU、GPU、主机内存与集群资源,向上为算法开发、线路验证、虚拟量子处理器(vQPU)及云端服务提供底层执行能力。

这一框架集成态矢量、稳定子、密度矩阵和矩阵乘积态四种模拟方法,分别对应纯态线路、Clifford门与特定噪声线路、混合态模拟及适合压缩表示的线路。系统在分配大块内存前会检查线路特点和输出要求,自动将符合条件的采样任务交给更省资源的稳定子方法执行。

量枢QSim采用TTGT(Transpose–Transpose–GEMM–Transpose,转置-转置-通用矩阵乘法-转置)策略,通过调整数据排列,将通用量子运算转化为矩阵乘法。这样一来,量子模拟就能承接科学计算和AI领域围绕通用矩阵乘法(GEMM)积累的软硬件优化成果;对角门、受控门和部分小宽度门则由专用内核处理。

在此基础上,系统融入布局复用(lazy)、门融合、分块流式执行和分布式调度,让矩阵计算与数据搬运协同工作。

-布局复用(lazy):用映射记录数据的新位置,延后或合并归位操作,减少反复整理。

-门融合:在保持运算结果的前提下合并连续操作,减少对整份状态数据的反复读取。

-分块与门窗口:每次处理一批数据,让这批数据加载后连续完成多步运算。

图|通用全态运算路径示意:把量子运算接入成熟矩阵计算能力,再通过操作合并、布局复用与分批执行减少数据搬运。

底层则按硬件分别实现。CPU端是针对Arm与x86指令集的自研SIMD(向量计算)内核;AMD GPU端是基于HIP的ROCm算子;NVIDIA GPU端是基于CUDA的专用算子,并与cuBLAS、cuTensor等库协同。线路含义、数据位置与调度规则由各平台共同复用。简单说,上层共用一套任务组织方式,底层分别针对硬件优化。

这种把平台差异集中在后端接口处理的架构,为信创环境及国产超算适配预留了工程路径。

性能测试

容量是大规模完整量子态(全振幅)模拟的首要约束。按论文采用的FP32精度存储时,每增加一个量子比特,数据量就会翻倍:34量子比特即需要128 GiB,已超过单张96 GB GPU的显存。

另外统一地址空间也不等于数据访问速度一致。在Grace Hopper的指定数据搬运测试中,主机到显存的显式复制约为407 GB/s,托管内存路径约为13.8 GB/s。因此,量枢QSim将完整状态的存储与GPU的计算空间分开安排:主机内存保存完整量子态,显存集中处理当前需要的一批数据。

在NVIDIA平台上,Grace Hopper配置的30-35量子比特六种规模测试中,有五个取得参测方案的最短记录耗时。30-32量子比特、20层随机砖墙线路相对业内领先模拟器的记录加速比约为1.38-1.45倍。35量子比特超显存线路中,量枢QSim记录耗时约114秒,业内领先模拟器在同配置下可完成的GPU分块路径为200秒,对应加速比约1.75倍。与同平台70核Grace CPU上运行的对照方案相比,加速比为6.84倍。

此外,论文还比较了量枢QSim自身的两种内存使用方式。同一个34量子比特任务,使用托管内存路径时记录耗时为462秒;由模拟器主动安排数据搬运与分块计算后,缩短至50.3秒,约加速9.17倍。

另一组分项测试显示,在显式分块执行中,引入布局复用后,记录耗时从78.1秒降至51.7秒;进一步只传输需要交换的部分数据后,降至50.5秒,整体加速约1.55倍。这表明,在这些测试中,主动安排内存访问与数据搬运,能明显改善执行效率。

更为有趣的是,这种加速不仅存在于超算平台,在个人消费级硬件下,一台配备8 GiB显存RTX 3070、Ryzen 5 5600X和约60.7 GiB可用内存的主机上,量枢QSim完成了30-32量子比特的六个超显存测试,记录耗时均短于业内领先模拟器,对应加速比约为1.57-3.00倍,最大完成32量子比特、32 GiB状态数据的经典模拟。

在AMD及消费级硬件上,量枢QSim同样表现突出。在AMD MI250X GPU的单个计算芯片(GCD)上,24-30量子比特、50层随机砖墙线路的四个规模,均取得四款参测GPU工具中的最短记录耗时,业内领先模拟器的耗时为其1.15-2.16倍。

多机多卡协作上,量枢QSim还在统一内存架构Grace Hopper集群上实现了8节点、8卡协作,完成38量子比特、2 TiB状态数据的指定线路模拟,记录耗时251秒。其基于MPI的数据交换和非阻塞通信流水线为多机协作提供支持,也为进一步面向超算中心和高能物理等科研场景扩展模拟规模提供了基础。

图|34比特为同一模拟器的两种内存路径;35比特为同平台工具对比。数据据《Quantum Simulation across Heterogeneous Memory》及RTX 3070报告。35比特对比采用单精度状态存储,量枢QSim使用TF32矩阵乘法;双方分别记录内部计算耗时与工具运行耗时。

差异化壁垒

纵观全球量子模拟软件生态,各类模拟器在通用线路、特定结构线路和张量网络等技术路线上各有优势。量枢QSim展现出的差异化优势,主要集中在四个维度:

第一,算法与系统协同设计。将TTGT、门融合、布局复用和数据移动纳入同一执行计划,兼顾计算效率与数据搬运成本。

第二,跨硬件架构与自主内核协同。上层复用,底层分别开发,已有多种CPU/GPU架构的适配经验。这有望缩短信创环境的适配周期,并为国产超算适配提供基础。

第三,规模扩展兼顾单机设备与集群。单机靠主机内存与显存协同扩容,多卡、多机进一步汇集资源。这能减少部分任务单纯为存储容量而增加GPU的需求,从消费级主机到超算都有对应的执行选择。

第四,面向服务与应用衔接。系统自动选择模拟方法,让符合条件的任务采用更省资源的计算方式;高性能引擎可为vQPU提供底层支撑,并通过后续量枢云服务与行业应用衔接。

总体而言,量枢QSim利用成熟的通用矩阵计算生态,配合精细的内存与数据布局调度,减少数据搬运、提高硬件利用率。在容错量子硬件成熟前,模拟器的工程优化直接影响算法验证与原型探索的效率。

充分发挥模拟器的性能,离不开软硬件协同优化。无论是单机单卡、单机多卡,还是多机多卡集群,都需要围绕具体硬件和任务持续测试与调优,实现计算、数据传输与设备协同的高效匹配。

为此,量枢云计划于2027年第一季度上线完整的模拟器服务,对外输出经过软硬协同优化的量枢QSim能力,帮助用户减少硬件适配、环境配置和反复调优的准备工作。该服务还将与平台现有的石油、能源化工等开箱即用应用衔接,帮助科研与行业团队更高效地开展算法研究和工程验证。

参考链接

论文链接:https://arxiv.org/abs/2608.16940

相关阅读
中科量枢发布“量星-QAdapt”量子AI大模型,率先破局高噪声纠错难题
量子赛道又一匹黑马!「中科量枢」连获2轮融资,将打造量子计算全栈式软件生态