تُعدّ إصدار CUDA-QX 0.4 خطوة مهمة في تبسيط تصميم وتطوير تصحيح الأخطاء الكمية وتسريع تجارب الألgorithms الكمية، من خلال دمج أدوات متقدمة في بيئة متكاملة مُسرّعة بالـ GPU. يُقدّم الإصدار الجديد مجموعة من الميزات الحاسمة التي تُسهم في تعزيز البحث والتطوير في مجال الحوسبة الكمية، خاصةً في مواجهة التحدي الأكبر: تصحيح الأخطاء الكمية (QEC). أبرز الميزات في CUDA-QX 0.4 تشمل: إنشاء نموذج خطأ الكشف (DEM) تلقائيًا من دوائر التصحيح الكمي ونماذج الضوضاء: أصبح بإمكان الباحثين توليد نموذج DEM من دوائر التصحيح الكمي ذات الضوضاء، باستخدام واجهة برمجة تطبيقات متكاملة. يُستخدم هذا النموذج في كلا المراحل: محاكاة نتائج الدوائر وتشغيل مُفكّك الأخطاء، مما يقلل التكرار ويعزز الدقة. مُفكّك مبني على الشبكات التنسورية لحساب احتمال الخطأ بدقة قصوى: يُقدّم الإصدار أول تنفيذ مفتوح المصدر لـ tensor network decoder مُسرّع بالـ GPU، يدعم Python 3.11 فما فوق. يُظهر النموذج أداءً متماثلًا مع مُفكّك جوجل المفتوح المصدر من حيث معدل الخطأ المنطقي (LER)، مع الحفاظ على الدقة الكاملة دون الحاجة إلى تدريب مسبق، مما يجعله معيارًا موثوقًا في الأبحاث. تحسينات كبيرة في مُفكّك BP+OSD المُسرّع بالـ GPU: تشمل الميزات الجديدة: مراقبة تقارب مُعدّلة (Adaptive convergence monitoring) لضبط التكرارات. قص الرسائل (Message clipping) لتحسين الاستقرار العددي. اختيار بين خوارزميتي sum-product و min-sum لتحسين الأداء حسب الحالة. مقياس تكيّفي تلقائي لخوارزمية min-sum. تسجيل تطور نسب الاحتمال اللوغاريتمية (LLR) خلال عملية التفكيك، مما يُمكّن الباحثين من مراقبة تطور التفكيك بدقة. إضافة خوارزمية Generative Quantum Eigensolver (GQE) للتصميم الذكي للدوائر الكمية: يُقدّم الإصدار أول نسخة جاهزة من GQE ضمن مكتبة Solvers، وهو خوارزمية هجينة تعتمد على نماذج الذكاء الاصطناعي التوليدية (مثل النموذج الترانسفورمر) لتصميم دوائر كمية تُحسّن احتمال العثور على الحالات الذاتية، وخاصة الحالة الأساسية للهاملتوني. يُعدّ هذا بديلًا واعدًا لـ VQE، ويُعالج مشكلة "الهبوط البائد" (barren plateaus) من خلال نقل تصميم البرنامج الكمي إلى النموذج الكلاسيكي. يُعدّ إصدار CUDA-QX 0.4 إنجازًا مهمًا في تمكين الباحثين والمهندسين من بناء سير عمل كامل، من تصميم الدوائر إلى المحاكاة، وتصحيح الأخطاء، وتحليل النتائج، كل ذلك بسرعة عالية ومرونة عالية. يُمكن الاطلاع على التفاصيل الكاملة في مستودع GitHub، مع دعم تفاعلي للمطورين والباحثين لتقديم الملاحظات والمساهمة في التطوير المستمر.

أطلقت NVIDIA الإصدار 0.4 من منصة CUDA-QX، الذي يُعدّ خطوة مهمة في تسريع تطوير تصحيح الأخطاء الكمية (QEC) وتصميم الخوارزميات الكمية، عبر توفير أدوات متكاملة ومحسّنة لأبحاث الحوسبة الكمية. يركز الإصدار على تمكين الباحثين من بناء سير عمل كامل ومتوازٍ، بدءًا من تصميم دوائر كمية مع نماذج ضوضاء على مستوى الدائرة، وصولاً إلى تكوين مُفكّكات واقعية ونشرها على وحدات المعالجة الكمية الفعلية (QPU). أحد أبرز الميزات الجديدة هو القدرة على توليد نموذج كشف الأخطاء (DEM) تلقائيًا من دوائر تصحيح الأخطاء (QEC) ونماذج الضوضاء المحددة. يُعدّ DEM كائنًا موحدًا يمكن استخدامه في كلا المراحل: محاكاة إخراج الدائرة (circuit shots) وفك تشفير النتائج الناتجة، مما يقلل التكرار ويزيد من دقة النتائج. هذه الميزة مدعومة بالكامل في واجهة برمجة التطبيقات (API) لـ CUDA-Q QEC، خاصة في سياق الدوائر المخصصة للذاكرة. كما تم إدخال مُفكّك يعتمد على الشبكات التنسورية (Tensor Network Decoder)، وهو أول إصدار مفتوح المصدر يدعم هذا النوع من التفكيك بدقة عالية في بيئة Python (3.11 فما فوق). يتميز هذا المُفكّك بقدرته على حساب احتمال تغير الحالة المنطقية بدقة تامة (أو تقريبها بدقة عالية)، دون الحاجة إلى تدريب مسبق، ما يجعله معيارًا مثاليًا للمقارنة في الأبحاث. أظهرت النتائج تطابقًا دقيقًا مع أداء مُفكّك جوجل المفتوح المصدر، مع دعم مُسرّع بالرسومات (GPU)، مما يعزز من مصداقيته وموثوقيته. في مجال مُفكّك Belief Propagation + Ordered Statistics Decoding (BP+OSD)، تم تحسين الأداء عبر عدة ميزات: تتضمن إمكانية التحقق التكيفي من التقارب (adaptive convergence monitoring)، حيث يمكن ضبط تكرار الفحص حسب الحاجة لتقليل التكلفة الحسابية. كما تم إدخال "تقطيع الرسائل" (message clipping) لتحسين الاستقرار العددي، مع إمكانية تفعيله أو تعطيله حسب الحاجة. كما يُتيح للمستخدم اختيار بين خوارزميتي sum-product وmin-sum، مع دعم تكبير ديناميكي لخوارزمية min-sum لتحسين السرعة والدقة. أضف إلى ذلك، ميزة مراقبة النتائج عبر تسجيل تطور نسب الاحتمال اللوغاريتمية (LLR) خلال عملية التفكيك، مما يُسهّل تحليل الأداء وتحسين الخوارزميات. إلى جانب هذه التطورات في تصحيح الأخطاء، أُدخلت أيضًا ميزة جديدة في مكتبة "الحلّالات" (Solvers): خوارزمية "مُحلّل القيم الذاتية الكميّة التوليدية" (Generative Quantum Eigensolver - GQE)، وهي خوارزمية هجينة تعتمد على نماذج الذكاء الاصطناعي التوليدية (مثل نموذج الترانسفورمر) لتصميم دوائر كمية تلقائيًا. على عكس خوارزمية VQE التقليدية التي تعتمد على معلمات ثابتة، تُحوّل GQE عملية تصميم الدائرة إلى عملية تعلم في الجانب الكلاسيكي، ما يقلل من مشاكل التوقف (barren plateaus) ويعزز من فرص التقارب. يتم تشغيل GQE عبر مراحل متتالية: توليد دوائر افتراضية، تقييم أدائها على هاملتونيّات محددة، ثم تحديث النموذج التوليدي بناءً على النتائج. يُعتبر هذا النموذج مبتكرًا ويعكس اتجاهًا حديثًا في تصميم الخوارزميات الكمية. يُعدّ إصدار CUDA-QX 0.4 خطوة متقدمة نحو تسهيل تطوير الحوسبة الكمية الكبيرة، من خلال دمج أدوات متطورة وقابلة للتخصيص في بيئة مفتوحة المصدر، مع دعم مُسرّع بالـ GPU. يمكن الاطلاع على التفاصيل الكاملة في مستودع GitHub ووثائق API.