CUDA-QX 0.4 推动量子纠错与应用开发迈向高效新纪元

NVIDIA发布了CUDA-QX 0.4版本，进一步推动量子纠错（QEC）与量子算法开发的高效协同。该版本聚焦于构建端到端的加速工作流，支持从量子纠错码的设计、带噪声电路仿真，到解码器配置与物理量子处理器（QPU）部署的全流程自动化，全面提升研究效率。 新版本引入多项关键功能。首先，用户可直接从指定的量子纠错电路和噪声模型自动生成探测器错误模型（DEM），该模型在仿真采样与解码过程中统一使用，避免重复计算，显著提升流程一致性与效率。这一功能在存储电路场景中已全面集成至CUDA-Q QEC API。 其次，CUDA-QX 0.4首次提供基于张量网络的精确最大似然解码器，支持Python 3.11及以上版本。该解码器基于代码的Tanner图构建张量网络，通过精确收缩计算逻辑可观测量翻转的概率，具备理论准确性，无需训练且结果可复现。测试结果显示，其逻辑错误率（LER）与谷歌开源的GPU加速张量网络解码器保持一致，为研究提供了可靠的开源基准工具。 在BP+OSD解码器方面，版本进行了多项优化：支持自适应收敛监测，可调节检查频率以降低开销；引入消息裁剪（clip_value）机制，提升数值稳定性；提供sum-product与min-sum两种BP算法选择，并支持动态缩放优化min-sum性能；新增对对数似然比（LLR）历史记录的监控功能，便于调试与分析。 此外，CUDA-QX 0.4在求解器库中新增了生成式量子本征求解器（GQE）的开箱即用实现。GQE是一种融合生成式AI的新型混合算法，通过训练生成模型自动设计量子电路，以寻找哈密顿量的本征态（尤其是基态），可有效缓解传统变分量子本征求解器（VQE）面临的“平坦高原”问题。该实现基于Transformer架构，遵循最新研究论文，支持从模型初始化、电路生成、性能评估到模型更新的完整迭代流程。 CUDA-QX 0.4标志着量子纠错与算法开发工具链的重要进步，为科研人员提供了更高效、可扩展、可复现的开发环境。完整功能文档与代码可在GitHub上获取，支持持续贡献与反馈。