Quantum Elements将人工智能与数字孪生引入量子计算领域

人工智能正对各行各业的流程产生深远影响，不仅加快了工作进度，还降低了成本。数字孪生技术也未能置身于这一变革之外。麦肯锡咨询公司（McKinsey & Co）指出，为车辆路径规划、多设备生产调度等专业应用创建数字孪生模型，可能需要六个月甚至更长时间。而大型语言模型能够快速生成数字孪生相关代码，从而减少创建过程中所需的人力和时间成本。

这家全球咨询公司的分析师在谈及两者间日益紧密的共生关系时表示：“生成式人工智能（Gen AI）可对数字孪生的输入进行结构化处理并合成输出结果，而数字孪生能为生成式人工智能提供强大的测试与学习环境。通过融合这两项技术，企业有望实现协同效应，降低成本、加快部署速度，其创造的价值将远超单项技术单独应用所能带来的成果。”

他们还写道，人工智能甚至有望打造出 “通用型数字孪生解决方案 —— 一种基础性、通用性模型 —— 为不同数字孪生项目乃至不同行业的开发者提供设计便利和初始模板”。

Quantum Elements 是一家今年秋季才崭露头角的初创公司，得到了专注于资助和支持量子领域初创企业及创始人的 QNDL Participations 基金，以及南加州大学维特比工程学院（USC Viterbi School of Engineering）的支持。该公司正借助其 Constellation 平台，将人工智能与数字孪生技术相结合，旨在加快商用容错量子计算的落地进程。

核心平台功能与用户群体

该公司推出的原生人工智能量子开发平台，整合了人工智能智能体、自然语言交互功能以及 Quantum Elements 自主研发的仿真工具。企业可借助该平台生成代码，创建、运行并测试量子算法与应用程序。同时，企业还能利用该平台及其创始人所称的 “先进含噪量子比特模拟器”，构建量子系统的虚拟原型（即数字孪生模型）—— 这是缩短这项尚在发展阶段的技术的应用周期、降低应用成本的关键一步。

目标用户类型

• 算法开发者：可借助平台获取性能优化的量子线路，适配 IBM Quantum 的 Qiskit 等工具

• 纠错开发者：专注于逻辑量子比特的纠错技术研发

• 硬件所有者与运营商：能通过平台实现硬件校准与性能优化，适配 NVIDIA、AWS、QBLOX      QM、QUANTUM MACHINES 等设备

Quantum Elements 联合创始人兼首席执行官伊扎尔・梅达西（Izhar Medalsy）表示，迄今为止，还没有任何一款开发平台能满足量子计算的全部需求 —— 包括在理想条件下观测系统并理解其运行状态，以及生成海量数据以反映系统变化及其应用场景等。

“之所以不存在这样的平台，原因非常简单，” 梅达西向《The Next Platform》透露，“量子硬件稀缺且昂贵，还在不断迭代升级，同时存在多种技术模态，不同的芯片制造商和芯片代际…… 这些本身都是好事，是推动行业发展的必要条件。但滞后的是，我们缺乏对这些系统进行大规模虚拟化和仿真的能力。关键在于我们需要数字孪生技术，就像流体模拟器用于仿真飞机机翼的气流流动，或者 Cadence、Ansys、Synopsys 等工具用于仿真晶体管，从而实现对大型 GPU 和 CPU 的虚拟化，并预测下一代产品的性能那样，我们也需要用类似的方式看待量子系统。”

随着 IBM、微软、谷歌、亚马逊云科技（AWS）等众多大型厂商纷纷采取措施解决量子纠错和量子比特相关难题 —— 不仅包括提升系统可运行的量子比特数量，还致力于确保量子比特具备足够稳定性以完成实际工作 —— 同时越来越多专注于量子领域的纯玩家企业推进自身技术路线图，真正容错量子系统的预期落地时间表似乎正在缩短。

梅达西表示，仿真量子基础设施比仿真经典系统难度大得多。这主要源于量子比特的复杂性，以及技术模态的不断增多 —— 从超导量子比特、离子阱量子比特，到中性原子、光子和硅自旋量子比特，这些技术模态在相干时间（量子比特维持量子态的时长）、门保真度、连通性和可扩展性等方面都存在差异。

“经典系统与量子系统最大的区别在于，经典系统中，比特就是比特，0 就是 0，1 就是 1，” 这位首席执行官解释道，“你可以使用不同的编译器和操作系统，但最终它们发出的指令都是一致的。而在量子系统中，由于技术模态、系统架构和实现方式的不同，每个量子比特的运行特性都有所差异。我们在每个量子比特上实现计算的方式不同，所采用的脉冲也不同。”

这意味着，在量子系统上运行的任何程序，都需要能够识别量子比特所采用的技术模态及其带来的变化。考虑到原型系统的规模，它们还能通过表面码、QLD PC 等先进技术，解决量子纠错和误差抑制等问题。

“如果说经典系统中 0 就是 0、1 就是 1，那么在量子系统中，无论是校准、线路优化、误差抑制、纠错还是误差缓解，所有这些操作都必须具备硬件感知能力，” 他说，“如果量子硬件稀缺且不断变化，你就需要能够大规模预测、仿真和模拟这些组件，同时考虑到所有噪声以及其他影响其正常工作的因素，并利用这些数据训练人工智能模型 —— 这正是我们正在做的事情。”

核心优势：无需制造即可实现最佳系统性能

通过 Constellation 平台，企业可以为想要测试的量子系统硬件构建数字孪生模型，包括选择其将采用的技术模态。

随后，企业可以在这些仿真模型上运行应用程序和算法，了解其性能表现并进行相应调整。这其中包括对噪声的模拟 —— 热量、电磁场、声音或其他量子比特等环境干扰，都可能破坏量子比特脆弱的量子态，导致误差和退相干（信息丢失）。这种仿真测试无需构建物理量子原型，可将原本需要数月时间、数十万美元成本的工作缩短至几分钟内完成，大幅降低了测试的时间和资金成本。

平台性能亮点

• 实时学习量子计算机硬件和算法的故障并进行修复

• 实现 99% 的准确率（此前行业最佳水平仅为 70%）

• 生产力提升 20 倍，开发速度加快 100 倍

“你拥有一个物理系统，” 梅达西说，“当你连接到这个物理系统时，你可以收集定义该系统的所有指标。在量子领域，我们称之为‘衰减率’—— 即量子比特多久会停止正常工作。这决定了系统的工作时长，实际上也定义了支配系统运行的噪声模型。这是对物理系统的表征。我们收集了所有这些信息，现在为你提供包含我们构建的所有噪声模型的系统数字表征。”

Quantum Elements 的软件可以对数字孪生模型进行调整，确保软件运行更流畅、性能更优。梅达西以一项测试为例：量子比特间的串扰对用于分解整数质因数的肖尔算法（Shor’s algorithm）会产生何种影响。他说，问题在于量子比特之间会产生 “相互干扰”，当你对一个量子比特执行操作时，会影响到另一个量子比特，形成一种 “打地鼠式的难题”。Quantum Elements 想要做的，就是弄清这种干扰对算法的具体影响。

应用案例：量子比特串扰对肖尔算法性能的影响

如果没有仿真数字孪生模型，这项测试可能需要 4 到 6 个月时间，成本超过 10 万美元 —— 科学家需要制造组件、切割芯片、多次冷却设备，并处理量子比特间的串扰问题。

而借助 Quantum Elements 的平台，“你只需选择你感兴趣的平台 —— 在这个案例中是 IBM—— 以及你关注的量子处理单元（QPU）系列，” 梅达西说，“我们会为你提供一个可视化界面，这个数字界面允许你根据需求构建虚拟量子处理器。你可以选择量子比特、进行连接，并设置任意想要的连通方式。连接完成后，你可以控制所有参数，输入驱动虚拟量子比特的相关数值，选择想要的噪声模型，甚至可以控制串扰的强度。”

在这项测试中，Quantum Elements 实现了肖尔算法 99% 的准确率，该公司称这一结果创下了世界纪录。

技术落地成果

• 在 IBM 实际硬件上完成验证

• 针对 N=21 的整数分解任务，肖尔算法表现：

• Quantum Elements 优化线路（QE Circuit）：99% 准确率

• IBM 原生线路（IBM circuit）：性能低于优化线路

• 理想状态（Ideal）：理论最优值

这家成立仅两年的公司，其他联合创始人包括南加州大学量子信息科学与技术中心主任、首席科学家丹尼尔・利达尔（Daniel Lidar），以及哈佛大学教授、美国国家科学院院士阿米尔・亚科比（Amir Yacoby）。该公司不仅获得了雄厚的资金支持，还建立了一系列令人瞩目的合作关系，包括与 IBM、AWS、Quantum Machines、NVIDIA、Rigetti 等量子领域领军企业，以及南加州大学（USC）和加州大学洛杉矶分校（UCLA）的合作。

“在我看来，这项技术无疑是加速量子计算领域发展的关键赋能技术，” 梅达西表示，“想想其他行业的发展历程：如果没有飞行模拟器或流体动力学仿真工具，航空业能发展到今天吗？如果不能对布局和系统性能进行仿真，经典半导体设备行业能立足吗？如果无法为道路上行驶的汽车构建数字孪生模型并进行数据增强，人工智能和自动驾驶汽车能实现突破吗？数字孪生技术对量子计算来说同样是必需品。人工智能正成为量子计算领域缺失的关键要素。”