
摘要:量子线路模拟器是量子算法的「练习场」。量枢 QSim 通过性能优化、内存协同和跨硬件适配,让这座「练习场」无论在超算还是在家用电脑跑得更快、承接更大的任务,并为研究者提供更广的硬件选择。
摘要:量子线路模拟器是量子算法的「练习场」。量枢 QSim 通过性能优化、内存协同和跨硬件适配,让这座「练习场」无论在超算还是在家用电脑跑得更快、承接更大的任务,并为研究者提供更广的硬件选择。
量子算法走向真实硬件之前,往往需要先在模拟器中反复验证:用现有计算机推演量子程序,检查算法设计、比较参数方案、研究设备误差的影响。模拟速度、可处理规模和硬件选择,直接关系到研发迭代的效率。GPU(显卡)加速是提高模拟效率的重要手段,但随着线路规模扩大,完整量子态所需的数据量呈指数增长,迅速触及单张显卡的显存上限。如何同时提高执行效率、扩大模拟规模,并适应不同硬件,成为量子模拟走向实用的重要课题。
针对这些挑战,中科量枢研发了量枢 QSim 量子线路模拟器。它基于科研版模拟器,经进一步性能调优与工程化完善,形成面向科研和行业应用的商业版本,并将执行效率、可处理规模和跨硬件支持整合进同一套架构。高性能计算(HPC)平台的一组大规模随机线路测试显示,量枢 QSim 在六个规模中的五个取得参测方案的最短记录耗时;在 AMD GPU 的四个共同测试规模中,也全部取得最短记录耗时。
除了提速,量枢 QSim 还通过内存与显存协同扩大模拟规模:单 GPU 测试已完成 35 量子比特模拟,多卡、多机协作进一步拓展到 38 量子比特;家用显卡也能借助电脑内存承接超出显存容量的任务。其统一架构支持英伟达与 AMD 显卡,以及 Arm 与 x86 两类处理器,覆盖从家用设备到超算平台的多种计算资源。

图 1 概念插画 从家用显卡到超算集群,量子模拟软件把不同级别的计算资源转化为算法研发的「练习场」。
01
大规模模拟,跑出领先性能
模拟器的性能,最终要通过实际任务检验。随着量子线路规模扩大,软件能否充分发挥硬件的计算与存储能力,决定了任务的执行效率。
在相同硬件配置下的一组大规模线路测试中,量枢 QSim 在六个规模中的五个取得参测方案的最短记录耗时。以 35 量子比特任务为例,量枢 QSim 记录耗时 114 秒,业内领先模拟器为 200 秒,较后者减少约 43%。此时,完整状态数据已超过单张 GPU 的显存容量。

图 2 代表性任务的性能记录与跨平台结果。上半部分为同一硬件配置下 35 量子比特任务的执行记录,下半部分展示不同平台的测试表现。
团队还完成了跨硬件架构验证和家用显卡补充测试,进一步展示了这套架构在不同硬件上的性能与扩展能力。相关研究论文已提交 arXiv。
-
AMD GPU:在四款 GPU 模拟工具共同覆盖的四个测试规模中,量枢 QSim 均取得最短记录耗时,展现了同一架构在不同厂商 GPU 上的性能竞争力。
-
家用显卡:在 RTX 3070 的六个借助电脑内存执行的任务中,量枢 QSim 相对业内领先模拟器的记录加速比为 1.57—3.00 倍。
这些结果让跨硬件支持具备了实际的性能价值。研究者可以根据任务需求和现有条件,在家用显卡、工作站与超算之间选择计算资源,更高效地推进实验。
02
显存装不下的任务,也能用上 GPU 加速
量子模拟的规模,首先受制于存储容量。量子比特是量子计算处理信息的基本单位;在完整模拟中,每增加一个量子比特,需要保存的数据量就会翻倍。一旦完整数据超出显存容量,仅靠提高 GPU 的计算速度,也难以扩大模拟规模。
量枢 QSim 把电脑内存当作「大仓库」,把 GPU 显存当作「高速工作台」:完整数据保存在仓库中,每次只将当前需要的一批搬上工作台,连续完成多步计算后写回,再处理下一批。

图 3 原理示意 容量交给大仓库,计算交给高速工作台;让同一份显存空间反复服务更大的模拟任务。
关键是让每批数据进入显存后,尽可能多地完成计算,摊薄往返搬运的成本。量枢 QSim 通过统一安排数据搬运与运算顺序,让扩大容量后的任务继续发挥 GPU 的加速优势。
在单 GPU 测试中,量枢 QSim 已完成 35 量子比特的完整模拟,状态数据总量超过该 GPU 的显存容量。家用主机也验证了这一思路:8G 显存的 RTX 3070 借助电脑内存,完成了需要保存 32G 数据的量子程序模拟,数据量达到显存容量的 4 倍。
数据如何存放和调度,同样影响大任务的运行速度。论文对量枢 QSim 自身的两种执行方式进行了比较:在同一个 34 量子比特任务中,通过主动安排数据搬运和计算,记录耗时从 462 秒降至 50.3 秒,约加速 9.17 倍。
通过这种方式,已有内存可以转化为更大的模拟容量,减少部分任务单纯为存储数据而增加显卡的需求。对个人开发者和资源有限的团队而言,现有设备可以承接更多实验,研究范围也随之扩大。
03
把计算机数十年的积累,用到量子模拟
这些加速成绩背后,是一套同时规划计算方法、数据位置和设备分工的架构。量枢 QSim 先根据程序特点和结果要求选择适合的模拟方法;对于需要完整保存量子状态的任务,再优化每批数据的计算与流转。
矩阵乘法是科学计算与人工智能加速的重要基础,可以把它理解为对大批数字进行成组运算。围绕这类计算,产业界已积累了数十年的算法、软件库与芯片优化。量枢 QSim 将适合的量子运算转化为矩阵计算,再结合自身的执行策略,让量子模拟用上这些成熟的高性能工具。
-
第一,提前规划、连续执行。把后续计算安排成一组衔接的工序,让一批数据进入显存后连续用于多步运算,减少反复搬运。
-
第二,记住位置、延后整理。数据临时换位后,先记录新位置,让后续计算沿用当前的数据排列,等确有需要时再整理归位。
-
第三,就近处理、减少远程调取。多设备协作时,提前安排接下来要用的数据,让更多计算在本地完成。
数据少搬家,硬件多干活;把省下的等待,转化为更多有效计算。
团队还为电脑处理器(CPU)、Nvidia GPU 和 AMD GPU 分别开发、优化底层计算程序:上层共享任务组织方式,底层发挥各类硬件的长处,让跨平台适配与性能优化相互配合。
04
从科研级能力,
走向可以直接使用的云服务
量子模拟正在成为高性能计算的重要应用方向。2026 年 10 月,英伟达披露,在德国于利希超算中心的 JUPITER 超算上开展大规模量子计算模拟,研究未来量子计算机怎样更可靠地工作;于利希也公开介绍了利用处理器与 GPU 协同内存扩大模拟规模的工作。
这一方向的产业价值,在于将现有计算资源更充分地转化为量子研发能力。算法设计、程序调试、设备误差研究和软硬件协同验证,都依赖反复运行、比较和迭代。更快的模拟速度和更大的可处理规模,让团队能够在相同的时间与资源条件下探索更多方案。
源自中国科学院计算技术研究所科研积累的中科量枢,正围绕程序开发、运行、算法与应用构建配套软件。量枢 QSim 为这套体系提供底层执行能力:向下组织处理器、显卡、内存和集群资源,向上支撑算法研究、云端「虚拟量子处理器」与行业应用。
充分释放模拟器的性能,需要围绕具体硬件和任务进行细致调优。无论是单机单卡、单机多卡,还是多机多卡,计算安排、内存使用和设备协作都各有侧重,往往需要大量测试与反复调试。为了让用户更便捷地获得这些经过调优的模拟能力,量枢 QSim 计划于 2027 年第一季度通过量枢云提供完整的模拟器服务。用户提交程序后,由平台安排计算并返回结果,减少寻找硬件、搭建环境和反复调优的准备时间,更快开始实验与验证。
平台还可根据程序特点和结果要求,自动选择适合的模拟方法,提升云端「虚拟量子处理器」的运行效率。用户可以更便捷地调用不同计算能力,将精力集中在算法和问题本身。
量枢云已提供面向石油、电力、金融、材料等领域的开箱即用应用。随着高性能模拟能力接入,平台将进一步连接行业问题、量子算法和底层算力,帮助行业团队开展方法筛选与原型验证,为研究成果走向应用提供更便捷的入口。
通过量枢 QSim 与量枢云的衔接,中科量枢希望把模拟速度、任务规模和硬件适配上的进展,转化为更多团队可以直接使用的研发能力,让量子算法和行业应用探索更容易开始、更高效地迭代。
来源:互联网



