隨著量子計算機的擴展，它們將與 AI 超級計算機集成，以解決世界上一些最具挑戰性的問題。這些加速量子超級計算機將運行利用 CPU、GPU 和 QPU 功能的應用程序。
借助 NVIDIA CUDA-Q 平臺，用戶可以輕松執行研究和開發應用程序，這些應用程序可以在加速量子超級計算機上無縫運行，集成任何 qubit 模態，也可以在模擬中運行。CUDA-Q 目前用于在學術界和行業中開發各種應用，包括模擬更好的量子硬件、研究 error correction 等。
目前，對教育資源的需求與日俱增，可以教會學生如何在加速量子超級計算機中使用能夠支持此類混合環境的工具。NVIDIA CUDA-Q Academic 旨在將理論與實踐相結合，彌合這一差距，讓新一代量子計算 (QC) 專業人員做好準備，使用 CUDA-Q 處理加速量子超級計算機。
CUDA-Q Academic 是一個免費的交互式 Jupyter Notebook 集合，與眾多合作伙伴大學合作開發，并在真實課堂環境中進行測試。模塊化交互式課程包括視頻講解、練習和解決方案，可讓學生親身體驗 CUDA-Q 編程。
幫助塑造課程的科羅拉多大學計算機科學助理教授 Ramin Ayanzadeh 表示：“業界和學術界之間的合作對于推進量子計算和高性能計算教育至關重要。這些合作關系可確保學生接觸到最新的技術發展和實際應用，為他們應對混合量子-classical 系統中的現實挑戰做好準備。
哥本哈根大學 Neils Bohr 研究所與 NVIDIA 之間的兩項獨特合作凸顯了此類合作的價值和多樣性。該研究所將使用 CUDA-Q 作為主要平臺，利用 Gefion 等 AI 超級計算機，并圍繞量子系統的大規模模擬構建課程材料。與此同時，Professor Gemma Solomon 正在帶頭構建重點突出的 CUDA-Q 學術內容，以便向化學專業的學生介紹量子計算的原理。
本文概述了 CUDA-Q Academic，以及如何使用 CUDA-Q Academic 構建量子編程技能，這些技能在當今以及大規模加速量子超級計算機時代非常有用。
使用 CUDA-Q Academic 進行實用量子計算準備
CUDA-Q Academic 通過將高性能計算技能 (HPC) 與 QC 技能相結合，專注于實際量子計算的現實。向學生介紹混合量子-classical 工作流和用于大規模問題的 GPU 加速。正如卡內基梅隆大學的講師 Daniel Justice 所說，這種方法已經在課堂上產生了影響：“在卡內基梅隆大學教授了五年的量子計算之后，引入 CUDA-Q 是一種變革。我的學生第一次能夠使用由 GPU 加速模擬提供支持的交互式量子應用，使他們能夠處理許多 qubits 并解決我們課程中以前無法管理的問題規模。”
CUDA-Q Academic 為學生提供了多種渠道，以便他們根據自己的背景和興趣制定定制的學習計劃 (圖 1) 。這些單元從課本示例開始，然后直接從當前研究文獻中學習更先進的技術。
建議初學者從使用 CUDA-Q 軌道的量子計算快速入門開始，該課程可讓學習者在不到一天的時間內從 qubit 和量子 Hello World 程序的定義開始到在 GPU 上實現變分算法。這一主題為更高級的主題奠定了堅實的基礎，例如量子應用到金融模塊，該模塊包含由 CYCU 量子信息中心教授兼主任 Ching-Ray Chang 及其團隊進行的多分步量子行走的前沿研究。
匹茲堡大學計算機科學助理教授 Junyu Liu 表示：“通過 CUDA-Q 課程快速入門量子計算課程不僅為我的量子計算課程的學生提供了堅實的量子計算基礎，而且還幫助他們快速做好與最新量子算法研究進行交互的準備。
完成快速入門課程后，學生將準備學習任何其他 CUDA-Q 學術課程，包括量子糾錯和使用電路切割技術解決大規模優化問題。
CUDA-Q 學術模塊示例：QAOA for Max Cut
通過 Quantum Approximate Optimization Algorithm (QAOA) 實施“分而治之”的方法來解決 Max Cut 問題，為理解電路切割技術提供了一種引人入勝且直觀的方式。這是加速 GPU 上的量子電路模擬和跨多個 QPU 分配量子工作負載的眾多策略之一。
適用于 Max Cut 系列的 QAOA 演示了 CUDA-Q 學術模塊的布局。學生從 Notebook 0 開始，其中提供了準備學習環境的詳細說明，確保在 CoCalc 或 qBraid 等平臺上獲得無縫體驗。
接下來，學生繼續學習 Notebook 1，其中包含用于探索和實驗概念的交互式工具，從而增強他們對材料的理解和參與度。
然后，其他 notebook 為學生建立理論和編程基礎知識，以便他們準備自己的解決方案。
結合教授 HPC 和量子計算概念
CUDA-Q 學術模塊與其他量子教育內容的區別在于，它們采用透明的方法來應對量子算法實施中涉及的挑戰，以及 HPC 工具如何幫助克服這些挑戰。
例如，實際量子計算中的一個常見挑戰是qubits數量有限。無論是通過在現有量子計算機上執行，還是通過在GPUs上進行模擬，大多數感興趣的問題都需要比當前可用的qubits更多的qubits。
在 Max Cut 模塊的示例中，后續的 notebook 會教學員如何使用 Circuit Cutting 解決這一實際挑戰。Circuit Cutting 是一種將量子電路分解為更小電路的方法，每個電路所需的 qubits 可能比原始電路少 (圖 2) 。通常，較小的電路可以并行執行，然后再將其輸出與原始電路執行的近似值重新合并在一起。
探索電路切割等工作需要訪問 CUDA-Q 提供的混合資源。在 Max Cut 模塊的 Notebook 2 中，介紹了一種“分而治之”的方法，其中向學員展示如何利用 GPU 來模擬多個 QPU 協同工作以實現電路切割。
CUDA-Q 學術模塊還允許學生努力解決實施量子算法的實際問題。例如，在 Max Cut 模塊的 Notebook 3 中，學生有機會嘗試研究人員在實施 QAOA 和電路切割時面臨的許多設計決策。除了學習 QAOA 算法之外，學習者還可以在使用 Message Processing Interface (MPI) 在 GPU 上模擬大規模算法時獲得可遷移的 HPC 技能。
學生在整個單元中通過大量編碼練習和詳細的解決方案積極學習。完成這三個實驗室筆記本后，學生將面臨最終評估實驗室的挑戰。在最后一個實驗中，學員將運用所學知識來實現加權 Max Cut 問題。
完成 Max Cut 實驗室不僅引入了新的量子概念，還展示了如何將 HPC 與量子計算集成。它通過展示 GPU 在當今尖端技術中的作用，幫助學生了解高級應用，例如 QAOA-GPT 和 Adaptive Circuit Knitting。
量子計算入門比以往更容易
對于有興趣開發 HPC 和 QC 技能的學生和專業人士，您可以在 CUDA-Q Academic GitHub 存儲庫中獲取 Jupyter Notebook 以及入門說明。還可與 CoCalc 和 qBraid 等平臺無縫集成。
如果講師有興趣在您的課程中添加 CUDA-Q 材料，請查看 CUDA-Q 教學大綱示例。您還可以利用 CoCalc 中的學習管理和協作工具與您的學生分享 CUDA-Q 學術材料。
有興趣共同開發或試點測試 CUDA-Q 學術課程？訪問 NVIDIA Quantum 注冊以獲取更多信息。
