英伟达于 2026 年 9 月扩展开源 CUDA-Q 平台、推出 CUDA-Q Logical，面向容错量子计算实现从逻辑程序到物理调度与实时控制的可验证编译流程。该工具与 QUOPS 基准及多个合作方案例一起，旨在统一资源估算、加速架构评估并推动量子—GPU 协同，但相关结果仍处于早期研究阶段。
英伟达于 2026 年 9 月 14 日宣布扩展开源 CUDA-Q 平台，推出 CUDA-Q Logical。这一新增的软件层面向容错量子计算，用于把量子算法、量子纠错码、硬件架构、物理资源调度以及实时经典控制连接到同一套可编程、可验证的工作流中。
与传统量子软件主要围绕物理量子比特数量、门保真度或相干时间展开不同，CUDA-Q Logical 的重点是逻辑量子比特时代的系统协同设计。英伟达表示，相关工具已经通过 GitHub 提供，Sandia National Laboratories 开发的 QUOPS 参考实现也已公开。
从物理量子比特走向逻辑量子比特
容错量子计算的基本目标，是通过量子纠错降低物理硬件中的噪声和错误，使系统能够运行更长、更复杂的量子程序。物理量子比特是实际存在于处理器中的硬件单元，而逻辑量子比特通常需要由多个物理量子比特编码而成，因此二者不能简单按数量等同。
在这一过程中，算法、纠错码、解码器、执行模型和硬件架构之间存在相互影响。算法或纠错码的变化，可能改变所需的物理量子比特数量、运行时间、控制资源和实时反馈要求。英伟达称，过去这些环节往往依赖不同工具和人工转换，导致资源估算与编译器产物脱节，也使研究人员难以判断成本变化究竟来自哪一项设计选择。
英伟达研究团队在 CUDA-Q Logical 论文 中，将其描述为一种可扩展的容错量子编译基础设施。论文介绍的流程会把与具体硬件无关的逻辑程序，逐步降低为逻辑虚拟机、量子纠错微码、物理门调度以及实时控制计划，同时保留不同层级之间的语义、资源约束和来源信息。
这意味着，资源估算不再只是脱离编译流程的理论数字，而是可以直接从编译器生成的调度和控制产物中推导出来。论文称，这种方式有助于进行跨架构比较，并追踪具体设计选择对成本和性能的影响。不过，该论文于 9 月 11 日以预印本形式提交，相关结果仍属于研究阶段，尚不能等同于已经在大规模容错量子计算机上完成的独立验证。
Fermilab 报告开发周期缩短
英伟达新闻稿援引费米国家加速器实验室（Fermilab）的早期工作称，研究人员使用 CUDA-Q Logical 对不同量子纠错方案和硬件配置进行了评估，将原本通常约需五个月的容错架构开发流程缩短至三周，约为 7 倍的开发速度提升。
Fermilab 首席技术官、超导量子材料与系统中心主任 Anna Grassellino 表示，研究团队借此在三周内探索了多种算法、纠错和硬件资源组合，而过去通常需要先建立专用基础设施，再开展类似工作。
这一数字需要保留适用范围。它来自合作方对早期项目的披露，描述的是一项特定研究流程的开发周期，并不意味着所有容错量子计算任务都能获得相同幅度的加速。实际效果仍会取决于工作负载、硬件模型、纠错码、软件成熟度和研究人员原有工具链。
Iceberg Quantum 的硬件需求估算
公告还提到，Iceberg Quantum 使用 CUDA-Q Logical 对 Diraq 的量子比特架构进行了建模。其早期估算显示，构建 1,000 个逻辑量子比特可能需要约 150,000 个物理量子比特，约为 Diraq 先前估算的十分之一。
这项结果说明，新的编译和建模工具可能帮助研究团队更快比较不同架构的资源需求。但它并不是容错量子计算的通用换算比例。物理量子比特与逻辑量子比特之间的关系，会受到量子比特类型、纠错码、错误率、连通性、解码器和执行目标等多项因素影响。英伟达公告中的数字应理解为特定架构模型下的早期结果，而非整个行业的统一结论。
QUOPS 试图改变量子计算的衡量方式
CUDA-Q Logical 的另一项配套内容，是把 Sandia National Laboratories 开发的 QUOPS 纳入 CUDA-Q。QUOPS 的全称为 Quantum Universal Operation Performance System，目标是提供一种跨平台、与硬件类型无关的基准，用来衡量量子计算系统距离实用规模应用还有多远。
相关预印本《Benchmarking the computational power of quantum computers》于 2026 年 9 月 10 日提交。论文将 QUOPS 应用于 Quantinuum、Google 和 IBM 的处理器，试图直接测量量子设备能够成功执行的、具有计算意义的电路规模及其执行速度。论文还指出，若要达到代表实用量子计算的挑战问题所需的能力，现有系统仍需跨越数个数量级的增长空间。
这种衡量方式把注意力从“有多少个物理量子比特”转向“系统能够稳定完成多大规模、具有什么实际意义的计算”。但 QUOPS 仍是正在形成的基准体系，早期测量、问题选择和跨平台比较方法需要经过更多实验和社区讨论。
英伟达正在把 CUDA-Q 放入更大的量子—GPU体系
CUDA-Q Logical 并不是英伟达量子计算布局中的孤立产品。英伟达同时在推动 NVQLink，用于把量子处理器与 GPU 超级计算机连接起来；Diraq 也使用英伟达 Ising 模型校准其硅基量子比特处理器。英伟达称，Anyon Computing、Quandela 和 Quantum Machines 等公司正在探索量子处理器与 GPU 系统的集成。
这显示出英伟达试图占据的不只是量子程序开发工具位置，而是从编译、资源估算、纠错建模到量子—经典协同计算的基础软件层。它与 AI 计算生态中的 CUDA 路线有相似之处：通过开放接口和开发工具，把不同硬件厂商、研究机构和应用开发者纳入同一套软件环境。
不过，容错量子计算目前仍处于从实验性演示走向系统工程的阶段。CUDA-Q Logical 可以帮助研究人员更快地表达和比较方案，却不能替代真实量子处理器上的纠错性能、控制延迟、解码可靠性和长期稳定性测试。未来更值得观察的是，这套工具能否在不同量子比特架构之间保持可复现的资源估算，并能否被独立研究团队用于验证公告中的加速和硬件需求结论。
CUDA-Q Logical：GitHub；QUOPS 参考实现：Sandia Labs GitHub。在更广泛的量子研究背景下，AIFluxNews此前也报道过GPT‑5.6 Sol 如何帮助运行量子计算实验，另有Google 的 REPLIQA 量子 AI 与生命科学项目作为量子计算面向科学应用的背景案例。
主要来源：