提升量子算法成功率!IBM与Q-CTRL联合研发

(图片来源:网络)

近期,澳大利亚量子技术公司Q-CTRL表示正在与IBM合作,以提高Q-CTRL量子计算平台的性能和效率。

Q-CTRL表示,其Q-CTRL Embedded软件现已作为IBM“按需付费”计划中的一环,此次合作代表第三方独立软件供应商的技术解决方案首次可供IBM的用户在其“按需付费”流程中进行选择

两家公司共同表示,通过此次合作,它们为用户提供了更多的实用功能,这将有助于解决量子计算领域面临的主要挑战之一——量子算法的不可靠性问题。

Q-CTRL认为,操作量子计算机并不容易。用户需要具备深厚的专业知识,包括熟练掌握算法、编译器、量子错误抑制和缓解等方面的技能。若没有这些专业知识的储备,将难以从任何一台量子计算机中获得可靠的结果。

而这就是Q-CTRL可以提供帮助的地方,该公司在今年1月获得B+轮融资2740万美元(折合人民币2亿元)。该公司已经开发了专业软件,通过为其提供稳定的“量子比特”来帮助解决量子不可靠问题。

但现有量子计算机都非常脆弱。

例如,为了保持IBM量子计算机中量子比特的稳定性,必须将其放置在接近绝对零度的超低温稀释制冷机中。然而,即使在这样的低温下,它的系统运行时间仍然相对较短,随后计算便开始出现错误。而借助Q-CTRL软件的支撑,用户可以维持这些量子比特的稳定性。

Q-CTRL Embedded软件的工作原理是在一个光滑的仪表板上可视化量子比特从而处理错误,同时深入了解导致这些错误的原因。利用这一工具,工程师们可以重新编程,以纠正错误。

Q-CTRL表示,通过这种方式,它的软件可以使量子计算机更加可靠。在此次演示中,该软件可以将量子算法的性能提高25倍。

Q-CTRL Embedded软件的第二个优势在于可应用量子传感技术。量子传感是利用量子力学原理来实现超高灵敏度的传感技术,其优势在于其超高的灵敏度和精确度。通过利用量子叠加态和量子纠缠等现象,量子传感可以实现对微小能量、力量、磁场、光强、温度等物理和化学量的测量。

该技术基于捕获的原子,具备广泛的应用潜力,如精确勘测地下水源、实时监测天气状况,以及无需全球定位系统即可在地球上的任何地方进行导航。

但是,量子传感与标准量子计算一样容易出错。而Q-CTRL公司的软件有助于解决这一问题,进而可以提升该技术的应用准确性和可信度。

IBM公司表示,它们决定将Q-CTRL的软件与量子计算服务一起使用,这是对该软件有效性的一个重要验证,同时它们还将致力于帮助用户将有效的量子计算技术整合到工作流程中。

IBM“按需付费”服务的用户现在可以通过Qiskit环境使用单一命令运行Q-CTRL的软件,无需支付额外费用。

Q-CTRL创始人兼首席执行官Michael Biercuk表示,该公司自2018年成立以来,一直在开发和微调其量子控制软件。他说:“IBM的量子计算平台是这家公司展示其软件有效性的理想平台,这次合作将极大地提高实用量子算法的成功率。”

当IBM的用户激活Q-CTRL的软件时,它将在后台触发一个完全配置的自主工具链,从而自动抑制量子错误。根据同行评议研究,该初创公司声称,与其他减少错误的策略相比,该量子算法将可运行的复杂性提高了10倍,成本降低至1/100,这一成果的实现得益于减少了抑制错误所需的实验“射击”次数。此外,该软件还显著提高了量子算法的整体成功率,增长幅度高达1000倍。

(图片来源:网络)

美国投资公司Constellation Research分析师Holger Mueller表示,IBM与Q-CTRL的此次合作表明,新兴的量子计算市场正在日益成熟,IBM等关键供应商在其量子堆栈中引入了关键层。

IBM表示,Q-CTRL软件的集成将使其能加速实现量子优势,即量子计算机超过当今最强大的超级计算机的能力。

IBM研究员兼副总裁Jay Gambetta则表示,公司的目标是让用户能够运行在经典计算机上无法运行的有价值的量子工作负载。他进一步解释称:“其中一个核心要求是减少噪声,而Q-CTRL的管理软件提供的噪声抑制能助力探索更有用的量子电路。”

编译:琳梦/卉可

编辑:慕一

特此说明:量子前哨翻译此文仅作信息传递和参考,并不意味着同意此文中的观点与数据。

欢迎添加我们的微信,加入量子前哨粉丝群

与大家一起探讨交流量子领域动态↓↓↓~~

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性系统可靠性。此外,文章指出BEV模型落地面临大算力依赖高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值