英特尔量子计算之道:质量先行,规模在后
唯一致力于硅量子比特的公司
金磊 发自 美国圣何塞
量子位 | 公众号 QbitAI
“关键在于质量,而不是数量。”
这就是芯片巨头英特尔研究院院长Rich Uhlig,在Innovation 2023中对于量子计算给出的最新观点。
在“数量”上,从目前量子计算整体产业发展来看,英特尔确实并不占优势,毕竟目前许多系统的量子比特数量大约在几十到几百个之间。
而在这次大会中CEO基辛格展示的Tunnel Falls量子处理器(今年6月份已发布),其拥有的量子比特数量仅为12。
虽然数量上的现状如此,但英特尔能够说出刚才那句话也是有底气在的。
因为它在量子计算上的路数还真是有点“不走寻常”的感觉,用首席技术官Greg Lavender的话来说就是:
我们是唯一一家致力于硅量子比特的公司,我们不仅使用了熟悉的工艺和材料,还进行了创新性的调整,以创造出领先的量子比特。
据了解,这是一种采用了更接近传统微处理器制造的技术,可以利用硅芯片中的电子来记录量子比特的状态。
基辛格在现场所展示的,便是采用这种技术,镶嵌了Tunnel Falls处理器的300毫米硅晶圆,总共容纳了24000个量子比特。
不仅如此,在与Rich Uhlig的交流过程中,他还透露英特尔在量子计算上正在开展另一个技术:
我们构建了一个可以在非常低温下运行的量子控制芯片,被称为“Horse Ridge”。
它可以在低温环境下实现对量子系统的有效控制,并操纵和读取量子位状态,控制多个量子位纠缠所需的多个量子门。
我们认为这将是实现量子计算规模化的关键因素,使量子比特在未来能够进一步扩展。
质量先行,规模在后
那么接踵而至的一个问题便是,英特尔如此的路数,在量子计算领域能否实现弯道超车?
其实,若是用“以史为鉴”的方式来看待这个问题,答案便可一目了然。
英特尔许多探索性的未来技术都来自成立于1989年的英特尔研究院,由现任CEO基辛格一手操办。
现如今,英特尔的探索逻辑已经形成了“发现”(Seek)、“解决”(Solve)和“推广”(Scale)这样一种模式。
对于“发现”的理解,是不局限于英特尔内部、与大学等合作伙伴建立丰富的关系网络;不只是资助研究,更是让英特尔的研究人员与他们的合作者共同参与研究、一起发表论文等。是一种互相学习的过程。
此外,英特尔还和其它研究机构展开合作,积极地“走出”英特尔,去开拓视野。
在解决英特尔认为值得解决的问题时,研究院倾向于采取跨学科方法,涵盖从集成电路衍生的各种领域。正如Uhlig所述:
我们有集成电路研究员,有为未来CPU、GPU和加速器做微型架构的研究员,也有负责系统软件研究、编程系统和编译器的研究员。
我们研究工作负载,比如AI工作负载是大家都在关注的领域,但这不是唯一,还有很多其它新兴的工作负载,我们都在紧跟前沿。
在所有这些研究当中,我们会建立技术原型,采用系统视角,做硬件和软件。我们尽量把概念向前推进,这样我们就有信心,当这些概念进入规模化阶段时能够走向成功。
我们不是象牙塔,我们分布在全球各地,与业务部门和产品团队毗邻而坐。从项目开始初期直到项目结束,都是共同协作完成,就问题陈述、方法和需要交付的内容等问题达成一致。这也是我们最终能够成功将研究项目转化为产品的关键所在。
并且Uhlig还强调,当研究院准备好扩大规模时,会借助英特尔的力量、强大的执行能力来扩大他们的产品规模,使其达到数千万,甚至数亿的规模。
研究院与生态系统协作,特别是在开源领域英特尔一直非常活跃。这就是英特尔规模化的一种方式。
如此模式之下,英特尔研究院在数十年时间里已经“解锁”了诸多被大众所熟知的技术,如Thunderbolt、USB等等。
以Thunderbolt为例,它是将I/O整合到一个连接器上,当时研究院的笔记本电脑上充斥着各种不同类型的连接器,所以当时他们就突发了一个想法,能否通过单一接口将它们整合在一起?
英特尔研究院花了几年时间才做到这一点,而现在它已经无处不在。
还有英特尔虚拟化技术(Intel Virtualization Technology),这也是Uhlig在实验室的第一个项目,在 2008 年最终成为产品之前,他们花了大约 10 年时间对此进行研究,而现如今,在数据中心随处可见它的身影。
硅光子学(silicon photonics)是另一个长达十年的故事,构建了从硅基激光器、调制器、光放大器到感光元件的所有基本要素,同样证明了英特尔可以低成本地实现硅光子,这也成为英特尔相关业务的基础。
总体来看,用“十年磨一剑”来形容英特尔研究院的研发模式是再恰当不过。
因此,在量子计算这条路上,是值得期待一波了。
参考链接:
https://www.cnet.com/tech/computing/intel-plans-a-quantum-computing-approach-to-leapfrog-rivals/
- Bengio精简了传统RNN,性能可与Transformer媲美2024-10-04
- OpenAI重磅发布Canvas:跟ChatGPT一起写作编程2024-10-04
- AI手机与AIPC要安全,为什么离不开这款服务器CPU?2024-09-30
- 纯国产万卡集群炼出万亿参数大模型,被这家央企率先做到了!2024-10-01