随着量子计算机的扩展，它们将与 AI 超级计算机集成，以解决世界上一些最具挑战性的问题。这些加速量子超级计算机将运行利用 CPU、GPU 和 QPU 功能的应用程序。
借助 NVIDIA CUDA-Q 平台，用户可以轻松执行研究和开发应用程序，这些应用程序可以在加速量子超级计算机上无缝运行，集成任何 qubit 模态，也可以在模拟中运行。CUDA-Q 目前用于在学术界和行业中开发各种应用，包括模拟更好的量子硬件、研究 error correction 等。
目前，对教育资源的需求与日俱增，可以教会学生如何在加速量子超级计算机中使用能够支持此类混合环境的工具。NVIDIA CUDA-Q Academic 旨在将理论与实践相结合，弥合这一差距，让新一代量子计算 (QC) 专业人员做好准备，使用 CUDA-Q 处理加速量子超级计算机。
CUDA-Q Academic 是一个免费的交互式 Jupyter Notebook 集合，与众多合作伙伴大学合作开发，并在真实课堂环境中进行测试。模块化交互式课程包括视频讲解、练习和解决方案，可让学生亲身体验 CUDA-Q 编程。
帮助塑造课程的科罗拉多大学计算机科学助理教授 Ramin Ayanzadeh 表示：“业界和学术界之间的合作对于推进量子计算和高性能计算教育至关重要。这些合作关系可确保学生接触到最新的技术发展和实际应用，为他们应对混合量子-classical 系统中的现实挑战做好准备。
哥本哈根大学 Neils Bohr 研究所与 NVIDIA 之间的两项独特合作凸显了此类合作的价值和多样性。该研究所将使用 CUDA-Q 作为主要平台，利用 Gefion 等 AI 超级计算机，并围绕量子系统的大规模模拟构建课程材料。与此同时，Professor Gemma Solomon 正在带头构建重点突出的 CUDA-Q 学术内容，以便向化学专业的学生介绍量子计算的原理。
本文概述了 CUDA-Q Academic，以及如何使用 CUDA-Q Academic 构建量子编程技能，这些技能在当今以及大规模加速量子超级计算机时代非常有用。
使用 CUDA-Q Academic 进行实用量子计算准备
CUDA-Q Academic 通过将高性能计算技能 (HPC) 与 QC 技能相结合，专注于实际量子计算的现实。向学生介绍混合量子-classical 工作流和用于大规模问题的 GPU 加速。正如卡内基梅隆大学的讲师 Daniel Justice 所说，这种方法已经在课堂上产生了影响：“在卡内基梅隆大学教授了五年的量子计算之后，引入 CUDA-Q 是一种变革。我的学生第一次能够使用由 GPU 加速模拟提供支持的交互式量子应用，使他们能够处理许多 qubits 并解决我们课程中以前无法管理的问题规模。”
CUDA-Q Academic 为学生提供了多种渠道，以便他们根据自己的背景和兴趣制定定制的学习计划 (图 1) 。这些单元从课本示例开始，然后直接从当前研究文献中学习更先进的技术。
建议初学者从使用 CUDA-Q 轨道的量子计算快速入门开始，该课程可让学习者在不到一天的时间内从 qubit 和量子 Hello World 程序的定义开始到在 GPU 上实现变分算法。这一主题为更高级的主题奠定了坚实的基础，例如量子应用到金融模块，该模块包含由 CYCU 量子信息中心教授兼主任 Ching-Ray Chang 及其团队进行的多分步量子行走的前沿研究。
匹兹堡大学计算机科学助理教授 Junyu Liu 表示：“通过 CUDA-Q 课程快速入门量子计算课程不仅为我的量子计算课程的学生提供了坚实的量子计算基础，而且还帮助他们快速做好与最新量子算法研究进行交互的准备。
完成快速入门课程后，学生将准备学习任何其他 CUDA-Q 学术课程，包括量子纠错和使用电路切割技术解决大规模优化问题。
CUDA-Q 学术模块示例：QAOA for Max Cut
通过 Quantum Approximate Optimization Algorithm (QAOA) 实施“分而治之”的方法来解决 Max Cut 问题，为理解电路切割技术提供了一种引人入胜且直观的方式。这是加速 GPU 上的量子电路模拟和跨多个 QPU 分配量子工作负载的众多策略之一。
适用于 Max Cut 系列的 QAOA 演示了 CUDA-Q 学术模块的布局。学生从 Notebook 0 开始，其中提供了准备学习环境的详细说明，确保在 CoCalc 或 qBraid 等平台上获得无缝体验。
接下来，学生继续学习 Notebook 1，其中包含用于探索和实验概念的交互式工具，从而增强他们对材料的理解和参与度。
然后，其他 notebook 为学生建立理论和编程基础知识，以便他们准备自己的解决方案。
结合教授 HPC 和量子计算概念
CUDA-Q 学术模块与其他量子教育内容的区别在于，它们采用透明的方法来应对量子算法实施中涉及的挑战，以及 HPC 工具如何帮助克服这些挑战。
例如，实际量子计算中的一个常见挑战是qubits数量有限。无论是通过在现有量子计算机上执行，还是通过在GPUs上进行模拟，大多数感兴趣的问题都需要比当前可用的qubits更多的qubits。
在 Max Cut 模块的示例中，后续的 notebook 会教学员如何使用 Circuit Cutting 解决这一实际挑战。Circuit Cutting 是一种将量子电路分解为更小电路的方法，每个电路所需的 qubits 可能比原始电路少 (图 2) 。通常，较小的电路可以并行执行，然后再将其输出与原始电路执行的近似值重新合并在一起。
探索电路切割等工作需要访问 CUDA-Q 提供的混合资源。在 Max Cut 模块的 Notebook 2 中，介绍了一种“分而治之”的方法，其中向学员展示如何利用 GPU 来模拟多个 QPU 协同工作以实现电路切割。
CUDA-Q 学术模块还允许学生努力解决实施量子算法的实际问题。例如，在 Max Cut 模块的 Notebook 3 中，学生有机会尝试研究人员在实施 QAOA 和电路切割时面临的许多设计决策。除了学习 QAOA 算法之外，学习者还可以在使用 Message Processing Interface (MPI) 在 GPU 上模拟大规模算法时获得可迁移的 HPC 技能。
学生在整个单元中通过大量编码练习和详细的解决方案积极学习。完成这三个实验室笔记本后，学生将面临最终评估实验室的挑战。在最后一个实验中，学员将运用所学知识来实现加权 Max Cut 问题。
完成 Max Cut 实验室不仅引入了新的量子概念，还展示了如何将 HPC 与量子计算集成。它通过展示 GPU 在当今尖端技术中的作用，帮助学生了解高级应用，例如 QAOA-GPT 和 Adaptive Circuit Knitting。
量子计算入门比以往更容易
对于有兴趣开发 HPC 和 QC 技能的学生和专业人士，您可以在 CUDA-Q Academic GitHub 存储库中获取 Jupyter Notebook 以及入门说明。还可与 CoCalc 和 qBraid 等平台无缝集成。
如果讲师有兴趣在您的课程中添加 CUDA-Q 材料，请查看 CUDA-Q 教学大纲示例。您还可以利用 CoCalc 中的学习管理和协作工具与您的学生分享 CUDA-Q 学术材料。
有兴趣共同开发或试点测试 CUDA-Q 学术课程？访问 NVIDIA Quantum 注册以获取更多信息。
