对部分人来说，量子计算可能听上去像是科幻小说，是几十年后的未来情景。
而事实上，研究人员每年都在构建数量更多、规模更庞大的量子系统。数十家量子组织已经在使用 NVIDIA cuQuantum 软件开发套件，在 GPU 上加速其量子电路模拟。最近，AWS 宣布在其 Braket 服务中提供 cuQuantum。它还在 Braket 上展示了 cuQuantum 如何在量子机器学习工作负载上实现高达 900 倍的加速。
cuQuantum 现已能够在主要的量子软件框架上实现加速计算，包括 Google 的 qsim、IBM 的 Qiskit Aer、Xanadu 的 PennyLane 和 Classiq 的 Quantum Algorithm Design 平台。这意味着这些框架的用户可以访问 GPU 加速，而无需再进行任何编码。
在量子驱动药物发现方面，Menten AI 开始使用 cuQuantum 来支持其量子工作，
这家湾区药物研发初创公司将使用 cuQuantum 的 Tensor 网络库来模拟蛋白质相互作用并优化新的药物分子。这样做旨在利用量子计算的潜力来加速药物设计，该领域与化学类似，是公认的率先受益于量子加速的领域。
具体而言，Menten AI 正在开发一套量子计算算法(包括量子机器学习)，以解决治疗设计中需要进行大量计算的问题。“虽然能够运行这些算法的量子计算硬件仍处于开发阶段，但 NVIDIA cuQuantum 等经典计算工具对于推进量子算法的开发至关重要。” Menten AI 的首席科学家 Alexey Galda 说。
如今，量子系统的发展是朝混合系统迈进：量子计算机和经典计算机协同工作。
研究人员都希望这些系统级量子处理器(即 QPU)成为功能强大的新型加速器。因此，摆在面前的一个重要任务就是将传统系统和量子系统桥接到混合量子计算机中。
这项任务包括两个主要部分。
首先，我们需要在 GPU 和 QPU 之间建立快速、低延迟的连接。这样一来，混合系统可使用 GPU 完成其擅长的传统作业，例如电路优化、校正和纠错。GPU 可以缩短这些步骤的执行时间，并大幅降低经典计算机和量子计算机之间的通信延迟，而这是当今混合量子作业面临的主要瓶颈。
其次，该行业需要一个统一的编程模型，其中包含高效易用的工具。我们在 HPC 和 AI 方面的经验使我们和用户了解到了固态软件栈的价值。为了高效地找到量子计算机加速工作的方法，科学家需要轻松地将其 HPC 应用的一部分先移植到模拟版 QPU，然后再移植到真正的 QPU。这个过程需要一个编译器，使科学家们能够以熟悉的方式高效工作。将 GPU 加速的模拟工具、编程模型和编译器工具链全部结合在一起后，HPC 研究人员就可以开始构建未来的混合量子数据中心。
