光量子计算与经典HPC的融合：ORCA Computing与Nvidia展示多GPU/QPU协同下的经典-量子混合算法实践

新计算技术的规模化普及需满足两大前提：一是融入多技术、多学科交织的异构工作流，二是实现全生命周期“价值＞成本”平衡（需覆盖数据中心改造、运维开销、人员培训、代码迁移等成本）。对于量子计算，“经典高性能计算（HPC）+量子”混合架构是关键路径——量子处理器（QPUs）作为专用加速器，与经典CPU/GPU协同，而光量子计算凭借“室温运行、低功耗、标准机柜适配”特性，成为连接实验室与工业级数据中心的核心桥梁。

ORCA Computing认为，光量子计算是当前唯一无需改造现有数据中心即可落地的量子模态，其在机器学习与优化领域的应用已具备实际价值。目前，ORCA Computing公司光量子计算已完成“架构设计-产品开发-集群部署-应用验证”的全流程，为HPC中心量子化升级提供可复用方案。

2025年8月，波兰波兹南超级计算与网络中心（PSNC）联合NVIDIA、ORCA Computing，在arXiv平台上发表了题为《Hybrid Classical-Quantum Supercomputing: A demonstration of a multi-user, multi-QPU and multi-GPU environment》的研究成果，该研究首次在HPC数据中心内，构建了支持多用户同时执行任务的混合经典-量子计算环境，并在该环境中验证了二进制玻色求解器（BBS）、量子神经架构搜索（QNAS）等混合算法，证明其在组合优化、机器学习任务中的实用性，为HPC中心集成量子资源提供了可落地的实证方案。

一、核心技术基础：光量子计算的硬件架构与产品特性

ORCA Computing光量子计算平台以“模块化、全连接、可重构”为设计核心，规避超导量子的低温依赖与离子阱量子的真空需求，其硬件链路与产品落地特性均围绕经典数据中心适配展开。

1.1 硬件架构：全链路核心组件

平台核心组件构成“光子生成-操控-检测-反馈”闭环，各模块支持随技术演进动态调整，ORCA在架构报告中明确其设计目标为“通过最少组件实现高效误差校正”：

- 激光（Laser）：为系统提供稳定光源，是单光子生成的基础；

- 单光子源（Single Photon Source）：可控分离高质量单光子，PT系列采用heralded single photon source设计，确保光子态纯度；

- 滤波器（Filter）：滤除杂散光子，避免干扰量子态操控；

- 处理器（Processor）：单光子网络核心，通过时间、频率、空间三维复用技术控制光子切换与干涉，PT-1具体采用“两个连续光纤延迟线”实现可编程耦合参数调节；

- 探测器（Detector）：检测光子在所有空间、时间、频率模态中的分布，支持光子数分辨；

- 电子控制（Electronic Control）：将检测事件传输至软件层，或向处理器反馈控制信号（支持feedforward操作）；

- 软件SDK（SW SDK）：运行量子算法，同时协调外部经典软件与计算资源，兼容PyTorch、CUDA等工具链。

1.2 PT系列产品：工业级落地载体

PT系列是ORCA面向混合计算场景的核心产品，其特性完全对标经典数据中心规范，解决量子设备‘部署难、运维贵’痛点：

- 物理与环境适配：19英寸标准机柜设计，室温运行、风冷散热，无特殊振动或电磁屏蔽需求，可与CPU/GPU机柜同室部署；OCP峰会中补充说明，PT系列无需“独立机房、坡道/电梯改造、特殊地板承重”，完全契合数据中心现有设施；

- 功耗与运维效率：单系统功耗＜5kW（PT-1平均功耗约600W），远低于超导量子设备；部署流程简化为“开箱-通电-联网”，调试时间不足2天，支持远程运维，年维护周期，无需常驻工程师；OCP峰会展示的“PT系列安装流程图”显示，从机柜到货至系统通电仅需2个工作日（Day 1开箱部署、Day 2调试移交）；

- 技术参数与扩展性：PT-1支持4个光子在8个光学模式（qumode）中干涉，模块采用“即插即用”设计，可随技术升级单光子源、探测器等组件；ORCA在架构报告中提及，PT系列未来目标是“通过模块化扩展，实现1000逻辑qubit容错系统，仅需数十个标准机柜”；

- 基础调度能力：内置FIFO队列处理量子任务，通过REST API实现任务提交、结果获取与系统状态监控，为后续与经典HPC调度系统整合奠定基础。

二、软件与工作负载管理：经典-量子协同的核心支撑

混合计算的软件生态以“降低开发门槛、兼容经典HPC工具”为目标，ORCA强调“软件适配是量子落地的关键”，最终构建“编程框架+调度系统”双层架构。

2.1 核心编程框架：NVIDIA CUDA-Q

CUDA-Q是连接经典与量子资源的统一接口，ORCA联合NVIDIA对其进行深度适配：

- 多模态与硬件兼容：原生支持光量子处理器，开发者通过 cudaq.set_target("orca") 即可调用PT系列；同时支持量子处理器模拟功能，可先在经典环境调试算法再迁移至实机，仅需3-5行核心代码即可完成光子量子任务定义；

- 多语言与生态整合：支持Python/C++双语言开发，深度兼容PyTorch等开源机器学习工具；ORCA基于CUDA-Q开发了高层接口“PTLayer”，封装优化、量子神经网络等场景的核心逻辑，降低开发者技术门槛；

- 多QPU并行能力：通过 cudaq.orca.sample_async 接口实现异步采样，支持多QPU分布式计算，典型代码逻辑为：调用多QPU地址→定义光子输入状态/延迟线长度/光束分束器角度→异步提交任务→汇总结果，实证研究中通过该逻辑实现2台PT-1并行计算。

2.2 工作负载调度：Slurm的异构资源扩展

基于Slurm实现CPU、GPU、QPU的协同分配，这一方案在实证研究与架构报告中均有验证，核心逻辑为“将量子资源纳入经典HPC调度体系”：

- 资源管理机制：将QPU视为“虚拟许可证”，通过Slurm的许可证管理模块实现QPU与CPU/GPU的同步分配；实证研究中开发的Slurm“量子资源插件”，可支持10+用户同时提交混合任务，任务间无干扰；

- 耦合模式优化：采用“系统级松耦合+应用级紧耦合”——系统层面，Slurm负责全局资源调度，避免单一任务独占量子资源；应用层面，CUDA-Q实现经典与量子资源的实时数据交互，延迟控制在毫秒级；

- 用户体验兼容：适配HPC中心现有调度门户（如PSNC的QCG PORTAL），用户提交混合任务时仅需在脚本中新增“QPU资源申请”参数（如 #SBATCH --qpu=1 ），流程与经典任务完全一致，无需用户学习新工具链。

三、实际部署案例：从生产级集群到量子测试台

ORCA光量子计算平台已在HPC中心完成部署，覆盖“多用户”与“技术测试”两类核心需求。

3.1 波兰PSNC：多用户混合量子-经典集群

PSNC是欧洲Tier-1 HPC中心，ORCA与其联合部署的“2台PT-1+GPU集群”混合系统，是全球首个支持多用户、多QPU、多GPU的生产级环境，实证研究与架构报告均对其进行重点阐述：

- 资源配置：

- 经典HPC资源：ALTAIR系统（9个节点，每节点8×NVIDIA V100 GPU，32GB/卡）、PROXIMA系统（87个节点，每节点4×NVIDIA H100-94 SXM5 GPU，94GB HBM2e/卡），分别支撑基础AI任务与大规模模型训练；

- 量子资源：2台PT-1，1台部署于PSNC数据中心机房（与GPU集群同室），1台部署于同楼宇光学实验室，通过以太网接入核心网络，延迟控制在5ms以内。

- 核心项目任务与成果：

1. 硬件与软件栈整合：将PT-1接入PSNC的Slurm调度系统与QRO（量子资源管理模块），实证研究验证该整合支持“多用户并行提交混合任务”；

2. CUDA-Q升级：新增“光量子电路描述模块”，解决传统框架仅适配qubit模态的问题，该升级后“CUDA-Q可原生识别qumode、延迟线等光子参数”；

3. 生物医学成像应用验证：运行“量子特征提取+经典GPU图像重建”任务，效率比纯经典方案提升15%，该应用验证了多QPU并行处理图像数据的可行性；

4. 新型算法开发：研发“AI for Quantum”与“Quantum for AI”两类算法——前者通过GPU模型优化PT-1光子生成效率（提升20%），后者通过PT-1增强GPU模型泛化能力，实证研究对两类算法的代码框架进行了开源。

3.2 英国NQCC：多光子源量子测试台

ORCA为英国国家量子计算中心（NQCC）开发的“多光子源量子测试台”，是全球首个整合多种光子生成技术的研发平台，其定位为探索光子量子计算规模化路径：

- 硬件配置：集成3类光子源（量子点、压缩态、多频率模态），搭配8×NVIDIA A100 GPU集群，所有设备整合于标准机柜；

- 核心功能：为学术界与工业界提供光子量子算法研发平台，支持不同光子源的对比测试与协同工作；GPU集群用于混合量子-经典应用开发，所有量子与经典硬件同柜部署，降低通信延迟至亚毫秒级；

- 技术亮点：通过CUDA-Q实现多光子源统一调度，开发者可在同一算法中切换不同光子源，无需修改核心代码，为后续“多模态量子集成”提供技术储备。

四、应用验证：混合算法的实践成果

基于混合架构，光量子计算已在优化、机器学习领域验证实际价值。

4.1 优化算法：二进制玻色求解器（BBS）

针对Max-Cut、作业车间调度等组合优化问题，BBS算法通过PT-1生成光子采样结果作为候选解，结合经典反馈 loop 迭代优化，实证研究中采用“分块技术”将大问题拆分为子问题并行处理：

- 核心逻辑：将优化问题“解空间”映射为PT-1的“光子干涉模式”，每类干涉结果对应一个候选解；通过多QPU并行生成样本，GPU整合子解并反馈优化方向；

- 实验结论：成功解决含30个变量的问题实例，2台QPU处理耗时较单QPU显著降低，解质量优于经典模拟退火算法；ORCA在OCP峰会中补充，BBS算法“尤其适合经典计算难以突破的局部最优问题”。

4.2 量子机器学习（QML）

4.2.1 量子变分层嵌入经典神经网络

将PT-1作为变分层嵌入经典神经网络，量子层负责特征提取，经典层（GPU）负责分类，实证研究与OCP峰会均提及该架构的优势：

- 实验设计：在分类与表示学习任务中测试混合架构，量子层输出映射为经典特征向量，与GPU经典层协同训练；

- 核心结论：混合模型“未持续超越纯经典基准精度，但训练稳定性显著提升”，适用于噪声较高的数据场景；该架构在“小样本生命科学数据”上的训练波动比纯经典模型降低40%。

4.2.2 量子神经架构搜索（QNAS）

将PT-1参数映射为GPU神经网络架构，通过进化算法迭代优化，实证研究详细记录了该实验的设计与结果：

- 实验场景：在UNSW-NB15网络安全数据集（49万条数据）与Iris数据集上验证，采用10个架构组成的集成，2台QPU各进化5个架构；

- 核心结论：进化出的架构在精度上优于初始配置与默认配置，且实现“资源高效”——通过分布式经典-量子系统并行优化，架构搜索效率显著提升；ORCA指出，该算法“为自主发现高性能神经网络架构提供了新路径”。

4.3 其他潜力应用

ORCA在还提及多个适配混合环境的应用方向：

- 混合量子GAN：用量子潜在空间替代经典GAN的潜在空间，无需随数据集规模扩展量子处理器，OCP峰会中强调其“在生物医学成像、化学分子生成中具备优势”；

- 光子量子储备池计算：利用光子干涉实现“储备池”功能，GPU负责输出层训练，适合大规模图像分类任务；

- 量子增强SVM：通过PT-1加速SVM核函数计算，适用于基因测序等高维数据，该应用训练时间可降至经典方案的1/3。

五、挑战与未来方向

5.1 当前核心挑战

- 延迟瓶颈：经典与量子资源往返延迟约50ms，无法满足量子误差校正等紧耦合算法需求（需亚毫秒级）；

- 调度策略单一：现有Slurm仅支持“公平共享”调度，未考虑量子任务优先级差异，可能导致资源浪费；

- 算法规模受限：PT-1的4光子8qumode配置无法覆盖工业级大规模问题；

- 基准测试缺失：缺乏混合系统专用基准套件，难以客观对比不同量子模态优势。

5.2 未来技术路径

1. 硬件层面：研发“经典控制-量子处理器物理集成”方案降低延迟，推出支持10+光子、32+qumode的PT-2系列；探索“多模态量子集成”，实现光子与超导、离子阱QPU协同，目标是构建1000逻辑qubit容错系统，仅需数十个室温机柜；

2. 软件层面：为Slurm开发“量子任务优先级调度插件”，支持紧急任务抢占；扩展CUDA-Q多模态协同功能，构建混合算法开源库；

3. 算法层面：研发“量子-经典分块算法”突破规模限制，聚焦药物发现、流体力学等HPC核心场景；

4. 标准层面：联合PSNC、NQCC发布“混合量子-HPC基准测试套件（Q-HPC Bench）”，制定光子量子硬件接口规范，确保不同厂商设备兼容现有HPC生态。

六、总结

ORCA Computing的光量子计算凭借“室温运行、低功耗、标准机柜适配”的天然优势，成为当前最易融入经典HPC生态的量子模态。从PSNC的多用户多GPU多QPU实践已证明：无需大规模改造现有基础设施，光子量子平台即可为HPC中心提供实际价值——优化任务解质量提升、机器学习稳定性增强、多用户场景低门槛适配。