PivotQ

PivotQ 是面向科学计算的量超智融合系统，将 CPU、GPU 与 QPU 上的计算步骤连接起来，提供程序编写、任务执行、性能预测和结果查看的入口。

用户定义计算组件、目标硬件及数据依赖，PivotQ 按照声明协调各组件执行。

经典计算与量子计算

经典计算以比特表示信息，通过确定的指令和算法处理数据。CPU 擅长流程控制、逻辑判断和通用数值计算；GPU 则通过大量并行计算单元，高效处理矩阵运算、模型训练与推理等任务。由 CPU、GPU 及高速互联组成的计算集群，是现代科学计算与人工智能的重要基础。
在科学应用中，经典计算承担数据准备、模型计算、参数优化和结果分析等工作。例如，在分子动力学中，需要根据原子受力更新位置与速度，并持续记录分子的运动轨迹。这些计算也为量子计算提供输入，并处理其返回的结果。

量子计算以量子比特为基本信息单元，利用叠加、纠缠和干涉等量子特性处理信息。开发者通过量子门构造电路，由 QPU 执行量子态的制备与演化，最后通过测量得到经典数据。在许多量子算法中，需要重复执行电路，根据测量统计估计概率或物理观测量。
量子计算为量子系统模拟、量子特征提取等任务提供了新的计算方法，其作用取决于具体算法和问题。实际应用通常还需要经典计算准备电路参数、分析测量结果，并决定下一轮计算。因此，量子计算与经典计算之间往往存在持续的数据交换和迭代。

在量子-经典混合应用中，一个完整任务通常包含数据准备、量子电路执行、经典模型计算和参数更新等环节。这些环节可能需要反复迭代，并分别运行在 CPU、GPU 和 QPU 上。开发者除了实现各部分算法，还需要协调不同设备之间的任务执行与数据交换。

这类应用主要有以下需求：

清晰表达计算步骤与依赖：明确每一步接收什么输入、产生什么输出，以及哪些步骤可以并行、哪些必须等待前序结果。例如，经典模型需要取得量子特征后，才能继续预测能量。
协调不同硬件上的计算：CPU、GPU 和 QPU 的编程接口、资源要求与执行方式各不相同。用户需要根据算法特点指定目标设备，并将设备调用连接到同一个计算流程中。
评估完整流程的性能：总耗时不仅取决于单个计算步骤，还受到数据传输、设备调用和任务等待的影响。需要结合任务工作量与硬件参数，评估不同配置下的执行时间，识别主要瓶颈。
管理运行过程与计算结果：当任务跨越多个设备并持续迭代时，需要统一查看运行状态、日志、参数和输出，定位失败环节，并对照不同配置下的计算结果与执行记录。

PivotQ 围绕这些需求，提供融合编程、性能模拟和可视化工作台，支持任务组织、资源配置与结果查看。

系统以融合编程框架组织任务执行，通过性能模拟器评估目标配置，并由工作台提供应用操作界面。下图展示程序、CPU/GPU/QPU 计算资源与性能评估之间的关系。

图 1　PivotQ 系统架构。实线表示任务执行关系，虚线表示独立的性能评估路径。

如图所示，Python 程序通过融合编程框架组织执行。用户以输入输出连接计算组件，并声明目标资源；框架按照依赖协调 CPU、GPU 与 QPU 阶段，将前序结果交给后续组件。模型可封装为有状态组件，在多次调用间复用。
硬件分配由用户决定。GPU 计算通过应用桥接与 Ray 组件接入，QPU 通过量子后端适配器连接；各入口的能力见 GPU 与异构资源和量子后端。

工作台提供已接入应用的程序与参数编辑、阶段设备选择、任务提交和结果查看。当前包含水分子动力学模拟与受控量子电路教程，可查看日志、输出文件，以及应用对应的曲线和分子轨迹。

水分子动力学模拟教程使用训练好的量子-经典势能模型，根据原子位置预测分子势能，再计算受力、更新位置与速度。重复这一过程，就得到水分子的运动轨迹及能量变化。

一次计算循环包含以下阶段。下表沿用工作台教程截图中的 CPU/QPU 目标配置；首页 01 展示的另一条应用路径把经典势能预测安排在 GPU 上。

计算阶段	主要工作	目标设备
输入准备	从原子坐标提取键长、键角等几何信息，生成电路输入参数	CPU
量子特征计算	执行参数化量子电路，通过读出获得经典模型所需的特征	QPU
势能预测	将量子特征输入经典神经网络，得到当前构型的势能	CPU
求力与积分	对坐标施加小幅扰动，通过多次能量评估做中心差分求力并移除刚体数值残差，再更新位置与速度	CPU

求力需要对多个扰动构型重复进行量子特征计算和经典能量预测，因此，一个动力学时间步会涉及多次相互依赖的计算。更新原子位置后，系统再从新的分子构型开始下一轮。

在这个过程中，应用定义科学计算方法，PivotQ 组织计算执行：应用提供分子模型、训练参数、求力方法和积分设置；框架连接各阶段的输入输出，根据用户指定的资源协调任务。性能模拟器结合任务工作量与硬件参数评估耗时，工作台展示运行记录、能量曲线和分子轨迹。