其他
“芯片之母”EDA和量子计算：共生关系？
光子盒研究院
与此同时，量子计算可能是当代最具变革性的技术之一。这是因为它提供了一种基于量子物理学的全新计算模式，与当前建立在经典定律和布尔代数基础上的系统有着本质区别。最近，这一技术已经从基础科学问题转向了应用科学或工程问题。
许多咨询公司已经开始评估这项技术，并提出了自己的预测。例如，波士顿咨询集团（BCG）估计，到2024年，量子计算业务的规模将达到约20-50亿美元，到2030年将达到250-500亿美元。进一步，该集团还预测，到适当时候，量子计算业务的规模将达到每年4500-8500亿美元。几乎所有已有的报告都表明，在近期（3-5 年），量子计算的影响可能会遍布在量子化学、优化、机器学习和信息技术等更广泛的领域。
问题是，量子计算对EDA有何影响？
EDA是一个独特的行业，因为它可能是唯一一个不仅有可能从该技术中受益，而且还能为促进该技术发展做出贡献的领域。在解决扩展到更大设计的问题上，EDA拥有丰富的知识和技能：这要归功于数十年的经典硬件设计自动化和由此产生的算法——量子计算机设计师有可能利用这一点。EDA中的许多（如果不是大多数）问题在本质上都是NP-hard问题，更进一步，其中很多都是优化问题。
在实践中，业界已经开发出很多启发式或近似解决方案来解决这些问题，最近还利用了机器学习技术。这意味着，EDA中的一些用例很可能在短期内受益于量子计算。
我们相信，EDA和量子计算可以相互学习/受益，并形成一种共生关系。 我们认为，未来十年将给EDA带来重大转变，量子计算将对设计自动化领域产生影响，就像GPU对机器学习的革命一样。
电子设计自动化（EDA）行业的历史比它的名字还要悠久。
在半导体领域，一个完整的集成电路设计和制造流程主要包括工艺平台开发、集成电路设计和集成电路制造三个阶段，而这三个阶段均需要对应的EDA工具作为支撑，包括用于支撑工艺平台开发和集成电路制造两个阶段的制造类EDA工具，以及支撑集成电路设计阶段的设计类EDA工具。
EDA行业生产的工具有助于电子系统的规范、设计、验证、实施和测试。这些系统可以是集成电路，也可以是安装在印刷电路板上的多个集成电路。早期，集成电路都是手工设计的，但随着设计规模的扩大，需要实现自动化。最早的工具是协助绘制设计图，随后很快出现了帮助进行贴装、布线和功能验证的工具。
同时，EDA是连接设计和制造两个环节的纽带和桥梁，如集成电路设计企业需通过加载晶圆厂提供的特定工艺平台的PDK（或IP和标准单元库），获取电路设计所需的必要信息和数据，进而开展设计工作，而PDK的生成及验证环节是需要EDA支撑的。
EDA的商业化始于20世纪80年代初，当时，越来越多的设计公司意识到，由拥有更大客户群的独立供应商生产工具会更便宜。截至2013年底，EDA行业的收入约为70亿美元，增长率为中等个位数。到2022年，EDA行业收入为 111亿美元，预计到2030年将达到222亿美元，复合年均增长率（CAGR）为9.1%。
作为集成电路设计的基础工具，EDA目前已在计算机、通信、航天航空等领域发挥着重要作用。
1982年，理论物理学家、诺贝尔奖获得者理查德·费曼提出了最初的量子计算机；费曼的量子计算机将有能力促进传统算法和量子电路，目的是模拟自然界中的量子行为。即使是大规模并行经典计算机也无法模拟费曼想要模拟的系统。用费曼的话说：“大自然不是经典的，如果你想模拟大自然，你最好让它成为量子力学，天哪，这是一个美妙的问题，因为它看起来并不那么容易。”
如今，谷歌、亚马逊、微软、IBM和D-Wave等公司正在努力将费曼雄心勃勃的理论付诸实践，通过设计量子硬件处理单元来解决一些世界上最复杂的问题：传统计算机需要数月甚至数年才能解决的问题（如果能解决的话），相关内容涵盖密码学、区块链、化学、生物学、金融建模等问题。
他们的解决方案的可扩展性依赖于越来越多的量子比特。量子比特是量子处理的构件；它们类似于比特，是传统处理单元的构件。例如，IBM的量子技术扩展路线图显示，于2019年发布27量子比特的IBM Q System One，2023年，他们预计将发布拥有1121 量子比特的下一个量子系统。
实现足够量级的量子比特质量是实现大规模量子计算机的主要挑战。如今，纠错是量子系统中的关键操作，它占用了每个量子处理器中的绝大多数量子比特。要提高量子计算的容错性，就需要比错误发生速度更快的纠错。除了纠错之外，要设计出真正容错的量子计算机并获得精确的数学结果，还面临着许多挑战：量子保真度、量子比特连接性、相位粒度、振幅概率和电路深度都是实现这一目标的重要考虑因素。
1）设计更好的芯片
首先是量子芯片本身。量子比特的数量、其连接性（如耦合图）以及每个连接的质量是决定性能的关键参数。研究的一个关键领域是找到更好的耦合图，让更多的量子比特以更小的串扰耦合在一起，同时确保量子比特具有较低的错误率和较长的相干时间。
这就需要探索多种拓扑结构并进行细节仿真。一般来说，传统的布局工具非常适合布局芯片。对于较小数量的量子比特，手动布局已经足够。但现在我们要设计100多、甚至1000多个量子比特的芯片，就必须自动生成有前景的拓扑结构，并更快地进行仿真，挑选出好的候选方案。像HFSS这样的电磁场仿真器可以进行详细仿真，但在对可能拓扑结构的解决方案空间进行剪枝时，速度不一定足够快：更快的模拟将有助于加快评估速度。
2）静态映射
EDA算法能发挥关键作用的一个领域是算法与量子电路的映射。
简单算法主要关注量子计算机的连接图， 由于量子比特的数量有限，完成计算的时间也有限，因此良好的电路优化和映射对算法能否在当前的NISQ机器上运行影响巨大。研究表明，应用正确的优化方法可以显著降低电路深度。通过优化逻辑比特到物理比特的映射，可以避免许多不必要的SWAP操作，从而减少完成算法所需的操作次数。深度较低的电路需要的计算时间更少，在特定NISQ计算机上运行的几率也更高。
更进一步，我们能否制作一个同时考虑到每个量子比特及其连接的错误率的映射器呢？
我们知道，并非所有的量子比特都是一样的。 每个比特都有不同的错误率；我们还知道，不同的纠缠量子比特对的相干时间是不同的。IBM公布了几款云端量子机器的数据。相干时间由去相位时间（T2）决定，其最佳值为100μs，平均值约为69μs；在门错误率方面，双量子比特门的操作错误率高于单量子比特门，在没有其他门在旁边运行的情况下，其最佳值约为1%，平均值约为1.7%。 如果我们在它们旁边运行操作，由于串扰，错误率会增加10倍。为谐振器选择合适的频率并限制器件中的连通性将最大限度地减少串扰，但合理安排和放置操作也会有很大帮助。
假设我们要在相距较远的量子比特之间执行双量子比特操作；考虑到拓扑约束，可行的解决方案可能是最大限度地减少代价高昂的SWAP操作次数；然而，在该SWAP“路径”中使用的量子比特序列可能具有较高的错误率；如果我们选择的SWAP“路径”能够最大限度地减少量子比特的错误使用，那么电路深度就会增加，从而降低由于量子比特固有错误而导致的成功概率。
因此，出现了一个更有趣的研究方向，即逻辑物理映射算法要考虑物理硬件的噪声特性和量子比特之间的变化。
3）动态映射
遗憾的是，即使是校准良好的NISQ机器，噪声和误差水平也会发生变化。 为了动态地影响映射，我们可以在实际映射前测量这些误差率。
我们可以设想一个设计测试 (TFD) 流程，在这个流程中，将运行一些测试电路，以确定特定机器上的关键指标。这些测量结果可用于动态影响映射。
在NISQ设备的所有操作中，测量可能是最容易出错的操作，因此减少这种误差非常重要。经验显示，测量|1〉比测量|0〉，这可能是因为量子比特有从激发态（|1〉）弛豫到基态（|0〉）的趋势。然而，挑战在于，一般情况下，我们事先并不知道我们所关心的结果状态。
4）定制操作
在超导量子比特中，每个栅极最终都会转换成一系列微波脉冲，发送到量子比特上进行必要的转换。这就允许我们超越为特定量子计算机设计的固定操作，设计自定义操作。
在Qiskit中，OpenPulse是一个能让程序塑造脉冲的框架。利用这一点，有科学家证明，单量子比特旋转可以用更短的脉冲来执行；更短的脉冲意味着我们进行门操作所消耗的时间更少，这意味着它们解旋的时间更少；这也意味着我们有可能在NISQ设备的相干时间内打包更多的门操作。
另一项优化是使用不同的变换来执行一种称为zz-interaction的双量子比特操作，这种操作被用于VQE等重要的近期算法中。研究表明，zz-interaction可以分解为单个双量子比特操作，而不是标准分解中的两个；使用的脉冲振幅较小，因此门操作不易出错。
总之，虽然量子计算是一项重大的技术飞跃，但量子设计与传统集成电路设计之间也有相似之处。电子设计自动化 (EDA) 行业可以利用集成电路工作流程的现有知识和经验，来解决量子处理单元设计的问题。
量子计算对代工厂和半导体公司具有巨大的吸引力。
首先，由于量子计算机可以同时处理多个变量，因此有可能将复杂的模拟和建模任务从数周缩短到几分钟，从而大大缩短取得成果的时间（TTR）。例如，它可以比经典计算机更高效地解决布局优化和时序分析等复杂的优化问题。去年，一组研究人员甚至创造了在硅片中操作双量子比特门仅需65亿分之一秒的新纪录。
随着量子计算的加速发展，对能够支持超导电子（SCE）的电子设计自动化（EDA）工具的需求也将与日俱增。
领先的公司利用各种类型的量子现象来构建量子比特，如超导量子比特、捕获离子、半导体自旋和光子。设计人员需要将这些量子比特集成到量子比特集成电路中，将它们与控制和读出信号连接起来。要设计出既能扩展量子计算应用，又能抵御制造工艺变化的设计，还有很多未知数。
在此，我们将重点介绍NISQ设备与EDA最为相关的3类问题：
1）量子优化
组合优化问题与EDA息息相关。现有的经典算法都是启发式/近似性质的。
虽然这些问题的最坏情况版本对量子来说可能也很困难，但这里更有趣的空间是那些最佳启发式/近似经典解决方案与“最优”有一定距离的问题。量子可能无法精确地解决这些问题，但在使解决方案更接近“最优”方面可能比它们的经典对应方案做得更好。
2）量子深度学习
在过去十年中，机器学习和深度学习对企业产生了巨大影响，而且这种影响仍在继续。
像EDA这样数据丰富的领域也不能幸免于其影响，最近我们在这方面看到了许多有趣的发展。在量子方面，近期出现的新一轮成果推动量子机器学习成为NISQ时代值得关注的重要应用之一。
3）量子半定规划编程（semidefinite programming）
在EDA中，有许多问题可以通过凸优化算法来解决。
最近发现了一种量子（近似）版本的半无限编程问题，其速度比已知的最佳经典算法快指数级。该算法的一个关键方面是提供了一个具有特定形式的初始状态（输入矩阵上的热吉布斯状态），目前还不清楚这一假设是否合理。此外，还有一个关于输入矩阵秩的假设，需要进一步明确其在现实问题中的适用性。
这些进步可能会促使EDA行业出现一个专门用于量子专用工具的新细分市场。
量子计算是一项非常有前途的技术，目前尚处于起步阶段，但有可能在未来几年颠覆许多行业。
计算能力（量子体积）的增长遵循摩尔定律的指数轨迹，并预计将继续下去。我们已经进入了NISQ时代，在这个时代，我们只有少量（几百个）噪声量子比特来完成有用的工作。现在，我们面临的挑战是如何最大限度地提高量子体积。虽然已经有不少论文论述了如何优化单个指标，但要对量子体积产生真正的影响，还需要对这些指标进行整体优化。
EDA界在优化时序、面积、功耗和可布线性等多个相关目标方面拥有丰富的经验。经验表明，针对单一指标进行优化很少能取得好的结果。应用这些经验将使我们能够更有效地将逻辑量子比特映射到物理量子比特；此外，“设计测试”等更有趣的途径将有助于在特定时间将实现动态地调整到特定计算机。
量子计算可以提高组合优化、机器/深度学习和半定规划编程算法的性能，从而为EDA带来益处。再进一步，量子处理器可以带来一类新的混合算法，从而产生有趣的EDA解决方案。
对于EDA来说，这是一个有趣的时代，因为它很可能引领我们进入该领域的下一波创新浪潮。EDA和量子计算领域之间存在共生关系。无论是在科学层面还是工程层面，挑战都将是巨大的。
正如费曼曾经说过的，“天哪，这是一个美妙的问题，因为它看起来并不那么容易”。
参考链接（上下滑动查看更多）：
[1]https://semiengineering.com/knowledge_centers/eda-design/definitions/electronic-design-automation/
[2]https://mp.weixin.qq.com/s/KdzICZxwRWPed7AO9JMmmA
[3]https://mp.weixin.qq.com/s/sshrBxt2z30Rfln56sarPQ
[4]https://medium.com/@synopsys/unleashing-new-chip-design-technologies-2023-eda-predictions-you-cant-miss-e33b4ae905b9
[5]https://epub.jku.at/obvulihs/download/pdf/9034721?originalFilename=true
[6]https://semiwiki.com/eda/ansys-inc/314983-what-quantum-means-for-electronic-design-automation/
[7]https://www.eetasia.com/oppenheimer-quantum-computing-and-device-modeling/
[8]https://si2.epfl.ch/~demichel/publications/archive/2022/Jetcas.pdf
[9]https://dl.acm.org/doi/10.1145/3439706.3446900
[10]https://ieeexplore.ieee.org/document/9167259
|qu|cryovac>