量子電腦到底有多霸氣？終極「密碼戰」即將引爆？

國民法官生存指南：用足夠的智識面對法庭裡的一切。

想像我們往水池內丟兩顆石頭，以石頭的落點為中心，會個別產生漣漪，在水面上擴散開來。

而當兩個漣漪互相接觸時，交會之處的水面其實同時反應了兩個漣漪的影響；可以說，兩個漣漪疊加在一起了。漣漪是靠水傳遞的一種波，稱為水波；而「疊加」的現象，就是屬於波的一種特性。

物質的波，也就是物質波，同樣存在疊加的特性。只不過，物質波跟水波不同的地方在於，它不需要依賴「水」這種實際的東西來傳遞，而是一種「機率波」。機率波的數學形式長得像波，而它代表的，是量子系統處於不同狀態的機率分布。

量子系統的狀態：機率波

當我們在描述量子系統的狀態時，就會用到「機率波」的概念。舉例來說，在電玩遊戲中要是打怪成功，死掉的怪物會留下寶物。怪物可能有 50% 的機率掉落寶物 A，也有 50% 的機率掉落寶物 B，但我們不會在事前就知道怪物會留下哪種寶物。

所以，怪物可以說是同時擁有「掉落寶物 A」和「掉落寶物 B」這兩種狀況，直到我們成功打完怪，才能確定牠究竟帶哪一種寶物。類似地，機率波告訴我們的，就是量子系統「有多少機率處於狀態 A、又有多少機率處於狀態 B」的資訊；如同兩個水波在水面上疊加，A 和 B 這兩個狀態同時存在這個量子系統上。所以，我們把量子系統「同時處於不同狀態疊加」的狀況，稱為「疊加態」。

另一方面，也跟打完怪物才知道掉什麼寶物類似，在我們實際觀測量子系統前，並無法知道會看到狀態 A 還是狀態 B，要觀測完才會知道。因為量子疊加的特殊性質，科學家想到，或許可以拿來做一些實際的運用。

例如，在現代的電腦運算中，「位元」是資訊的最小單位，可以用 0 或 1 這兩個數值來表示。那麼，我們也許能夠把「同時存在兩種不同狀態的量子系統」當作位元使用，讓它的兩種狀態分別代表 0 跟 1 來儲存資訊，而這就被稱為量子位元。

由於物理性質的不同，量子位元在某些狀況下，可以運算得比傳統位元更有效率；利用量子位元建構的電腦，就稱為量子電腦。雖然目前已經有少數量子電腦問世，能以最多一百多個量子位元進行運算，但要能大規模運用在日常生活中，除了要再想辦法增加量子位元之外，還有許多難題要克服，所以，現在就先讓漫畫的想像來代替很可能成真的未來吧。

——本文摘自《阿宅聯盟：量子危機》，2022 年 11 月，未來出版，未經同意請勿轉載。

2023 即將上線的超級電腦（Supercomputer）

歐洲最大的超級電腦（Supercomputer），將要在 2023 年上線啦！今年六月中時，德國于利希研究中心（Forschungszentrum Jülich GmbH）的超級計算中心（Jülich Supercomputing Centre, JSC）發佈新聞稿^[1]，表示歐盟的歐洲超級電腦中心聯合承辦組織（EuroHPC Joint Undertaking）選定該研究中心的超級計算中心，做為歐洲第一個設立 Exascale 超級電腦 Jupiter 的地點^[2]，歐盟出資一半，而另一半的資金將由德國教育部（BMBF）以及北萊茵威斯特法倫州（Nordrhein-Westfalen）文化部共同出資，其意昧著這台超級電腦也將優先提供給德國的科學家，以及北威州的研究單位使用^[註一]。表示現今的超級電腦軍備競賽，已打到了 Exascale 了，Jupiter 將是繼美國設立世界第一台 Exascale^[註二]的超級電腦 Frontier 後^[3]，即將出現的次世代超級電腦（如果德國的施工期有好好的踩點）。

Exascale 的超級電腦具有「每秒百億億次（10¹⁸）」（也就是 100 京）的每秒浮點運算（FLOP）能力，實際規模也將具有國家高速運算中心台灣杉二號^[4]的 111 倍以上的運算能力，也就是要建立超過百台規模的台灣杉二號才具有 Exascale 的規模，但也同時考驗硬體的處理能力、主機間節點的連線架構、資料讀寫能力，更甚者，則是軟體是否具有 Exascale 的使用能力，也就是硬體與軟體都必須要能夠良好的契合才行。

什麼是超級電腦？可以幫助都市成為超級都市嗎？

「這些顯示器太舊了」雷迪亞茲說。

「但它們後面是世界最強大的電腦，每秒可以進行五百萬億次浮點運算。」

_{~ 劉欣慈《三體：黑暗森林》}

劉欣慈《三體：黑暗森林》（2007）提到人類「當時」最強的電腦，為五百萬億的運算能力「而已」，沒想到 15 年後的今天，地表最強的超級電腦 Frontier 是出現在美國的橡樹嶺國家實驗室（Oak Ridge National Laboratory），而不是小說裡說的，在洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory），而且 Frontier 的效能還是小說裡超級電腦的五千多倍，可說是現實終於有超過小說的時候了（但我們依就沒有飛天滑板可以借東京都的死神小學生）。

超級電腦是科學家進行高速/高效計算（High Performance Computing）的主要設備。超級電腦的架構，可以說是非常的簡單：用網路線連結各台主機，讓主機間互相溝通，才能夠進行平行運算。

一般超級電腦的架構大致上如下：一機板上可能會有一個到數個 CPU，而一個或是數個機板會組成一個節點（Node），有時數個結點會組成一個機櫃（Rack/Cabinet）。節點與節點間的連結，就是依靠網路線在進行 CPU 之間的溝通，因此網路變成非常重要的元件。

在此架構下，如何讓結點間有效溝通，也是一門學問了^[5]。這些 CPU 可以想象是每個拿著工程計算機的研究生，正等著教授指派任務給他們算，而一個節點就是一個房間，在同一個房間內的溝通一定是比較快的，當不同房間需要溝通時，就會需要走出房間去給資料，如果所有的人一起拿資料回報給教授，那這教授可能就會崩潰，所以如何讓研究生（CPU）互相溝通，又不至於塞車，就是電腦工程專家們的專業了。

現在超級電腦的架構也與過往的超級電腦不同了。除了採用巨量 Arm 晶片的日本富岳（具 158,976 節點）、自主研發晶片的中國神威太湖之光（具 40,960 節點）外，前十大超級電腦^[3]都是採用 CPU 加上 GPU 的混合架構（如在機板上插上 GPU 增加運算效率），才達到 100 Peta-Flop（1Peta = 10¹⁵） 以上的計算量，也意味著未來要在超級電腦上進行高效計算，GPU 運算也成為很重要的應用，因此也有許多計畫正在將軟體朝 GPU 運算的方向前進與推動。

軟體是否能配合平行化，也是非常是否能進行高效運算的重點之一。所謂的高效計算，也是利用許許多多的運算元件（CPU 或是 GPU），採平行運算的方法，將一個問題切成許多碎片，以螞蟻雄兵的方法一一解決，所以不要再怪為什麼你家的電腦 CPU 無論幾核心都只用了一核心，那是因為你的軟體沒有進行平行處理。早期土木界在進行坡面的圓弧破壞面計算時，據說就是用人力一人算一片圓弧的切片，也算是（人力）平行運算的先驅之一了。一般電腦中使用平行運算最多的，應該就是你手上那張 GPU 顯卡，在 GPU 的加持下，電腦螢幕中每個點、每個邊、每個平面上的顏色與光影，才能完美的呈現在使用者的眼前，所以與其用顯卡挖礦，還不如投身虛幻而真實的遊戲世界。

不過有了地表最強的超級電腦，並不代表我們今天就能夠像小說形容的一樣，能幾秒內預測核子彈的破壞能力，或是在一天內算出地球百年後的氣候狀況，因為平行計算加快了計算的速度，但有其極限。

資料的讀入或是寫出，也是瓶頸之一，電路板與網路速度，以及資料存取方式都會造成資料讀寫的延遲，更不用說，若是打算模擬地球，其將耗盡 80 exabyte 等級的儲存空間，其為 CERN 的 ATLAS 與 CMS 計畫所產生的資料量的十倍^[6]。

為什麼氣候模擬要用到 Exascale?

Exascale 的超級電腦除了可以提供更多的運算能力，給更多的使用者進行模擬與計算外，也是挑戰超大型計算的開始。不過為什麼要 Exascale？到底為什麼一個模擬要用到上千甚至是上萬顆的 CPU 在運算？氣象氣候模擬已經將 Exascale 喻為下一階段應使用的救星^[7]，在氣象上除了要能做到一小時內達成氣象預測外，也希望能夠進行叢集式運算（像是利用隨機方法產生上百個因亂度而有不同結果的預測），進而進行機率式預測分析，或是提高水平距離至 2.5 公里以下的網格精度，此精度也為可進行對流模擬 （Convection-Permit）^[8] 的精度。氣候模擬也需要高效能的運算，除了高精度的全球模型外，也需要進行長程的氣候模擬，幾十年到幾百萬年的模擬時間，也將需要 Exascale 等級的超級電腦來加速模擬，縮短實驗時間。越多的計算核心以及有效的平行運算，才能讓最真實的模擬結果讓人類使用，畢竟，誰都希望出遊不要遇上下大雨，也會希望能夠提前幾天知道颱風的路徑。

地球系統模擬中，其中一個挑戰便是進行模擬時程：挑戰一日（24 小時）的超級電腦計算可以得到多少年的模擬結果（simulated years per wall-clock day, SYPD）^[6]，還真的是「度日如年」，而此地球系統的精度為水平方向僅一公里的超高解析度，用來進行最終極的地球系統模擬：數位攣生（Digital Twins）^[9]。數位攣生計畫主要是要建立地球的複製體，以方便人們對地球進行各種「實驗」，了解到經濟或政策面對地球生態或是氣候的影響，因此要達成此目的，強大具 Exascale 能力的電腦，便成為了目標。

目前已經有部份超級電腦都在進行 SYPD 的挑戰，如中國的神威太湖之光，其已完成了每日 3.4 年的地球系統模擬^[10]，只不過其地面僅有 25 公里的水平精度，海面僅 10 公里的水平精度，還有非常多的進步空間。只可惜，這個實驗並沒有進行進行資料輸出，無法得到正確的效能結果（資料的寫入與輸出也是非常費時的），以及真正的運算結果：因為沒有資料，就沒有辦法分析。

從高速電腦看量子電腦：量子電腦會是傳統的救星嗎？

量子電腦目前也成為了熱門名詞，從 2019 年開始，IBM 與 MIT 共同開始了量子計算課程，各學術單位也在搶攻量子電腦領域，但對地球模擬領域而言，量子電腦還太遙遠，對「傳統物理」的地球科學來說，我們解偏微分、解多項式，用的是傳統的數值方法，跟量子電腦界在進行的運算，也差了十萬八千里。

編按：這邊所說的數值方法，簡單講就是「暴力解」。例如要求圓周率，就先設定一個半徑為 1 的圓面積公式，然後問電腦答案是多少，電腦的第一步會把所有正整數代入公式中從一個初始數字（nitial State）開始，先找到答案會在 3 到 4 之間，之後又把 3 到 4 之間的所有數，帶回一開始的公式，得知答案在 3.1 到 3.2 之間，之後又將這個區間的所有數帶回一開始的公式，如此重複很多次後，就會得到相對接近的正確答案。

量子電腦就比較詭異了，量子態的平行運算與邏輯閘，使得兩者的運算邏輯完全不同，以上面的圓周率問題為例，量子電腦會直接給出在 3.1415925 至 3.1415927 之間，存在正確答案的可能性是最高的，但是這個範圍也有可能是錯的，而且就算是錯的，以我們現在的能力也很難說明它錯在哪裡。

從表面上來看，傳統電腦用暴力解，以排除錯誤答案的方式逼近正確答案，而量子電腦不排除錯誤答案，直接找到最有可能的答案會在哪個區域，但不保證運算過程中的正確性。

因為這個區別，若將現在成熟的模擬方法直接導入量子電腦中，最有可能出現的就是不知道怎麼解讀得到的數據，這包含了答案的正確程度，以及改動特定變數後所產生的答案變動是從何而來？

IBM 與 GOOGLE 正在爭奪追逐量子霸權（Quantum Supremacy）的同時^[11]，（不過 Google 號稱的量子霸權，也就是一萬倍的計算速度，在 2021 年被中國科學院理論物理所的 Feng 等人用了 15 個 NVIDIA V100 GPU 給追上^[12][註五]），其離傳統電腦計算的距離，也有十萬八千里遠，離應用於地球科學計算上還有一定的距離，但只要哪一天能夠應用在普通的大氣循環模式（GCM），就可以算是第一步吧。但是在量子力學進入大氣科學前，我們氣候與氣象模擬還是只能使用傳統的電腦主機，靠著 2 位元的方法進行大氣模擬，所以目前傳統超級電腦還沒有被取代的機會。

結語：超大主機與超大計算

依摩爾定律，每十八個月，CPU 晶片的製成就會進步一倍，同時，超級電腦中心卻是一直受益於摩爾定律帶來的好處，也就是 CPU 的能力越來越強，而價格也越來越親民，也讓氣候氣象模擬的空間精度也隨之升高。

Neumann 等人也預計在 2030 年代後，進行 1 公里等級的超高精度計算也將不是夢想^[7]，而在 Exascale 主機降臨前的這個年代，有些超級計算中心已經以節點（Node）做為計算資源耗費的單位（Node per hour），而非 CPU per hour，顯示出大型主機對計算資源消耗的想法以從 CPU 規模上升到了 Node 規模。

一方面使用者受益於更多的 CPU 資源，但同時這些主機也要求更新更大量的計算能力，如瑞士的 Piz Daint 與瑞典的 LUMI，皆要求使用者的計算必須是含有 GPU 運算能力，而純粹靠 CPU 運算的軟體，將無法享受到同等的巨量資源。

而相應的挑戰也隨之而生，除了硬體將進入 Exascale 的時代，軟體也將一同進入這場大戰，才能享受同等的資源。另外一個挑戰則是綠色挑戰，1 公里精度的氣象模擬，每一模擬年將耗盡 191.7 百萬瓦時^[6]，相當於台灣一個家庭可以用上 43 年的電量^[註三]，也可以讓特斯拉的 Model 3LR 從地球開到月球來回開 1.5 次^[註四]，其耗能之巨，也是我們計算或是模擬界科學家應該要注意到的問題，也是為何除了 HPC Top500 外，亦有 Green 500^[13]的原因吧，而具有超高效能的 Frontier，也同時奪下了 Green 500 之冠，也算是 Exascale 的好處吧。

註解與文獻

• [註一] 若需使用 JSC 的超級電腦，必須透過不同的計畫項目進行申請，其計畫主持人（PI）為歐洲或是德國的研究者^[14]。
• [註二] 日本的富岳其實也可以進行到 Exscale 的運算，只是要超頻而已，想當然爾是非常規設定。
• [註三] 根據台電 2021 年新聞稿中，家庭離峰平均用電為 339 度以及 6-9 月為 434 度推估。
• [註四] 根據 Tesla M3 LR 為 25kWh per 100 Miles，月球至地球為 384400 公里推估
• [註五] Feng 也公開了他的程式碼

• [1] Forschungszentrum Jülich 新聞稿
• [2] EUROPE HPC 新聞稿
• [3] 2022 年六月 HPC Top 500 名單
• [4] 國家高速網路中心台灣杉二號介紹
• [5] 司徒加特超級電腦中心：HAWK 主機之連線架構
• [6] T. C. Schulthess, P. Bauer, N. Wedi, O. Fuhrer, T. Hoefler and C. Schär, “Reflecting on the Goal and Baseline for Exascale Computing: A Roadmap Based on Weather and Climate Simulations,” in Computing in Science & Engineering, vol. 21, no. 1, pp. 30-41, 1 Jan.-Feb. 2019, doi: 10.1109/MCSE.2018.2888788.
• [7] Neumann P et al. 2019, Assessing the scales in numerical weather and climate predictions: will exascale be the rescue?. Phil. Trans. R. Soc. A 377: 20180148. http://dx.doi.org/10.1098/rsta.2018.0148
• [8] Kendon, E. J., Ban, N., Roberts, N. M., Fowler, H. J., Roberts, M. J., Chan, S. C., Evans, J. P., Fosser, G., & Wilkinson, J. M. (2017). Do Convection-Permitting Regional Climate Models Improve Projections of Future Precipitation Change?, Bulletin of the American Meteorological Society, 98(1), 79-93
• [9] Bauer, P., Dueben, P.D., Hoefler, T. et al. The digital revolution of Earth-system science. Nat Comput Sci 1, 104–113 (2021). https://doi.org/10.1038/s43588-021-00023-0
• [10] Zhang, S., Fu, H., Wu, L., Li, Y., Wang, H., Zeng, Y., Duan, X., Wan, W., Wang, L., Zhuang, Y., Meng, H., Xu, K., Xu, P., Gan, L., Liu, Z., Wu, S., Chen, Y., Yu, H., Shi, S., Wang, L., Xu, S., Xue, W., Liu, W., Guo, Q., Zhang, J., Zhu, G., Tu, Y., Edwards, J., Baker, A., Yong, J., Yuan, M., Yu, Y., Zhang, Q., Liu, Z., Li, M., Jia, D., Yang, G., Wei, Z., Pan, J., Chang, P., Danabasoglu, G., Yeager, S., Rosenbloom, N., and Guo, Y.: Optimizing high-resolution Community Earth System Model on a heterogeneous many-core supercomputing platform, Geosci. Model Dev., 13, 4809–4829, https://doi.org/10.5194/gmd-13-4809-2020, 2020. https://gmd.copernicus.org/articles/13/4809/2020/
• [11] 「嗨量子世界！」~ Nature Newsletter
• [12] Feng Pan, Keyang Chen, and Pan Zhang, Solving the sampling problem of the Sycamore quantum circuits, accepted by Phys. Rev. Lett.
• [13] 2022 年六月 HPC Green 500 名單
• [14] JSC 系統申請辦法

• 組織／研究資料寄存所
• 作者／何明諠

什麼是「開放科學」？

大體而言，開放科學是關於「有品質、完整、平等與利益共享的科學環境」的一套構想 ^[1]，它希望能移除知識藩籬，激發研究創意。為了達成這些核心價值，不同的科學社群衍生了不同實務作法，也造就了過往「開放科學」紛雜的內涵。

儘管如此，一般在討論「開放科學」時，仍認為其有幾個核心的關注面向，如開放近用科學成果（如論文）、開放研究資料、研究過程中使用科技工具進行開放協作等。歐盟、OECD、聯合國等國際組織在近年來亦紛紛制定相關政策、白皮書，並投入經費致力於開放科學的推展。

脈絡不同，資料管理方式也不同

「我知道開放科學很好，我也有滿手的資料，但是……」，在資料科學盛行的時代，幾乎所有研究者在處理資料時，都會遭遇各種「但是」的問題：但是資料很亂不知從何著手、但是不曉得要釋出哪些資料、但是沒有心力…。

在這樣的脈落下，中央研究院資訊科學研究所等 5 個單位，在今年 10 月 7 日舉辦了 2021 研究資料管理工作坊。工作坊共概分成 5 個資料管理的主題，分別涉及「生物多樣性」、「多面向資料管理」、「氣候、海洋及空氣資料」、「研究團隊經驗分享」、「個人資料管理」等面向，邀請近 20 位來自不同領域、單位的講者，分享他們在研究資料管理 （Research Data Management, RDM）上的經驗。

在資料管理實務上，各研究單位因資源配置、研究領域、研究方法、研究文化等差異，所遭遇的問題及可能的解方亦各不相同。聆聽彼此經驗，了解對方解決問題的脈絡，是找尋自身合適的資料管理方式的有效途徑之一。

以本次工作坊為例，我們即觀察到，同是為了提昇資料的利用價值，有的單位選擇將資源優先配置在蒐集更多資料；有的則是積極建立、宣導資料處理的 SOP；另外也有強調個別資料集的品質控管與說明。

我們也發現，有關資料即時利用的需求，時常不在研究團隊最初的預期中，且需求亦可能來自團隊內部或外部。而為了回應需求，有的研究單位選擇投入心力在軟硬體上，打造自動化流程，以應付外部大量的資料索取要求；有的研究單位，則優先建立單位內部的即時資料分享環境，再適度滿足外部需求。

以上各種應對方式間的差異，多半是因各單位在處理同一問題時，身處不同的脈絡所致。

逐漸上軌道的研究工具：資料管理方案

在本次工作坊中，亦有關於「資料管理方案」（Data Management Plan, DMP）的場次。DMP 是一份描述研究資料如何被蒐集、使用、管理、保存、分享等歷程的文件。通常是在研究開始前撰寫，在研究中隨時修正，藉此研究者能更有效地管理資料。

近年來，DMP 已逐漸成為計畫申請者被要求檢附的文件。目前在網路上也能找到各式的 DMP 範本，協助研究者撰寫 DMP。例如研究資料寄存所（depositar）翻譯的 Science Europe 研究資料管理指南，就提供了一份 DMP 的範本。

在工作坊中，科技部永續學門指出，資料管理是開放科學的一部分，因此永續學門自 2020 年 8 月開始推動資料管理方案試辦計畫，透過經費補助的方式，鼓勵整合型計畫提出 DMP。本次工作坊亦有兩個參與試辦計畫的研究團隊，分享他們在撰寫及執行 DMP 的歷程。在研究資料管理概論這個場次，亦仔細介紹了 DMP 可能包含的內容。

但鑒於 DMP 在國際上逐漸成為「要求」，亦不乏質疑認為，撰寫 DMP 可能僅是加重研究者行政負擔；對此，一份 2021 年 4 月有關歐盟推行 DMP 的實證研究指出，超過 80% 的研究者認為 DMP 對他們的研究有幫助，這或可有效緩解相關的疑慮。

研究資料管理與開放科學

2021 研究資料管理工作坊的簡報及錄影，已在 11 月中悉數公開在工作坊網站。而工作坊後不久，在 2021 年 11 月底，我們見到聯合國教科文組織（UNESCO）通過了一份開放科學建議書（UNESCO Recommendation on Open Science）。這份文件共獲得 193 個與會國支持。UNESCO 表示，與會國們的共同支持，使向來意義紛雜的「開放科學」首次取得了全球性的定義。

UNESCO 針對開放科學的定義與說明很長（參見建議書第 7 頁至第 16 頁），我們無意在最後的篇幅中細說。但很清楚的一點是，「開放研究資料」（open research data）是構成 UNESCO「開放科學」定義的一部分。

身為國際社群的一員，台灣有許多的跨國研究計畫，過去兩年的防疫，亦受益於國際的開放研究資料許多（如使用 GISAID 資料庫進行研究）。

國內研究社群與開放研究資料或開放科學的國際標準接軌，既是必須，亦是互惠，而研究資料管理將是達成此目標不可免的基本功。在「開放科學」取得重大國際進展的此時，再次回顧本次工作坊的內容，應是一件更饒富意義的事。

註釋：

1. Why the world needs to embrace open science? https://www.weforum.org/agenda/2021/10/why-open-science-is-the-cornerstone-of-sustainable-development/

參考文獻：

• Science Europe / 研究資料寄存所（depositar）. （2021）. Science Europe 研究資料管理指南 | RDM Guides from Science Europe（Version 2021-07-20T01:56:13.956317） [Data set]. Retrieved from https://data.depositar.io/dataset/se_rdm_guides
• Spichtinger, D.（2021）. Data Management Plans in Horizon 2020: what beneficiaries think and what we can learn from their experience. Open Research Europe 2021, 1-42. https://doi.org/10.12688/openreseurope.13342.1
• UNESCO（2021）. UNESCO Recommendation on Open Science. https://unesdoc.unesco.org/ark:/48223/pf0000379949.locale=en
• 2021 研究資料管理工作坊。http://odw.tw/2021/
• 王家薰（2021）。研究資料管理概論。https://m.odw.tw/u/odw/m/rdmw2021-4-3-p/
• 李明旭（2021）。永續學門DMP試辦計畫。https://m.odw.tw/u/odw/m/rdmw2021-2-2-p/
• 柯智仁（2021）。讓資料的價值被看見能否鼓勵資料的管理與開放？https://m.odw.tw/u/odw/m/rdmw2021-1-1-p/
• 劉子明（2021）。以氣候變遷資料服務為導向的資料管理計畫。https://m.odw.tw/u/odw/m/rdmw2021-3-1-p/
• 劉璟儀（2021）。資料管理是否能有 SOP － TaiBIF 資料庫管理者的視角。https://m.odw.tw/u/odw/m/rdmw2021-1-2-p/