Parallelizing the Variational Quantum Eigensolver: From JIT Compilation to Multi-GPU Scaling

تعد الكيمياء دراسة كيفية التصاق الذرات ببعضها لتشكيل العالم من حولنا، من الهواء الذي نتنفسه إلى المواد الموجودة في هواتفنا. ولعقود من الزمن، حاول العلماء التنبؤ بدقة بكيفية سلوك هذه الذرات من خلال حساب طاقة إلكتروناتها. وأدق طريقة للقيام بذلك هي حل مجموعة ضخمة من المعادلات التي تصف حركة كل إلكترون. ومع ذلك، بمجرد أن يصبح الجزيء معقداً ولو قليلاً، ينفجر عدد الحسابات المطلوبة، وينمو بسرعة كبيرة لدرجة أن أقوى الحواسيب الفائقة في العالم لا تستطيع إتمام المهمة. وهنا يأتي دور نهج جديد يسمى "المحلل الذاتي الكمي المتغير" (Variational Quantum Eigensolver). فبدلاً من محاولة حل المشكلة بأكملها دفعة واحدة، يستخدم هذا الأسلوب فريقاً هجيناً: حيث يقوم حاسوب كمي (أو محاكاة لأحده) بإعداد تخمين لشكل الجزيء، ثم يقوم حاسوب تقليدي بالتحقق من مدى جودة هذا التخمين وتعديله قليلاً للوصول إلى الإجابة الصحيحة. إنها عملية قائمة على التجربة والخطأ تتكرر آلاف المرات حتى تصبح الطاقة في أدنى مستوياتها الممكنة. ويعد فهم كيفية جعل هذه العملية أسرع وأكثر كفاءة أمراً بالغ الأهمية، لأنه إذا تمكنا من حساب طاقات الجزيئات بدقة، فيمكننا تصميم أدوية أفضل، وبطاريات أكثر كفاءة، ومواد جديدة دون الحاجة إلى بنائها في المختبر أولاً.

لقد وضع باحثون في جامعة إمبري-ريدل للطيران (Embry-Riddle Aeronautical University) هدفاً لاختبار مدى فعالية هذا الأسلوب لأبسط جزيء موجود، وهو الهيدروجين، الذي يتكون من ذرتين فقط. أرادوا معرفة ما إذا كان بإمكانهم رسم خريطة لطاقة الجزيء عند مئة مسافة مختلفة بين الذرتين، وهي مهمة تكشف كيف يتماسك الجزيء وفي النهاية كيف يتفكك. وللقيام بذلك، استخدموا عنقوداً حاسوبياً قوياً مجهزاً بأربعة معالجات رسوميات عالية الأداء، وهي نفس النوع من الرقائق الموجودة في أجهزة ألعاب الفيديو المتقدمة ولكن بنطاق أوسع للأعمال العلمية. وقاموا بتشغيل الحساب بأربع طرق مختلفة لمعرفة أي طريقة هي الأسرع. كانت الطريقة الأولى هي النهج القياسي البطيء الذي يعمل كمرجع أساسي. واستخدمت الثانية تقنية لترجمة الكود البرمحي ليعمل الحاسوب بشكل أكثر كفاءة. وانتقلت الثالثة بالعمل الشاق إلى معالجات الرسوميات. أما الرابعة فقد وزعت العمل عبر العديد من المعالجات في وقت واحد.

وأظهرت النتائج أن أكبر المكاسب لم تأتِ ببساطة من جعل الحاسوب يعمل بشكل أسرع في كل خطوة، بل من جعل الحاسوب أكثر ذكاءً بشأن متى يتوقف. فمن خلال ضبط إعدادات الحساب، نجح الباحثون في تقليل عدد الخطوات اللازمة للوصول إلى الإجابة من ثلاثين ألف خطوة إلى ما يزيد قليلاً عن سبعة آلاف خطوة. هذا التغيير وحده قلص الوقت الإجمالي المطلوب لرسم خريطة الجزيء من ما يقرب من عشر دقائق إلى أقل من دقيقتين ونصف. ووجد الباحثون أن الإعدادات المحددة التي استخدموها، مثل بدء كل عملية حسابية جديدة بالإجابة من العملية السابقة بدلاً من البدء من الصفر، كانت أكثر أهمية من الأجهزة نفسها. وعندما نظروا إلى الوقت المستغرق لأداء خطوة واحدة من الحساب، وجدوا أن الفرق بين الطريقة البطيئة والطريقة السريعة كان ضئيلاً جداً، مما يثبت أن التسريع جاء من القيام بخطوات أقل، وليس من تنفيذ كل خطوة في وقت قياسي.

وعندما حاول الباحثون تشغيل الحساب على معالجات الرسوميات، رأوا نوعاً مختلفاً من التحسن. فقد تمكنت معالجات الرسوميات من إكمال كل خطوة فردية بشكل أسرع من المعالجات التقليدية، ولكن لأن الحساب تطلب خطوات أكثر للتقارب نحو الإجابة، لم يكن الوقت الإجمالي جيداً مثل الطريقة القياسية المحسنة. وقد سلط هذا الضوء على درس رئيسي: وهو أن امتلاك أجهزة أسرع لا يفيد إذا لم يتم ضبط البرمجيات لاستخدامها بكفاءة. كما اختبر الباحثون ما يحدث عند تقسيم العمل عبر معالجات عديدة في آن واحد، ووجدوا أنه بينما انخفض الوقت الإجمالي بشكل كبير عند استخدام معالجات أكثر، إلا أنهم لم يستطيعوا مقارنة ذلك مباشرة بتشغيل المعالج الواحد لأن الحواسيب خُصصت لها كميات مختلفة من الموارد. وهذا يعني أنهم لم يتمكنوا من تحديد نسبة تسريع محددة، لكنهم أكدوا أن الطريقة تتوسع بشكل جيد بما يكفي لتكون مفيدة في الآلات الكبيرة.

ولمعرفة مدى صمود ذلك أمام الجزيئات الأكبر والأكثر تعقيداً، أجرى الفريق اختباراً منفصلاً لمحاكات تتراوح من أربعة إلى ستة وعشرين كيوبت (qubit)، وهي الوحدات الأساسية للمعلومات في النظام الكمي. في هذه الاختبارات، كانت معالجات الرسوميات أسرع بشكل كبير من المعالجات القياسية، حيث كانت أسرع بما يصل إلى واحد وثمانين ضعفاً عند أكبر حجم. ومع ذلك، كان الباحثون حذرين في ملاحظة أن هذه المقارنة تضمنت إعدادين مختلفين للبرمجيات، وليس مجرد نوعين مختلفين من الأجهزة. يمكن لأسرع إعداد على بطاقة رسوميات واحدة أن يتعامل مع محاكاة مكونة من تسعة وعشرين كيوبت قبل نفاد الذاكرة، لكنه فشل عندما حاولوا الدفع به إلى ثلاثين. وهذا يشير إلى أنه على الرغم من قوة هذه الآلات، إلا أنها لا تزال تمتلك حدوداً فيزيائية عندما يتعلق الأمر بمحاكاة أنظمة كمية ضخمة جداً.

وفي نهاية المطاف، قدمت الدراسة صورة واضحة لكيفية جعل عمليات محاكاة الكيمياء الكمية هذه عملية واقعية. فكانت الاستراتيجية الأكثر فعالية ليست مجرد شراء حواسيب أسرع، بل صقل الوصفة الرياضية المستخدمة لتوجيه البحث عن الإجابة. فمن خلال إيقاف الحساب مبكراً عندما تكون الإجابة جيدة بما يكفي، واستخدام حجم خطوة أكبر للتحرك نحو الحل، واستخدام الإجابة السابقة كنقطة انطلاق للخطوة التالية، حقق الباحثون تقليلاً هائلاً في الوقت. كما أثبتوا أنه بينما توفر معالجات الرسوميات سرعة مذهلة للمشكلات الكبيرة، فإن إمكاناتها الكاملة لا تُفتح إلا عندما يتم تصميم البرمجيات للعمل معها خصيصاً. ويؤكد هذا العمل أن الطريقة، بالنسبة للجزيئات البسيطة، يمكنها إيجاد الطاقة الدقيقة بدقة مذهلة، كما توفر خارطة طريق لكيفية توسيع نطاق هذه الحسابات لتشمل الجزيئات الأكثر تعقيداً التي ستقود الاكتشافات العلمية المستقبلية.