Lazy Qubit Reordering for Accelerating Parallel State-Vector-based Quantum Circuit Simulation
Dieses Paper schlägt zwei Out-of-Order-Quantenoperations-Scheduling-Methoden vor, die Zeit-Raum-Tiling- und Diagonalisierungstechniken nutzen, um den Kommunikationsaufwand für die Qubit-Neuordnung in Multi-GPU-Zustandsvektor-Simulationen zu minimieren, wobei Beschleunigungen von bis zu 54× für Quantenzustandsaktualisierungen und 1.657× für Erwartungswertberechnungen im Vergleich zu herkömmlichen In-Order-Ansätzen erzielt werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Um die Herausforderung zu verstehen, der diese Forscher begegneten, muss man zunächst das Wesen des Quantencomputers begreifen, den sie nachzuahmen versuchen. Im Gegensatz zu den klassischen Computern in unseren Taschen und Büros, die Informationen mithilfe von Bits verarbeiten, die entweder Null oder Eins sind, nutzen Quantencomputer Quantenbits, oder Qubits. Diese Qubits können in einem komplexen Zustand existieren, in dem sie gleichzeitig Null und Eins sind. Um eine solche Maschine auf einem Standardcomputer zu simulieren, müssen Wissenschaftler die Wahrscheinlichkeit jeder möglichen Kombination dieser Qubits verfolgen. Wenn die Anzahl der Qubits wächst, explodiert die Menge der Information, die zur Beschreibung des Systems benötigt wird, wobei sie sich mit jedem hinzugefügten Qubit verdoppelt. Eine Simulation von nur dreißig Qubits erfordert genug Speicherplatz, um eine große Festplatte zu füllen, und sechsunddreißig Qubits würden den Speicher eines massiven Supercomputers beanspruchen. Da keine einzelne Maschine genug Speicher für diese großen Systeme besitzt, müssen Wissenschaftler die Arbeit auf viele Prozessoren, oft Grafikkarten, aufteilen, die parallel arbeiten.
Das Aufteilen der Arbeit schafft jedoch ein neues Problem. Die Art und Weise, wie die Informationen aufgeteilt werden, hängt davon ab, auf welche Qubits der Computer als Nächstes zugreifen muss. Wenn die Simulation auf ein Qubit zugreifen muss, das sich derzeit auf einem anderen Prozessor befindet, müssen die Daten durch das gesamte System umgeschichtet werden. Dieses Umschichten, bekannt als Reordering (Neuordnung), ist in Bezug auf Zeit und Energie extrem kostspielig. In vielen groß angelegten Simulationen kann die Zeit, die für das Bewegen von Daten aufgewendet wird, mehr als die Hälfte der gesamten Laufzeit beanspruchen, sodass die eigentlichen Berechnungen in der Warteschlange stehen. Die Forscher an der Universität Osaka setzten sich zum Ziel, diesen Engpass zu lösen – nicht durch den Bau schnellerer Hardware, sondern durch eine Änderung der Reihenfolge, in der die Simulationsschritte durchgeführt werden.
Das Team konzentrierte sich auf zwei kritische Aufgaben, die auftreten, wenn Quantenalgorithmen getestet werden: das Aktualisieren des Zustands des Quantensystems und das Berechnen des erwarteten Ergebnisses einer Messung. Bei einem Standardansatz werden diese Aufgaben in einer strikten, linearen Sequenz durchgeführt. Wenn der nächste Schritt eine andere Anordnung der Daten erfordert, hält der Computer an, schichtet die Daten um und fährt dann fort. Die Forscher erkannten, dass diese starre Reihenfolge unnötig war. Indem sie den gesamten Ablauf der Operationen im Voraus betrachteten, konnten sie die Sequenz so umstellen, dass Schritte, die dieselbe Datenanordnung verwenden, zusammengefasst wurden. Dies ermöglicht es dem Computer, viele Berechnungen hintereinander durchzuführen, ohne anzuhalten, um die Daten umzusortieren. Sie nennen dies „deferred reordering“ (aufgeschobene Neuordnung), da es die Datenbewegung absichtlich verzögert, bis sie absolut notwendig ist oder bis sie mit anderen Bewegungen kombiniert werden kann, um eine einzige, größere Umordnung zu bewirken.
Um dies effizient auf einem Cluster von Computern zu realisieren, die durch verschiedene Arten von Kabeln verbunden sind, entwickelte das Team zwei spezifische Strategien. Die erste Strategie, genannt „flat tiling“ (flache Kachelung), funktioniert gut, wenn alle Computer mit gleicher Geschwindigkeit verbunden sind. Sie gruppiert Operationen in Blöcke oder Kacheln, in denen die Datenanordnung konstant bleibt. Die zweite Strategie, „hierarchical tiling“ (hierarchische Kachelung), ist für Systeme konzipiert, bei denen Computer innerhalb desselben physischen Racks durch sehr schnelle Kabel verbunden sind, während die Verbindungen zwischen verschiedenen Racks langsamer sind. Diese Methode priorisiert die Datenbewegung innerhalb der schnellen lokalen Verbindungen, selbst wenn dies bedeutet, etwas mehr Gesamtschritte der Neuordnung durchzuführen. Die Logik dahinter ist, dass ein paar schnelle lokale Umordnungen weitaus weniger kostspielig sind als eine einzige langsame Umordnung über das gesamte Netzwerk.
Die Ergebnisse ihrer Experimente waren beeindruckend. Als sie ihre Methode an einem System mit zweiunddreißig Grafikprozessoren testeten, war die Verbesserung dramatisch. Für die Aufgabe der Aktualisierung des Quantenzustands machte ihre neue Scheduling-Methode die Simulation um das Fünfundfünfzigfache schneller als den traditionellen linearen Ansatz. Für die Aufgabe der Berechnung erwarteter Ergebnisse war die Beschleunigung noch tiefgreifender und erreichte einen Faktor von eintausendsechshundertsiebenundfünfzig. Bei der traditionellen Methode verbrachte der Computer die meiste Zeit damit, auf den Datentransport zu warten; in der neuen Methode verbrachte er die meiste Zeit mit dem Rechnen. Die Forscher fanden auch heraus, dass die Zeit, die für die Planung dieser neuen Reihenfolge der Operationen benötigt wurde, vernachlässigbar war und weniger als einen Bruchteil einer Sekunde im Vergleich zu den Stunden betrug, die die Simulation selbst dauern könnte.
Diese Arbeit bietet nicht nur einen schnelleren Weg, einen einzelnen Test durchzuführen; sie öffnet die Tür zur Simulation wesentlich größerer Quantensysteme als bisher möglich. Durch die Reduzierung der Zeit, die mit der Datenbewegung verschwendet wird, haben die Forscher gezeigt, dass bestehende Supercomputer effektiver genutzt werden können, um Quantenalgorithmen zu validieren. Ihre Ergebnisse legen nahe, dass die Einschränkungen der aktuellen Quantensimulation nicht nur eine Frage der rohen Speicherkapazität sind, sondern auch der Effizienz, mit der auf diesen Speicher zugegriffen wird. Durch die einfache Überarbeitung der Reihenfolge der Operationen haben sie ein Leistungsniveau freigeschaltet, das es Wissenschaftlern ermöglicht, komplexe Moleküle und chemische Reaktionen mit einem Detailgrad zu erforschen, der zuvor unerreichbar war.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.