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

Die Chemie ist die Lehre davon, wie Atome zusammenhaften, um die Welt um uns herum zu bilden, von der Luft, die wir atmen, bis hin zu den Materialien in unseren Telefonen. Seit Jahrzehnten versuchen Wissenschaftler vorherzusagen, wie sich diese Atome genau verhalten, indem sie die Energie ihrer Elektronen berechnen. Der genaueste Weg, dies zu tun, besteht darin, einen massiven Satz von Gleichungen zu lösen, die die Bewegung jedes einzelnen Elektrons beschreiben. Sobald ein Molekül jedoch auch nur ein klein wenig komplexer wird, explodiert die Anzahl der erforderlichen Berechnungen; sie wächst so schnell, dass selbst die leistungsstärksten Supercomputer der Welt die Aufgabe nicht bewältigen können. Hier kommt ein neuer Ansatz namens Variational Quantum Eigensolver ins Spiel. Anstatt zu versuchen, das gesamte Problem auf einmal zu lösen, nutzt diese Methode ein Hybrid-Team: Ein Quantencomputer (oder eine Simulation eines solchen) bereitet eine Vermutung über die Form des Moleküls vor, und ein klassischer Computer prüft, wie gut diese Vermutung ist, und passt sie leicht an, um dem wahren Ergebnis näher zu kommen. Es ist ein Prozess von Versuch und Irrtum, der sich tausende Male wiederholt, bis die Energie so niedrig wie möglich ist. Zu verstehen, wie man diesen Prozess schneller und effizienter machen kann, ist entscheidend, denn wenn wir die Energien von Molekülen präzise berechnen können, könnten wir bessere Medikamente, effizientere Batterien und neue Materialien entwerfen, ohne sie zuerst im Labor bauen zu müssen.

Forscher der Embry-Riddle Aeronautical University machten sich daran zu testen, wie gut diese Methode für das einfachste existierende Molekül funktioniert: Wasserstoff, der aus nur zwei Atomen besteht. Sie wollten sehen, ob sie die Energie des Moleküls bei einhundert verschiedenen Abständen zwischen den beiden Atomen kartieren konnten – eine Aufgabe, die offenbart, wie das Molekül zusammenhält und schließlich auseinanderfällt. Um dies zu erreichen, nutzten sie einen leistungsstarken Computer-Cluster, der mit vier High-End-Grafikprozessoren ausgestattet war – dieselbe Art von Chips, die auch in fortschrittlichen Gaming-Computern zu finden sind, nur in einem für wissenschaftliche Arbeiten hochskalierten Format. Sie führten die Berechnung auf vier verschiedene Arten durch, um zu sehen, welche Methode am schnellsten war. Die erste war ein standardmäßiger, langsamer Ansatz, der als Basis diente. Die zweite nutzte eine Technik, um den Code für den Computer effizienter zu kompilieren. Die dritte verlagerte die Hauptarbeit auf die Grafikprozessoren. Die vierte verteilte die Arbeit gleichzeitig auf viele Prozessoren.

Die Ergebnisse zeigten, dass die größten Gewinne nicht einfach daraus resultierten, den Computer bei jedem Schritt schneller arbeiten zu lassen, sondern daraus, den Computer intelligenter darüber zu machen, wann er aufhören soll. Durch die Anpassung der Einstellungen der Berechnung reduzierten die Forscher die Anzahl der benötigten Schritte, um die Antwort zu finden, von dreißigtausend auf nur etwas mehr als siebentausend. Diese Änderung allein senkte die Gesamtzeit, die zur Kartierung des Moleküls benötigt wurde, von fast zehn Minuten auf knapp unter zwei eine halbe Minuten. Die Forscher fanden heraus, dass die spezifischen Einstellungen, die sie verwendeten – wie etwa jede neue Berechnung mit der Antwort aus dem vorherigen Schritt zu beginnen, anstatt bei Null anzufangen –, weitaus wichtiger waren als die Hardware selbst. Als sie sich die Zeit ansahen, die für einen einzelnen Schritt der Berechnung benötigt wurde, war der Unterschied zwischen der langsamen und der schnellen Methode sehr gering, was bewies, dass die Beschleunigung dadurch zustande kam, dass weniger Schritte durchgeführt wurden, und nicht dadurch, dass jeder Schritt in Rekordzeit erledigt wurde.

Als die Forscher versuchten, die Berechnung auf den Grafikprozessoren laufen zu lassen, sahen sie eine andere Art von Verbesserung. Die Grafikprozessoren waren in der Lage, jeden einzelnen Schritt schneller abzuschließen als die Standard-Computerprozessoren, aber da die Berechnung mehr Schritte erforderte, um auf eine Antwort zu konvergieren, war die Gesamtzeit nicht so gut wie die der optimierten Standardmethode. Dies verdeutlichte eine wichtige Lektion: Schnellere Hardware hilft nicht, wenn die Software nicht darauf abgestimmt ist, sie effizient zu nutzen. Die Forscher testeten auch, was passiert, wenn sie die Arbeit gleichzeitig auf viele Prozessoren aufteilen. Sie fanden heraus, dass die Gesamtzeit zwar signifikant sank, wenn sie mehr Prozessoren verwendeten, sie diesen Durchlauf jedoch nicht direkt mit dem Single-Prozessor-Durchlauf vergleichen konnten, da den Computern unterschiedliche Mengen an Ressourcen zugewiesen wurden. Das bedeutete, dass sie keine spezifische Beschleunigungsrate angeben konnten, aber sie bestätigten, dass die Methode gut genug skaliert, um auf großen Maschinen nützlich zu sein.

Um zu sehen, wie sich dies für größere, komplexere Moleküle verhält, führte das Team einen separaten Test mit Simulationen durch, die von vier bis sechsundzwanzig Qubits reichten – den Basiseinheiten der Information in einem Quantensystem. In diesen Tests waren die Grafikprozessoren dramatisch schneller als die Standardprozessoren und liefen bei der größten Größe bis zu einundachtzig Mal schneller. Die Forscher waren jedoch vorsichtig darauf hinzuweisen, dass dieser Vergleich zwei verschiedene Software-Setups beinhaltete und nicht nur zwei verschiedene Arten von Hardware. Das schnellste Setup auf einer einzelnen Grafikkarte konnte eine Simulation mit neunundzwanzig Qubits handhaben, bevor es an den Speicherlimit stieß, scheiterte jedoch, als sie versuchten, es auf dreißig zu erhöhen. Dies deutet darauf an, dass diese Maschinen zwar leistungsstark sind, aber dennoch physische Grenzen haben, wenn es darum geht, sehr große Quantensysteme zu simulieren.

Letztendlich lieferte die Studie ein klares Bild davon, wie man diese Quantenchemie-Simulationen praktikabel macht. Die effektivste Strategie bestand nicht nur darin, schnellere Computer zu kaufen, sondern das mathematische Rezept zu verfeinern, das die Suche nach der Antwort leitet. Indem sie die Berechnung vorzeitig stoppten, wenn die Antwort gut genug war, eine größere Schrittweite verwendeten, um sich der Lösung zu nähern, und die Antwort des vorherigen Schritts als Ausgangspunkt für den nächsten nutzten, erreichten die Forscher eine massive Zeitreduktion. Sie zeigten auch, dass Grafikprozessoren zwar unglaubliche Geschwindigkeit für große Probleme bieten, ihr volles Potenzial jedoch erst ausgeschöpft wird, wenn die Software speziell auf sie zugeschnitten ist. Die Arbeit bestätigt, dass die Methode für einfache Moleküle die exakte Energie mit unglaublicher Präzision finden kann, und sie bietet einen Fahrplan dafür, wie diese Berechnungen auf die komplexeren Moleküle skalierbar gemacht werden können, die zukünftige wissenschaftliche Entdeckungen vorantreiben werden.