Distributed Quantum Computing via Adaptive Circuit Knitting

Die vorgestellte Arbeit führt die adaptive Circuit-Knitting-Methode (ACK) ein, die durch das Identifizieren von Regionen mit minimaler Verschränkung den Sampling-Aufwand für die verteilte Simulation großer Quantenschaltkreise auf mehreren QPUs um bis zu vier Größenordnungen reduziert.

Das Wesentliche

Das große Puzzle: Wie man Quantencomputer zusammenfügt

Stellen Sie sich vor, Sie wollen ein riesiges, komplexes Puzzle mit 60 Teilen lösen. Das Problem: Sie haben nur kleine Tische, auf denen jeweils nur 10 oder 20 Teile Platz finden. In der Welt der Quantencomputer sind diese Tische die QPUs (Quantenprozessoren). Heute sind diese Tische leider noch sehr klein.

Normalerweise würde man sagen: „Oh nein, wir brauchen einen riesigen Tisch für das ganze Puzzle!" Aber die Forscher von HPE haben eine clevere Idee: Warum nicht mehrere kleine Tische nutzen und das Puzzle trotzdem zusammenbauen?

Das ist der Kern dieser Arbeit: Wie man eine riesige Quantenaufgabe auf viele kleine Quantencomputer verteilt, ohne dass die Qualität des Ergebnits leidet.

Das Problem: Der „Klebeeffekt" (Circuit Knitting)

Um das Puzzle auf mehrere Tische zu verteilen, muss man es in der Mitte durchschneiden. In der Quantenwelt nennt man das „Circuit Knitting" (Schaltkreis-Stricken).

Stellen Sie sich vor, Sie haben einen langen, verwobenen Strick, der aus vielen Knoten besteht. Wenn Sie ihn in der Mitte durchschneiden, verlieren Sie die Verbindung zwischen den beiden Hälften. Um zu wissen, wie der ganze Strick am Ende aussieht, müssten Sie theoretisch unendlich oft neu versuchen, die beiden Hälften zu verbinden.

In der Praxis bedeutet das: Je mehr Sie schneiden, desto mehr Versuche (Samples) müssen Sie machen, um das richtige Ergebnis zu berechnen. Das ist wie beim Würfeln: Um ein sehr seltenes Ergebnis zu bekommen, müssen Sie millionenfach würfeln. Das kostet extrem viel Zeit und Rechenleistung.

Die Lösung: Adaptive Circuit Knitting (ACK)

Die Forscher haben einen neuen Trick erfunden, den sie „Adaptive Circuit Knitting" (ACK) nennen.

Stellen Sie sich vor, Sie müssen einen dicken, verschlungenen Gummiseil-Strick durchschneiden.

• Der alte Weg (Load-Balancing): Man schneidet einfach genau in der Mitte durch, egal wie dick das Seil dort ist. Das ist fair, aber oft dumm. Wenn das Seil dort extrem verflochten ist, wird das Verbinden der Teile eine Katastrophe.
• Der neue Weg (ACK): Man sucht erst einmal nach der dünnsten, am wenigsten verflochtenen Stelle im Seil. Dort schneidet man durch.

Warum ist das so wichtig?
In der Quantenwelt nennt man diese Verflechtung Verschränkung (Entanglement).

• Wo die Verschränkung hoch ist, ist das Seil dick und schwer zu trennen.
• Wo die Verschränkung niedrig ist, ist das Seil dünn und leicht zu trennen.

Der ACK-Algorithmus ist wie ein intelligenter Suchroboter. Er schaut sich das Quanten-System an, findet die Stellen, wo die Teile am wenigsten miteinander „verwoben" sind, und schneidet genau dort.

Das Ergebnis: Ein riesiger Gewinn

Die Forscher haben das an einem Modell getestet (einem chaotischen Quantensystem, das wie ein verrücktes Würfelspiel aussieht).

• Ohne den neuen Trick: Man müsste Milliarden von Versuchen machen, um das Ergebnis zu berechnen.
• Mit dem ACK-Trick: Man braucht nur noch ein paar Tausend Versuche.

Das ist ein Unterschied von bis zu 10.000-fach (vier Größenordnungen). Stellen Sie sich vor, Sie müssten eine Reise von 10.000 Jahren machen, aber dank Ihres neuen Navigators dauert sie nur noch ein Jahr.

Wie funktioniert das in der Praxis? (Die GPU-Story)

Da echte Quantencomputer noch klein und fehleranfällig sind, haben die Forscher das alles erst einmal auf klassischen Supercomputern simuliert. Aber nicht auf einem normalen Laptop, sondern auf einem riesigen System mit vielen GPUs (Grafikkarten, wie in Gaming-PCs, aber extrem stark).

Sie haben gezeigt, dass man diese Suche nach der „dünnsten Stelle" im Seil parallel auf vielen Grafikkarten gleichzeitig berechnen kann. Das ist wie ein Team von 100 Detektiven, die gleichzeitig das ganze Seil absuchen, statt nur einer Person, die es langsam von vorne nach hinten durchgeht.

Fazit: Warum ist das toll?

Diese Methode ist ein großer Schritt für die Zukunft:

1. Heute (NISQ-Ära): Wir können schon jetzt Aufgaben lösen, die für einen einzelnen kleinen Quantencomputer zu groß sind, indem wir sie auf mehrere verteilen.
2. Zukunft: Auch wenn wir später riesige, fehlerfreie Quantencomputer haben, wird es oft effizienter sein, Aufgaben auf viele kleinere Chips zu verteilen, statt einen einzigen riesigen zu bauen.

Zusammengefasst in einem Satz:
Die Forscher haben einen intelligenten Algorithmus entwickelt, der wie ein geschickter Schneider den Quantencomputer genau dort durchschneidet, wo es am wenigsten weh tut, um so die Rechenzeit um das Zehntausendfache zu verkürzen.

Technische Zusammenfassung

Problemstellung

Die Skalierung von Quantencomputern hin zu einem praktischen Quantenvorteil wird durch die physikalischen Grenzen der Größe einzelner Quantenprozessoren (QPUs) behindert. Aktuelle und zukünftige Hardware (NISQ-Ära wie auch fehlertolerante Architekturen) kann oft nicht die für komplexe Algorithmen erforderliche Anzahl an Qubits auf einem einzigen Chip unterbringen. Die Verteilung von Quantenworkloads auf mehrere QPUs ist daher notwendig.

Das Hauptproblem liegt in der Kommunikation zwischen diesen QPUs:

1. Fehlende Hochleistungs-Quantenverbindungen: Hochwertige Quanten-Interconnects (für direkte Quantenkommunikation) sind noch nicht in ausreichender Qualität verfügbar.
2. Exponentieller Overhead bei klassischer Kommunikation: Eine etablierte Methode, „Circuit Knitting" (Schaltkreis-Sticken), erlaubt die Verteilung von Berechnungen unter Verwendung nur klassischer Kommunikation. Dabei wird ein großer Quantenschaltkreis in kleinere Sub-Schaltkreise zerlegt (geschnitten). Die fehlende Verschränkung zwischen den Partitionen muss jedoch durch eine Quasi-Wahrscheinlichkeits-Zerlegung (QPD) rekonstruiert werden.
3. Sampling-Kosten: Die Rekonstruktion von Observablen erfordert ein exponentielles Sampling (Anzahl der Messungen), das mit der Anzahl der geschnittenen Gatter und der Stärke der verlorenen Verschränkung skaliert. Herkömmliche Ansätze schneiden Schaltkreise oft willkürlich oder lastenausgleichend, was zu einem extrem hohen Sampling-Overhead führt.

Methodik: Adaptive Circuit Knitting (ACK)

Die Autoren stellen eine neue Methode namens Adaptive Circuit Knitting (ACK) vor, die den Sampling-Overhead minimiert, indem sie die Partitionierung des Schaltkreises dynamisch an die Verschränkungsstruktur des Quantenzustands anpasst.

Kernkonzepte:

• Verschränkungs-Minimierung: Der Sampling-Overhead ($\gamma$) ist direkt mit der „Robustheit der Verschränkung" ($R$) verknüpft ($\gamma = 1 + 2R$). Für reine Zustände entspricht dies einer Funktion der Schmidt-Koeffizienten. Das Ziel ist es, Schnitte an Stellen zu setzen, wo die Verschränkung zwischen den Partitionen minimal ist.
• Tensor-Netzwerk-Basis: ACK nutzt Tensor-Netzwerke (insbesondere Matrix Product States, MPS), um den Quantenzustand effizient zu repräsentieren.
• Zweistufiger Algorithmus (siehe Abb. 2):
  1. Innerer Loop (Variationale Optimierung): Für eine gegebene Partitionierung werden die Sub-Schaltkreise mittels eines variationalen Optimierers (unter Verwendung von Quantenschaltkreis-Tensor-Netzwerken) so angepasst, dass sie den entsprechenden Teil des MPS bestmöglich approximieren. Dies geschieht parallel auf den verfügbaren QPUs (oder Simulatoren).
  2. Äußerer Loop (Adaptive Suche): Basierend auf den optimierten Partitionen werden partielle Entropie-Heatmaps berechnet. Ein adaptiver Prozess sucht nach neuen Schnittstellen, die die Verschränkung zwischen den Partitionen minimieren. Dieser Prozess wiederholt sich, bis die optimalen Schnitte gefunden sind.
• Hybride Simulation: Die Implementierung nutzt eine hochparallele, GPU-beschleunigte Architektur (Nvidia GH200) mit MPI für die Verteilung und CuPy für die GPU-Berechnungen, um die Effizienz der Sub-Schaltkreis-Simulationen zu maximieren.

Wichtige Beiträge

1. Entwicklung des ACK-Algorithmus: Ein neuer Ansatz, der die Verschränkungsstruktur als Leitprinzip für die Partitionierung nutzt, anstatt statische oder lastenausgleichende Schnitte zu verwenden.
2. Theoretische Verbindung: Die klare Herleitung des Zusammenhangs zwischen dem Sampling-Overhead ($\gamma$) und der Rényi-Entropie (insbesondere der $\alpha=1/2$-Rényi-Entropie), was zeigt, dass niedrige Entropie-Schnitte zu drastisch reduzierten Sampling-Kosten führen.
3. Skalierbare Implementierung: Eine parallele, GPU-gestützte Implementierung, die zeigt, wie klassische Hochleistungsrechner (HPC) zur effizienten Simulation und Vorbereitung verteilter Quantenberechnungen genutzt werden können.
4. Anwendung auf komplexe Modelle: Anwendung und Validierung der Methode auf 1D- und 2D-Ising-Modellen mit Unordnung (Disorder), die für klassische Simulationen aufgrund von Volumen-Gesetz-Verschränkung schwer handhabbar sind.

Ergebnisse

Die Autoren simulierten 1D- und 2D-Ising-Modelle mit Unordnung (bis zu 60 Qubits) und verglichen die ACK-Methode mit herkömmlichen, lastenausgleichenden Schnittstrategien:

• Reduktion des Overheads: ACK konnte den Sampling-Overhead für Observablen von Interesse um bis zu vier Größenordnungen (Faktor 10.000) im Vergleich zu nicht-adaptiven Methoden reduzieren.
• Statistische Verbesserung:
  • Bei 40-Qubit-Simulationen (1D) zeigten 81,2 % der Unordnungs-Instanzen eine Verbesserung, mit einem medianen Faktor von 17x und einem Faktor von ~459x im 90. Perzentil.
  • Bei 60-Qubit-Simulationen (mit zwei Schnitten für drei Partitionen) stieg die mediane Verbesserung auf 51x und das 90. Perzentil auf ~10.000x.
• Genauigkeit: Bei einer festen Anzahl von Samples (begrenzte QPU-Ressourcen) lieferte die adaptive Strategie deutlich genauere Ergebnisse für die Energiedichte als die lastenausgleichende Strategie.
• 2D-Systeme: Auch für 2D-Systeme (dargestellt als 1D-Kette via „Snake"-Mapping) zeigte ACK eine mediane Verbesserung von 46x, was die Effektivität der Methode auch für höherdimensionale Systeme unterstreicht.
• Hardware-Effizienz: Die hybride CPU/GPU-Implementierung zeigte eine Beschleunigung von 15–30 % gegenüber einer reinen GPU-Execution durch optimiertes Load-Balancing für Sub-Schaltkreise unterschiedlicher Größe.

Bedeutung und Ausblick

Die Arbeit demonstriert einen entscheidenden Schritt zur Realisierung von verteilter Quantenberechnung in der nahen Zukunft (NISQ) und darüber hinaus:

• Praktischer Vorteil: ACK macht die Verteilung von Quantenworkloads auf mehrere kleine QPUs praktikabel, indem es das exponentielle Sampling-Problem durch intelligente, verschränkungsaware Partitionierung löst.
• HPC-QC Integration: Die Studie unterstreicht die Notwendigkeit leistungsfähiger klassischer Simulatoren (HPC) für die Entwicklung verteilter Quantenalgorithmen. Sie zeigt, wie HPC-Ressourcen genutzt werden können, um die Schnittstellen und Partitionen für zukünftige Quantenhardware zu optimieren.
• Skalierbarkeit: Da die Methode auf Tensor-Netzwerken basiert, ist sie nicht auf spezifische Hardware beschränkt und kann auf fehlertolerante Architekturen übertragen werden, sobald diese verfügbar sind.
• Zukunftsperspektive: Die Autoren sehen ACK als Teil eines vollständigen HPC-QC-Frameworks (Hypervisor-Ebene), das Workloads dynamisch auf Quanten- und klassische Ressourcen verteilt. Zukünftige Arbeiten werden die Anwendung auf allgemeinere Tensor-Netzwerke (wie PEPS für echte 2D-Systeme) und maschinelles Lernen zur Vorhersage von Verschränkungsdynamiken untersuchen.

Zusammenfassend bietet ACK einen effizienten Pfad, um die Grenzen einzelner QPUs zu überwinden und komplexe Quantensimulationen auf verteilten Systemen durchzuführen, ohne auf noch nicht verfügbare hochfidele Quanten-Interconnects angewiesen zu sein.