Distributed Variational Quantum Eigensolver: Embarrassingly Parallel strategies on NISQ
Diese Arbeit evaluiert drei „embarrassingly parallel“ Strategien für den Variational Quantum Eigensolver auf NISQ-Geräten unter Verwendung der CUNQA-Emulationsplattform und analysiert deren Kompromisse zwischen Beschleunigung und Genauigkeit in Gegenwart heterogener Rauschanteile.
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 von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Welt des Quantencomputings navigiert derzeit durch eine schwierige, aber vielversprechende Phase, die als Ära der „noisy intermediate-scale“ (verrauschten Zwischenskala) bekannt ist. In dieser Zeit sind die Maschinen, die wir besitzen, zwar leistungsstark genug, um komplexe Berechnungen durchzuführen, an denen klassische Computer Schwierigkeiten haben, doch sie sind dennoch von Unvollkommenheiten geplagt. Diese Unvollkommenheiten oder das „Rauschen“ verursachen Fehler in den Maschinen, was die Dauer einer Berechnung einschränkt, bevor die Ergebnisse unzuverlässig werden. Um diese Grenzen zu überwinden, erforschen Wissenschaftler eine Strategie namens verteiltes Quantencomputing. Anstatt sich auf eine einzige, massive Maschine zu verlassen, die es noch nicht gibt, verbindet dieser Ansatz mehrere kleinere, unvollkommene Maschinen, damit diese gemeinsam an einem einzigen Problem arbeiten. Die Herausforderung besteht darin, herauszufinden, wie man die Arbeit auf diese verschiedenen Geräte verteilt, ohne dass deren individuelle Mängel das Endergebnis ruinieren.
Eine der wichtigsten Aufgaben für diese Maschinen ist das Finden des niedrigsten Energiezustands eines physikalischen Systems, ein Prozess, der als Variational Quantum Eigensolver bekannt ist. Stellen Sie sich vor, Sie versuchen, das tiefste Tal in einer riesigen, nebligen Landschaft zu finden: Der Quantencomputer fungiert dabei als Führer, der das Gelände wahrnehmen kann, während ein klassischer Computer als Navigator dient, der den Pfad basierend auf den Berichten des Führers anpasst. Dieser Prozess erfordert, dass die Quantenmaschine dieselbe Berechnung tausende Male durchführt, um eine zuverlässige Messung zu erhalten. Da diese Aufgabe viele Wiederholungen erfordert, ist sie ein idealer Kandidat für die Aufteilung der Arbeit auf mehrere Geräte. Wenn diese Geräte jedoch nicht identisch sind – wenn eines beispielsweise verrauschter ist als die anderen –, kann die Art und Weise, wie die Arbeit aufgeteilt wird, die Geschwindigkeit und Genauigkeit des Ergebnisses erheblich verändern.
Forscher am Galicia Supercomputing Center in Spanien setzten sich zum Ziel, genau zu testen, wie man diese Arbeit am effektivsten verteilt. Sie verwendeten für diese Studie keine physischen Quantencomputer, da die Technologie noch in der Entwicklung ist. Stattdessen nutzten sie eine hochentwickelte Simulationsplattform namens CUNQA, um eine virtuelle Umgebung zu schaffen. In dieser digitalen Welt bauten sie einen Pool aus virtuellen Quantenprozessoren auf, von denen jeder so programmiert war, dass er die spezifischen Fehler und Rauschmuster realer Maschinen verschiedener Hersteller, einschließlich IBM und OQC, nachahmte. Durch die Durchführung ihrer Experimente in dieser kontrollierten, simulierten Umgebung konnten sie die Auswirkungen des Rauschens isolieren und verschiedene Strategien testen, ohne die Unvorhersehbarkeit echter Hardware.
Das Team verglich drei verschiedene Methoden zur Verteilung der Arbeitslast. Die erste Methode, die sogenannte Shot-Level-Distribution, beinhaltet das Aufteilen einer einzelnen Berechnung in kleinere Chargen der erforderlichen Gesamtmessungen. Diese Chargen werden an verschiedene virtuelle Maschinen gesendet, und die Ergebnisse werden später kombelt. Die zweite Methode, die Circuit-Level-Distribution, weist ganze, separate Berechnungen verschiedenen Maschinen zu. Dies ist nützlich, wenn ein einzelner Schritt des Problems die Evaluierung vieler verschiedener Teile des Systems gleichzeitig erfordert. Die dritte Methode, die Candidate-Level-Distribution, ist für eine spezifische Art des Problemlösungsansatzes konzipiert, bei dem viele verschiedene potenzielle Lösungen gleichzeitig getestet werden. In diesem Fall wird jede potenzielle Lösung an eine andere Maschine gesendet, um sie unabhängig voneinander zu evaluieren.
Die Forscher fanden heraus, dass die beste Strategie stark davon abhängt, welcher Problemlöser verwendet wird und welche Qualität die verfügbaren Maschinen aufweisen. Wenn das Ziel lediglich darin bestand, die Messungen aufzuteilen, zeigten die Ergebnisse, dass diese Methode nur dann gut funktioniert, wenn die Gesamtzahl der Messungen sehr groß ist. Wenn die Anzahl der Messungen gering ist, überwiegt die Zeit, die für den Datentransfer zwischen den Maschinen aufgewendet werden muss, die Zeit, die durch das parallele Ausführen eingespart wird. Wenn die Arbeitslast jedoch die Durchführung vieler separater Berechnungen beinhaltete, erwies sich die Aufteilung der Schaltkreise auf verschiedene Maschinen als wesentlich effizienter.
Ein entscheidender Befund ging aus den Simulationen hervor: Nicht alle Maschinen sind gleich geschaffen, und das Mischen von Maschinen erfordert Sorgfalt. Als die Forscher eine Methode verwendeten, die auf präzisen geometrischen Informationen basiert, um die Suche zu leiten, konnte das Vorhandensein auch nur einer einzigen verrauschten Maschine in der Gruppe den gesamten Prozess destabilisieren, was dazu führte, dass die Ergebnisse schwankten oder nicht konvergierten. Im Gegensatz dazu erwies sich eine Methode, die viele verschiedene Lösungen gleichzeitig testet, als widerstandsfähiger. Da dieser Ansatz viele Möglichkeiten simultan evaluiert, kann er die Ergebnisse der verrauschtesten Maschinen einfach ignorieren und sich auf die besseren konzentrieren. Die Studie zeigte auch, dass das Rotieren dessen, welche Maschine welchen Teil der Aufgabe übernimmt, hilft, zu verhindern, dass ein einzelnes Gerät die Ergebnisse konsistent verzerrt, was zu etwas schnelleren und zuverlässigeren Ergebnissen führt.
Letztendlich zeigt die Arbeit, dass es keine „Einheitslösung“ für die Verbindung von Quantencomputern gibt. Die effektivste Art, eine Aufgabe zu verteilen, hängt vom spezifischen Algorithmus und den Merkmalen der verfügbaren Hardware ab. Für einige Probleme reicht es aus, die Messungen aufzuteilen, während für andere die Zuweisung ganzer Aufgaben an verschiedene Maschinen weitaus überlegen ist. Die Studie legt nahe, dass mit zunehmender Reife der Quantentechnologie und der Verknüpfung immer mehr Geräte die Fähigkeit, diese Unterschiede intelligent zu verwalten, genauso wichtig sein wird wie die Leistung der Maschinen selbst. Durch das Verständnis darüber, wie das Rauschen mit verschiedenen Verteilungsstrategien interagiert, können Wissenschaftler besser auf eine Zukunft vorbereitet sein, in der Quantencomputing eine kollaborative, verteilte Anstrengung ist und kein einsamer Wettlauf um eine einzige perfekte Maschine.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.