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

La química es el estudio de cómo los átomos se unen para formar el mundo que nos rodea, desde el aire que respiramos hasta los materiales de nuestros teléfonos. Durante décadas, los científicos han intentado predecir exactamente cómo se comportan estos átomos calculando la energía de sus electrones. La forma más precisa de hacerlo es resolviendo un conjunto masivo de ecuaciones que describen el movimiento de cada electrón. Sin embargo, tan pronto como una molécula se vuelve incluso ligeramente compleja, el número de cálculos requeridos explota, creciendo tan rápido que incluso las supercomputadoras más potentes del mundo no pueden terminar la tarea. Aquí es donde entra en juego un nuevo enfoque llamado Solucionador Cuántico Variacional. En lugar de intentar resolver todo el problema a la vez, este método utiliza un equipo híbrido: una computadora cuántica (o una simulación de una) prepara una suposición sobre la forma de la molécula, y una computadora clásica verifica qué tan buena es esa suposición y la ajusta ligeramente para acercarse a la respuesta verdadera. Es un proceso de prueba y error que se repite miles de veces hasta que la energía es lo más baja posible. Comprender cómo hacer que este proceso sea más rápido y eficiente es crucial, porque si podemos calcular las energías moleculares con precisión, podríamos diseñar mejores medicinas, baterías más eficientes y nuevos materiales sin necesidad de construirlos primero en un laboratorio.

Investigadores de la Universidad Aeronáutica Embry-Riddle se propusieron probar qué tan bien funciona este método para la molécula más simple que existe: el hidrógeno, que consiste en solo dos átomos. Querían ver si podían mapear la energía de la molécula a cien distancias diferentes entre los dos átomos, una tarea que revela cómo la molécula se mantiene unida y, eventualmente, cómo se desintegra. Para hacer esto, utilizaron un potente clúster de computación equipado con cuatro procesadores gráficos de alto rendimiento, el mismo tipo de chips que se encuentran en las computadoras avanzadas para juegos, pero escalados para el trabajo científico. Ejecutaron el cálculo de cuatro formas diferentes para ver qué método era el más rápido. El primero fue un enfoque estándar y lento que sirvió como línea base. El segundo utilizó una técnica para compilar el código para que la computadora lo ejecutara de manera más eficiente. El tercero trasladó el trabajo pesado a los procesadores gráficos. El cuarto dividió el trabajo entre muchos procesadores simultáneamente.

Los resultados mostraron que las mayores ganancias no provinieron simplemente de hacer que la computadora trabajara más rápido en cada paso, sino de hacer que la computadora fuera más inteligente sobre cuándo detenerse. Al ajustar la configuración del cálculo, los investigadores redujeron el número de pasos necesarios para encontrar la respuesta de treinta mil a poco más de siete mil. Este cambio por sí solo redujo el tiempo total requerido para mapear la molécula de casi diez minutos a poco menos de dos minutos y medio. Los investigadores descubrieron que las configuraciones específicas que utilizaron, como comenzar cada nuevo cálculo con la respuesta del anterior en lugar de comenzar desde cero, fueron mucho más importantes que el hardware en sí. Cuando observaron el tiempo que tomaba realizar un solo paso del cálculo, la diferencia entre el método lento y el método rápido fue muy pequeña, demostrando que la aceleración provino de realizar menos pasos, no de realizar cada paso en tiempo récord.

Cuando los investigadores intentaron ejecutar el cálculo en los procesadores gráficos, vieron un tipo diferente de mejora. Los procesadores gráficos pudieron completar cada paso individual más rápido que los procesadores estándar de la computadora, pero debido a que el cálculo requería más pasos para converger en una respuesta, el tiempo total no fue tan bueno como el método estándar optimizado. Esto resaltó una lección clave: tener un hardware más rápido no ayuda si el software no está ajustado para usarlo eficientemente. Los investigadores también probaron qué sucede cuando se divide el trabajo entre muchos procesadores a la vez. Encontraron que, si bien el tiempo total disminuyó significamente al usar más procesadores, no podían comparar esto directamente con la ejecución de un solo procesador porque a las computadoras se les asignaron diferentes cantidades de recursos. Esto significó que no podían reclamar una razón de aceleración específica, pero sí confirmaron que el método escala lo suficientemente bien como para ser útil en máquinas grandes.

Para ver cómo se sostiene esto para moléculas más grandes y complejas, el equipo realizó una prueba separada con simulaciones que variaban de cuatro a veintiséis cúbits, las unidades básicas de información en un sistema cuántico. En estas pruebas, los procesadores gráficos fueron dramáticamente más rápidos que los procesadores estándar, funcionando hasta ochenta y una veces más rápido en el tamaño más grande. Sin embargo, los investigadores fueron cuidadosos al notar que esta comparación involucraba dos configuraciones de software diferentes, no solo dos tipos diferentes de hardware. La configuración más rápida en una sola tarjeta gráfica pudo manejar una simulación con veintinueve cúbits antes de quedarse sin memoria, pero falló cuando intentaron llevarla a treinta. Esto sugiere que, aunque estas máquinas son poderosas, todavía tienen límites físicos cuando se trata de simular sistemas cuánticos muy grandes.

En última instancia, el estudio proporcionó una imagen clara de cómo hacer que estas simulaciones de química cuántica sean prácticas. La estrategia más efectiva no fue solo comprar computadoras más rápidas, sino refinar la receta matemática utilizada para guiar la búsqueda de la respuesta. Al detener el cálculo temprano cuando la respuesta era lo suficientemente buena, usando un tamaño de paso más grande para avanzar hacia la solución y utilizando la respuesta anterior como punto de partida para la siguiente, los investigadores lograron una reducción masiva de tiempo. También demostraron que, si bien los procesadores gráficos ofrecen una velocidad increíble para problemas grandes, su pleno potencial solo se desbloquea cuando el software está diseñado para trabajar específicamente con ellos. El trabajo confirma que, para moléculas simples, el método puede encontrar la energía exacta con una precisión increíble, y proporciona una hoja de ruta sobre cómo escalar estos cálculos a las moléculas más complejas que impulsarán los futuros descubrimientos científicos.