Resumen Técnico: COSMA – Optimización de Kernels de Simulación Fermiónica Consciente de la Comunicación para Arquitecturas Cuánticas Modulares

1. Declaración del Problema

La simulación cuántica es una aplicación primaria para la computación cuántica, particularmente en la química computacional y la ciencia de materiales. Sin embargo, lograr una ventaja cuántica práctica para problemas químicamente relevantes (por ejemplo, la simulación del sitio activo de FeMoco) requiere millones de qubits físicos cuando se tiene en cuenta la corrección de errores cuánticos. Las arquitecturas monolíticas enfrentan obstáculos significos para escalar a este régimen debido a la complejidad del control, el cross-talk y la gestión térmica. En consecuencia, se han propuesto arquitecturas cuánticas modulares (multi-núcleo), consistentes en Unidades de Procesamiento Cuántico (QPUs) interconectadas.

En los sistemas modulares, la comunicación cuántica entre núcleos (vía teletransportación o entrelazamiento distribuido) se convierte en el cuello de botella dominante del rendimiento. Operaciones como la transferencia de estado son costosas, introducen ruido y pueden dominar el tiempo de ejecución si no se minimizan. Los marcos de compilación existentes típicamente optimizan el mapeo de fermión-a-qubit, la programación de Pauli y la asignación de qubits de forma aislada o para topologías de un solo núcleo, fallando al abordar la sobrecarga de comunicación específica inherente a los sistemas modulares.

El problema central abordado es la optimización conjunta de tres etapas estrechamente acopladas para minimizar las transferencias de estado inter-núcleo en kernels de simulación fermiónica:

1. Mapeo de Fermión-a-Qubit (F2Q): Codificación de operadores fermiónicos en operadores de qubit.
2. Programación de Pauli (Pauli Scheduling): Ordenamiento de los términos de Pauli en el circuito de evolución temporal Trotterizada.
3. Asignación y Enrutamiento de Qubits: Asignación de qubits lógicos a núcleos físicos y síntesis de árboles de paridad para gadgets de Pauli.

2. Metodología: El Marco COSMA

Los autores proponen COSMA, un marco de compilación consciente de la comunicación que realiza un co-diseño de capas cruzadas. El marco trata el flujo de compilación como un problema de optimización unificado en lugar de una secuencia de pasos independientes.

A. Formulación del Problema

La entrada consiste en un Hamiltoniano fermiónico en forma de Majorana y un grafo de hardware multi-núcleo con capacidades de núcleo específicas y distancias inter-núcleo. La optimización busca minimizar el costo total de transferencia inter-núcleo, definido como la suma de las distancias que viajan los qubits lógicos entre la sucesión de slices del circuito. La función de costo depende de cuatro variables acopladas:

• Mapeo ($M$): Un mapeo de Árbol Ternario Preservador de Producto (PPTT) que determina el soporte (qubits involucrados) de cada cadena de Pauli.
• Ordenamiento ($\pi$): La permutación de los términos de Pauli en la secuencia de Trotter.
• Árboles de Paridad ($\{T_t\}$): Árboles de expansión que definen la estructura CNOT para cada gadget de Pauli.
• Asignación ($\{\ell_l\}$): La asignación de qubits lógicos a núcleos para cada slice del circuito.

B. Componentes Algorítmicos Clave

1. Optimización del Mapeo Fermión-a-Qubit

COSMA emplea un Algoritmo Genético (GA) para optimizar el mapeo F2Q.

• Codificación del Genoma: Un mapeo candidato se codifica como un genoma de dos componentes: un cromosoma de forma de árbol (secuencia de grados preorder de un árbol ternario) y un cromosoma de asignación de modo (permutación de modos fermiónicos a nodos del árbol).
• Evolución: El GA utiliza selección por torneo, cruce de intercambio de subárboles y mutación de reemplazo de subárboles.
• Fitness: La función de aptitud (fitness) es el costo total de transferencia inter-núcleo resultante de ejecutar las etapas de programación y asignación posteriores con ese mapeo específico fijo. Esto permite que el mapeo se optimice específicamente para las restricciones de comunicación de la arquitectura modular.

2. Programación de Pauli

Una vez fijado un mapeo, los términos de Pauli se ordenan para minimizar los cambios de soporte entre gadgets consecutivos. COSMA evalúa tres estrategias:

• Ordenamiento por Magnitud: Clasificación por magnitud de coeficiente (estándar para la reducción de error).
• Ordenamiento Lexicográfico: Clasificación alfabética para maximizar la cancelación de puertas.
• Ordenamiento Inspirado en Gray: Clasificación basada en una transformación de código Gray de las máscaras de soporte. Esto busca colocar términos con soportes similares de forma adyacente en el programa, minimizando la distancia de Hamming entre soportes consecutivos y reduciendo así el movimiento de qubits.

3. Síntesis de Árbol de Paridad y Asignación Multi-núcleo

Esta etapa sintetiza el árbol de paridad CNOT para cada gadget de Pauli mientras determina simultáneamente la ubicación de los qubits. Utiliza una heurística de mirada hacia adelante (lookahead):

• Puntuación de Desubicación: Calcula una puntuación para cada qubit basada en su distancia a futuros socios de interacción dentro de una ventana de mirada hacia adelante.
• Construcción del Bosque de Paridad: Agrupa los qubits de soporte por sus asignaciones de núcleo actuales, formando cadenas CNOT locales dentro de los núcleos.
• Selección del Núcleo de Reunión: Identifica un "núcleo de reunión" que minimiza la distancia ponderada a todos los qubits de soporte, actuando como un atractor espacial.
• Fusión Hacia Adelante y Hacia Atrás: Fusiona iterativamente subárboles disjuntos de diferentes núcleos en un solo árbol de paridad. El algoritmo decide si mover un qubit representativo o intercambiarlo con un qubit residente basándose en las distancias de interacción futuras y las restricciones de capacidad del núcleo. Este proceso genera la secuencia de slices del circuito y las transferencias inter-núcleo requeridas.

3. Contribuciones Clave

1. Primer Estudio de Co-Diseño: Hasta donde los autores saben, este es el primer trabajo que optimiza conjuntamente el mapeo F2Q, la programación de Pauli y la asignación de qubits específicamente para kernels de simulación cuántica en arquitecturas modulares.
2. Algoritmo Genético para Mapeo: Un novedoso enfoque de GA para optimizar los mapeos de árbol ternario F2Q con respecto al costo de comunicación inter-núcleo, yendo más allá de las codificaciones fijas como Jordan-Wigner o Bravyi-Kitaev.
3. Síntesis y Asignación Heurística: Una heurística rápida para la síntesis de árboles de paridad y la asignación de qubits adaptada a secuencias de gadgets de Pauli, utilizando ventanas de mirada hacia adelante para minimizar la presión de comunicación futura.
4. Marco de Código Abierto: Un marco de código abierto, acelerado por GPU (COSMA), para evaluar estas estrategias, disponible en el repositorio proporcionado.

4. Resultados Experimentales

El marco fue evaluado en 14 cargas de trabajo moleculares (que van desde 14 hasta 90 modos fermiónicos) utilizando una arquitectura multi-núcleo de rejilla 2D.

• Rendimiento vs. Baselines: Comparado con los estados del arte (mapeos fijos como JW, BK, PE, JKMN combinados con asignación húngara y programación estándar), COSMA logró:
  • Una reducción mediana de 1.7× (reducción del 59.7%) en el costo de comunicación cuando se usa programación inspirada en Gray.
  • Una reducción mediana de 1.4× (reducción del 42.8%) cuando se usa ordenamiento por magnitud.
  • Hasta una reducción de 2.5× en el costo de comunicación para cargas de trabajo específicas.
• Estudios de Ablación:
  • Impacto del Mapeo: Optimizar el mapeo por sí solo (con programación/asignación fija) produjo una mejora mediana del 11.4% sobre el mejor mapeo fijo, aunque las ganancias disminuyeron para sistemas más grandes debido al presupuesto de búsqueda fijo del GA.
  • Impacto de la Programación: La programación inspirada en Gray superó significativamente al ordenamiento por magnitud (reducción mediana del 46.0%) y al ordenamiento lexicográfico (reducción mediana del 10.5%), confirmando que suavizar las transiciones de soporte es crítico para los sistemas modulares.
• Tiempo de Ejecución: El marco está implementado en C++ con aceleración CUDA. La etapa de síntesis y asignación es el cuello de botella y escala aproximadamente de forma cuartica con el número de modos (impulsado por el número de términos de Pauli). El multi-hilo y CUDA proporcionaron aceleraciones de 5.0× y 9.4× respectivamente sobre la ejecución de un solo hilo.

5. Significado y Reivindicaciones

El artículo argumenta que el co-diseño de capas cruzadas es esencial para una simulación cuántica eficiente y escalable en hardware multi-núcleo. Los resultados demuestran que optimizar el mapeo, la programación y la asignación de forma aislada es subóptimo porque estas etapas están estrechamente acopladas; una elección subóptima en una etapa restringe a las demás.

Los autores afirman que, al apuntar explícitamente a la comunicación inter-núcleo mediante un marco unificado, COSA reduce significativamente la sobrecarga de comunicación que de otro modo dominaría el tiempo de ejecución en computadoras cuánticas modulares. Este enfoque proporciona una vía para escalar las simulaciones cuánticas hacia problemas químicamente relevantes al mitigar el cuello de botella principal de las arquitecturas modulares.

6. Limitaciones y Trabajo Futuro

Los autores reconocen varias limitaciones:

• Modelo de Costo: El modelo de costo de transferencia se basa en la distancia de la ruta más corta y no tiene en cuenta las capacidades de los enlaces, la congestión o las asimetrías de latencia.
• Error de Trotter: El marco no optimiza explícitamente el error de Trotter introducido por el reordenamiento de términos no conmutantes, centrándose únicamente en la comunicación.
• Familia de Mapeo: El enfoque actual está restringido a mapeos PPTT (N modos a N qubits). Aún no se han explorado mapeos con diferentes ratios de escala (por ejemplo, basados en códigos LDPC).
• Solapamiento de Pipeline: El objetivo minimiza el conteo de transferencias sin considerar el potencial de solapar la comunicación con la computación local.

El trabajo futuro incluye el refinamiento del modelo de costo de hardware, la incorporación de los compromisos (trade-offs) del error de Trotter, la exploración de operadores evolutivos más expresivos y la extensión del marco a otras topologías modulares y algoritmos variacionales.