⚛️ física cuántica

A scalable sample-based quantum diagonalization solver for general Pauli-sum Hamiltonians

Este artículo presenta un resolvedor de estado fundamental basado en JAX y escalable para la diagonalización cuántica basada en muestras que aprovecha arquitecturas de GPU y multi-GPU para realizar la diagonalización de subespacios en espacios de hasta $2^{30}$ dimensiones con eficiencia de memoria demostrada y escalabilidad fuerte.

Autores originales: Yutaro Iiyama

Publicado 2026-10-12

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yutaro Iiyama

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la búsqueda de comprender los mecanismos más profundos de la materia, los científicos suelen recurrir a la mecánica cuántica, el conjunto de reglas que rigen el comportamiento de los átomos y las partículas subatómicas. Para sistemas que contienen solo unas pocas partículas, estas reglas son manejables, pero a medida que el número de partículas crece, la complejidad se dispara. Calcular el estado de menor energía de una gran colección de partículas que interactúan —una tarea esencial para diseñar nuevos materiales o comprender reacciones químicas— se vuelve tan difícil que incluso las supercomputadoras clásicas más potentes luchan por resolverlo. Aquí es donde entra en juego la promesa de la computación cuántica. La idea es utilizar una máquina cuántica, que sigue naturalmente estas reglas complejas, para ayudar a resolver problemas que de otro modo serían intratables. Sin embargo, las computadoras cuánticas actuales aún se encuentran en sus primeras etapas, son propensas a errores y están limitadas en tamaño. Todavía no pueden ejecutar por sí solas los cálculos masivos y perfectos requeridos para aplicaciones del mundo real.

Para cerrar esta brecha, los investigadores han desarrollado un enfoque híbrido conocido como diagonalización cuántica basada en muestras. En este método, una pequeña computadora cuántica no resuelve el problema completo. En su lugar, actúa como un sensor especializado, muestreando estados específicos del sistema para sugerir qué partes del vasto paisaje matemático son más importantes. El trabajo pesado del cálculo real se transfiere entonces a una computadora clásica, que utiliza estas sugerencias para encontrar la respuesta. Esta división del trabajo permite a los científicos aprovechar las fortalezas únicas de ambas tecnologías, logrando potencialmente resultados útiles incluso antes de que las computadoras cuánticas sean completamente libres de errores. El desafío, sin embargo, reside en el lado clásico de la ecuación: a medida que la computadora cuántica sugiere más y más estados para considerar, la computadora clásica debe ser capaz de manejar cálculos que involucran miles de millones de dimensiones sin quedarse sin memoria o tiempo.

Un investigador liderado por Yutaro Iiyama en la Universidad de Tokio ha abordado este cuello de botella mediante la creación de una nueva herramienta de software altamente escalable diseñada para ejecutarse en instalaciones de computación de alto rendimiento. Su trabajo se centra en el motor clásico que procesa los datos del muestreador cuántico. Han construido un solucionador capaz de realizar las operaciones matemáticas necesarias en subespacios que contienen hasta aproximadamente mil millones de dimensiones, una escala que anteriormente era difícil de gestionar en una sola máquina. El software está escrito para ejecutarse eficientemente en unidades de procesamiento gráfico, los chips potentes que se encuentran típicamente en las tarjetas de video pero que ahora son centrales en la supercomputación, permitiéndole aprovechar la potencia paralela de cientos de estos procesadores trabajando juntos.

El núcleo de este nuevo solucionador es un algoritmo especializado que encuentra el estado de menor energía de un sistema sin necesidad de almacenar nunca el mapa matemático completo de dicho sistema en la memoria. En los enfoques tradicionales, calcular la energía de un sistema complejo a menudo requiere la creación de una enorme cuadrícula de números que representa cada interacción posible, lo que rápidamente llena la memoria de la computadora. Este nuevo método evita esa trampa calculando los números necesarios solo cuando se necesitan, una técnica conocida como enfoque libre de matrices (matrix-free). Funciona aplicando repetidamente una operación específica a un vector de números, refinando la estimación del estado fundamental con cada paso. Debido a que el investigador optimizó este proceso para usar muy poca memoria, demostró que una sola tarjeta gráfica con 100 gigabytes de memoria podía resolver problemas que involucran mil millones de dimensiones, una hazaña que habría sido imposible con métodos anteriores.

Para probar los límites de su sistema, el investigador realizó simulaciones en un modelo de un material magnético conocido como el modelo de Ising de campo transversal. Lograron calcular los niveles de energía de un sistema con 30 partículas en una sola tarjeta gráfica de alta gama, confirmando que el software podía manejar problemas de física no triviales con la eficiencia esperada. Luego llevaron el sistema más allá, distribuyendo el cálculo a través de un clúster de hasta 128 tarjetas gráficas. En esta configuración, el problema se dividió entre las máquinas, y los resultados mostraron que el tiempo requerido para encontrar la respuesta disminuyó casi perfectamente a medida que se añadían más computadoras. Este "escalamiento fuerte" indica que el software puede utilizar eficazmente la enorme potencia paralela de los centros de supercomputación modernos, haciendo posible abordar problemas que son demasiado grandes para cualquier máquina individual.

El software también incluye una función especializada para manejar la forma única en que la computadora cuántica sugiere qué estados incluir. Esta función debe identificar rápidamente cómo se relacionan los diferentes estados cuánticos entre sí bajo la influencia del Hamiltoniano del sistema, que es una descripción matemática de la energía total. El investigador desarrolló un método de búsqueda ingenioso que agrupa estos estados para minimizar el número de operaciones costosas requeridas. Descubrieron que, al almacenar en caché ciertos datos estáticos, podían acelerar el proceso, aunque esto requería un equilibrio cuidadoso entre el uso de más memoria y el ahorro de tiempo. El sistema está limitado actualmente por la capacidad de la biblioteca de software subyacente para ordenar listas de números, lo que limita el número de dimensiones que puede manejar a aproximadamente mil millones. Sin embargo, el investigador ya ha delineado un plan para actualizar el método de ordenación para permitir escalas aún mayores en el futuro.

Este trabajo representa un paso significativo hacia la realización práctica de la supercomputación centrada en lo cuántico. Al proporcionar una herramienta robusta y de código abierto que puede ejecutarse tanto en estaciones de trabajo individuales como en enormes clústeres de supercomputación, el investigador ha reducido la barrera para que otros apliquen estas técnicas avanzadas. El solucionador está diseñado para ser flexible, capaz de manejar tipos generales de sistemas cuánticos descritos por sumas de operadores de Pauli, que cubren una amplia gama de modelos físicos. Aunque la versión actual tiene un límite estricto sobre el tamaño del subespacio que puede gestionar, la arquitectura está construida para ser actualizada. La capacidad de ejecutar estos cálculos de manera eficiente en el hardware existente significa que los científicos pueden comenzar a explorar problemas cuánticos complejos hoy mismo, utilizando lo mejor de la computación clásica y cuántica para expandir los límites de lo calculable.

Resumen Técnico: Un Solucionador de Diagonalización Cuántica Basado en Muestreo Escalable para Hamiltonianos Generales de Suma de Pauli

Planteamiento del Problema
La diagonalización cuántica basada en muestreo (SQD, por sus siglas en inglés) es un marco prometedor para resolver problemas de estado fundamental de sistemas de muchos cuerpos cuánticos utilizando computadores cuánticos de la era de la escala intermedia (near-term). En la SQD, un hamiltoniano de alta dimensión se proyecta sobre un subespacio pequeño definido por estados cuánticos muestreados desde un dispositivo cuántico. El desafío radica en la escala de estos subespacios; si bien el computador cuántico proporciona los estados de la base, el post-procesamiento clásico puede expandir la dimensión del subespacio a decenas de miles de millones (por ejemplo, $10^{10}$ ).

Los métodos de diagonalización estándar fallan en este régimen porque almacenar la matriz del hamiltoniano reducido en memoria es imposible a menos que sea extremadamente dispersa. Por consiguiente, se requiere un enfoque "libre de matriz" (matrix-free), donde el producto matriz-vector se compute in situ sin formar explícitamente la matriz. Además, estas computaciones deben ser lo suficientemente eficientes para ejecutarse en instalaciones modernas de Computación de Alto Rendimiento (HPC), las cuales están cada vez más centradas en GPU. Las implementaciones de código abierto existentes o bien se especializan en tipos de hamiltonianos específicos (por ejemplo, química o bosones de núcleo duro) o dependen de solucionadores de autovalores (como LOBPCG) que requieren una retención excesiva de memoria GPU, lo que limita su escalabilidad para hamiltonianos generales de suma de Pauli.

Metodología
El autor presenta un solucionador SQD escalable construido sobre la API de JAX, diseñado para ejecutarse en estaciones de trabajo individuales y entornos de HPC de múltiples GPUs. El solucionador consta de dos componentes primarios:

Un Solucionador de Autovalores Eficiente en Memoria:
- El solucionador emplea el método de Gradiente Conjugado Localmente Óptimo (LOC) para encontrar el par de autovalor y autovector más bajo del hamiltoniano reducido.
- A diferencia del método más común de Gradiente Precondicionado de Bloque Localmente Óptimo (LOBPCG), que retiene múltiples vectores grandes para asegurar la estabilidad, esta implementación se enfoca únicamente en el par de autovalor más bajo.
- Mediante el reuso agresivo de memoria, el solucionador minimiza la huella de memoria de la GPU, requiriendo únicamente cinco vectores de dimensión $D$ simultáneamente en la RAM. Esto permite resolver problemas de autovalores con dimensiones de hasta $10^9$ en una sola GPU con 100 GB de memoria.
- Para problemas más grandes, el solucionador soporta vectores distribuidos en nodos paralelos, utilizando las capacidades de paralelización integradas de JAX.
Operación Matriz-Vector Específica de SQD:
- La operación central computa $\beta = P H P \alpha$ , donde $P$ es el proyector sobre el subespacio muestreado y $H$ es el hamiltoniano general de suma de Pauli.
- El algoritmo descompone el hamiltoniano en cadenas de Pauli y utiliza una representación simpléctica para manejar los operadores de Pauli.
- Un paso crítico involucra una "búsqueda de índice de fuente X" (Algoritmo 1), que identifica el mapeo entre los estados de la base bajo la acción de los operadores de Pauli $X$ . Esto se implementa mediante ordenamiento estable sobre arreglos concatenados de índices binarios, optimizado para arquitecturas de GPU.
- Para optimizar el rendimiento, el algoritmo agrupa los términos del hamiltoniano según sus firmas $X$ , reduciendo el número de operaciones costosas de búsqueda y "toma" (take).
- La implementación incluye mecanismos de caché para datos estáticos (índices de fuente y coeficientes diagonales) para intercambiar el uso de memoria por velocidad de ejecución.

Contribuciones Clave

Implementación de Propósito General: A diferencia de otras librerías restringidas a tipos de hamiltonianos específicos, este solucionador maneja hamiltonianos generales de suma de Pauli sin un límite inherente en el número de cúbits.
Escalabilidad Nativa de GPU: El código está escrito en Python usando JAX, lo que permite una ejecución fluida en una sola GPU y en clústeres de HPC distribuidos de múltiples GPUs con cambios mínimos en el código.
Optimización de Memoria: El solucionador de autovalores personalizado está diseñado explícitamente para minimizar el uso de memoria de la GPU, permitiendo el manejo de dimensiones ( $D \approx 10^9$ ) que excederían la capacidad de los métodos estándar de precondicionamiento de bloques en el hardware actual.
Disponibilidad de Código Abierto: El solucionador se libera como una librería de código abierto (rqutils), proporcionando una utilidad general para encontrar pares de autovalores de cualquier operador hermítico donde la operación matriz-vector se implemente como una función compilada con JIT de JAX.

Resultados
El artículo valida el solucionador a través de dos experimentos principales:

Validación de la Huella de Memoria: El solucionador computó con éxito los estados fundamental y primer excitado de un modelo de Ising de campo transversal (TFIM) de 30 sitios en una sola GPU NVIDIA H100 (96 GB de RAM). Esto demostró la capacidad del solucionador para manejar hamiltonianos no triviales dentro de restricciones estrictas de memoria.
Rendimiento de Escalamiento Fuerte: El solucionador fue probado con un TFIM de 32 sitios (que excede la capacidad de memoria de una sola GPU) a través de 8, 16, 32, 64 y 128 nodos de GPU. Los resultados mostraron un buen escalamiento fuerte, con el tiempo de solución disminuyendo efectivamente a medida que aumentaba el número de nodos, manteniendo valores de energía idénticos en todas las instancias.

Significancia y Limitaciones
El artículo posiciona a este solucionador como una herramienta crítica para la "supercomputación centrada en la cuántica", permitiendo el post-procesamiento clásico requerido para extraer la ventaja cuántica de los dispositivos cuánticos de la era pre-tolerancia a fallos. Al separar el rol cuántico (sugerir dimensiones del subespacio) del rol clásico (diagonalización y corrección de errores), este marco aprovecha la enorme potencia de cómputo clásica para superar las limitaciones actuales del hardware cuántico.

Sin embargo, el autor señala explícitamente una limitación actual: la búsqueda de índice de fuente X depende de un ordenamiento estable global, que actualmente está limitado por JAX a arreglos de tamaño $2^{31}-1$ . Por consiguiente, el solucionador soporta actualmente una dimensión máxima de subespacio de $N = 2^{30}-1$ . El autor reconoce que, si bien esto cubre muchos casos de uso actuales, se planean futuras actualizaciones de ordenamiento por bloques para soportar las "decenas de miles de millones" de dimensiones anticipadas en las aplicaciones de vanguardia de SQD. El artículo no pretende resolver el problema de la tolerancia a fallos, sino maximizar la utilidad de los computadores cuánticos de la era intermedia mediante un escalamiento clásico eficiente.

Más como este