Quantum Integration Software Suite For HPC-Quantum Computing Workflows

El mundo de la informática se encuentra actualmente en una encrucijada. Por un lado se encuentra el paisaje familiar de las supercomputadoras clásicas, máquinas masivas que resuelven problemas complejos descomponiéndolos en miles de millones de diminutos pasos secuenciales. Por el otro está la frontera emergente de la computación cuántica, una tecnología que utiliza las extrañas reglas de la física subatómica para procesar información de formas fundamentalmente distintas. Si bien las computadoras clásicas son excelentes para muchas tareas, tienen dificultades con tipos específicos de problemas, como la simulación del comportamiento de moléculas para el descubrimiento de fármacos o la optimización de vastas redes logísticas. Las computadoras cuánticas prometen resolver estos problemas específicos mucho más rápido, pero aún no están listas para reemplazar a las máquinas clásicas. En su lugar, el camino más práctico hacia adelante implica una asociación: un sistema híbrido donde una supercomputadora clásica se encarga del trabajo pesado de la gestión de datos y la lógica, mientras que un procesador cuántico aborda los cálculos específicos y difíciles que están fuera del alcance de las máquinas clásicas. El desafío para los científicos es descubrir cómo conectar estos dos mundos tan diferentes de manera eficiente, asegurando que el tiempo dedicado a mover datos entre ellos no anule las ganancias de velocidad que proporciona la computadora cuántica.

En un estudio reciente, investigadores del Science and Technology Facilities Council en el Reino Unido han construido un nuevo conjunto de herramientas de software diseñadas para cerrar esta brecha. Su trabajo se centra en la creación de un flujo de trabajo fluido que permita a las supercomputadoras clásicas comunicarse con los procesadores cuánticos, o al menos simular esa conversación con alta precisión. El equipo introdujo dos herramientas principales. La primera es un traductor, llamado compilador, que toma instrucciones escritas en un lenguaje moderno para computadoras cuánticas y las convierte en un formato que un potente simulador clásico pueda ejecutar. La segunda herramienta es un modelo de rendimiento, una especie de bola de cristal digital que predice cuánto tiempo tomará una tarea y cuánta densidad de tráfico de datos generará al moverse entre las partes clásica y cuántica del sistema. Al combinar estas herramientas, los investigadores demostaron cómo los científicos pueden probar y refinar flujos de trabajo híbridos sin necesidad de tener acceso inmediato y constante al costoso y limitado hardware cuántico real.

El núcleo de este nuevo conjunto de software es un compilador diseñado para manejar un lenguaje específico conocido como OpenQASM 3.0. Piense en este lenguaje como el manual de instrucciones para una computadora cuántica. Las versiones anteriores de este manual eran bastante limitadas; podían describir secuencias simples de pasos, pero tenían dificultades con la lógica compleja, como bucles o decisiones que dependen de resultados intermedios. La versión más reciente, OpenQASM 3.0, permite instrucciones mucho más sofisticadas, incluyendo la capacidad de medir una partícula a mitad de un cálculo y cambiar los siguientes pasos basándose en ese resultado. Sin embargo, hasta ahora, existían muy pocas herramientas capaces de tomar estas instrucciones avanzadas y ejecutarlas eficientemente en máquinas clásicas. Los investigadores construyeron su compilador para resolver esto. Toma el complejo archivo OpenQASM 3.0 y lo traduce al código C++, un lenguaje estándar para la computación de alto rendimiento. Este código generado se vincula luego con un simulador de alta velocidad llamado QuEST, que puede imitar el comportamiento de una computadora cuántica con gran precisión. El resultado es un sistema que puede ejecutar algoritmos cuánticos complejos en una supercomputadora clásica, permitiendo a los investigadores verificar su lógica y probar sus ideas antes de que siquiera toquen un dispositivo cuántico real.

Para que este sistema sea verdaderamente útil para la planificación, el equipo también desarrolló una herramienta para estimar el costo de ejecutar estos flujos de trabajo híbridos. Cuando una computadora clásica envía una tarea a un procesador cuántico, hay un retraso involucrado en el envío de los datos y la espera del resultado. Este retraso, conocido como latencia, y la velocidad a la que se mueven los datos, conocida como ancho de banda, pueden variar drásticamente dependiendo de cómo estén conectados los dos sistemas. Podrían estar en la misma máquina física, en máquinas diferentes dentro del mismo centro de datos, o conectados a través de internet en una configuración de nube. Los investigadores crearon un modelo que calcula estos costos basándose en el tamaño del circuito cuántico y el tipo de conexión que se esté utilizando. Probaron este modelo utilizando un escenario realista del campo de la química: el cálculo de la energía del estado fundamental de las moléculas. Esta es una tarea crítica para entender cómo reaccionan los productos químicos y es un candidato principal para la aceleración cuántica. El flujo de trabajo consistió en generar un circuito cuántico, compilarlo, simular los resultados y alimentar los datos de energía de vuelta a un ciclo de simulación química más grande.

Los resultados de sus pruebas revelaron detalles importantes sobre cómo se comportan estos sistemas híbridos. Cuando los investigadores simularon la conexión entre las partes clásica y cuántica, descubrieron que el tiempo que toma comunicar los datos depende fuertemente del tamaño de la tarea y la distancia entre las computadoras. Para tareas pequeñas, la diferencia entre tener las computadoras en la misma máquina frente a conectarlas a través de internet es dramática. El retraso para una conexión a internet fue aproximadamente dos órdenes de magnitud mayor que para una conexión local, lo que significa que el tiempo de espera fue unas cien veces más largo. Sin embargo, a medida que el tamaño de la tarea cuántica crecía, la diferencia entre las conexiones locales y remotas comenzó a disminuir. Esto se debe a que las transferencias de datos grandes a través de internet se dividen en muchos paquetes pequeños, y los protocolos de red que gobiernan estos paquetes crean una carga administrativa constante que no cambia mucho con el tamaño. A pesar de estos retrasos de comunicación, los investigadores encontraron que, para el algoritmo químico específico que probaron, el tiempo dedicado a esperar los datos no fue el principal cuello de botella. El verdadero sumidero de tiempo fue el cálculo real y el tiempo requerido para traducir el circuito a un formato que el hardware pudiera entender.

El estudio también destacó que la elección de cómo conectar los sistemas importa más para las tareas pequeñas y frecuentes. En un flujo de trabajo donde una computadora clásica envía un pequeño trabajo cuántico, espera la respuesta e inmediatamente envía otro, el retraso de comunicación puede dominar todo el proceso. Esto es particularmente cierto para algoritmos que requieren muchos intercambios de ida y vuelta, como los utilizados para encontrar la mejor configuración para una molécula. En contraste, el algoritmo utilizado en este estudio, que realiza un cálculo largo y continuo, es menos sensible a estos retrasos. Los investigadores observaron que el tiempo dedicado a traducir las instrucciones cuánticas a una forma que el hardware pueda usar creció significamente a medida que aumentaba el número de partículas en la simulación. Para la molécula más grande que probaron, que involucraba veintisiete partículas, el tiempo para preparar las instrucciones fue de cientos de segundos, mientras que el tiempo de ejecución real fue incluso más largo. Esto sugiere que, a medida que las computadoras cuánticas se vuelvan más potentes y manejen problemas más complejos, la eficiencia del software de traducción será tan importante como la velocidad del propio hardware.

Al proporcionar estas herramientas, los investigadores han dado a la comunidad científica una forma de diseñar y probar flujos de trabajo híbridos sin tener que esperar a que exista un hardware cuántico perfecto. Su compilador permite a los científicos utilizar todo el poder de los conjuntos de instrucciones cuánticas modernos en las supercomputadoras existentes, mientras que su modelo de rendimiento ofrece una visión realista de las compensaciones involucradas en diferentes estrategias de integración. El trabajo sirve como una guía práctica para el futuro, mostrando que, si bien el sueño de una computadora totalmente cuántica aún está a años de distancia, el camino hacia sistemas híbridos útiles ya se está pavimentando. Las herramientas están diseñadas para ser flexibles, capaces de adaptarse a diferentes tipos de hardware cuántico y diferentes problemas científicos, siempre que las instrucciones sigan el formato estándar. A medida que el campo avance, este tipo de puentes de software serán esenciales para convertir el potencial teórico de la computación cuántica en avances científicos del mundo real.