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

La chimie est l'étude de la manière dont les atomes s'assemblent pour former le monde qui nous entoure, de l'air que nous respirons aux matériaux de nos téléphones. Pendant des décennies, les scientifiques ont tenté de prédire exactement comment ces atomes se comportent en calculant l'énergie de leurs électrons. La méthode la plus précise consiste à résoudre un ensemble massif d'équations décrivant le mouvement de chaque électron. Cependant, dès qu'une molécule devient ne serait-ce qu'un peu complexe, le nombre de calculs requis explose, croissant si rapidement que même les superordinateurs les plus puissants du monde ne peuvent terminer la tâche. C'est ici qu'intervient une nouvelle approche appelée l'algorithme de l'Eigensolver Quantique Variationnel (VQE). Au lieu d'essayer de résoudre tout le problème d'un coup, cette méthode utilise une équipe hybride : un ordinateur quantique (ou une simulation de celui-ci) prépare une supposition de la forme de la molécule, et un ordinateur classique vérifie la pertinence de cette supposition et l'ajuste légèrement pour se rapprocher de la réponse réelle. Il s'agit d'un processus par essais et erreurs qui se répète des milliers de fois jusqu'à ce que l'énergie soit la plus basse possible. Comprendre comment rendre ce processus plus rapide et plus efficace est crucial, car si nous pouvons calculer les énergies moléculaires avec précision, nous pourrions concevoir de meilleurs médicaments, des batteries plus efficaces et de nouveaux matériaux sans avoir besoin de les construire d'abord en laboratoire.

Des chercheurs de l'Embry-Riddle Aeronautical University ont entrepris de tester l'efficacité de cette méthode pour la molécule la plus simple existante : l'hydrogène, qui se compose de seulement deux atomes. Ils voulaient voir s'ils pouvaient cartographier l'énergie de la molécule à cent distances différentes entre les deux atomes, une tâche qui révèle comment la molécule se maintient et finit par se désagréger. Pour ce faire, ils ont utilisé un puissant cluster de serveurs équipé de quatre processeurs graphiques haut de gamme, le même type de puces que l'on trouve dans les ordinateurs de jeu avancés, mais adaptées au travail scientifique. Ils ont exécuté le calcul de quatre manières différentes pour voir quelle méthode était la plus rapide. La première était une approche standard et lente qui servait de référence. La deuxième utilisait une technique pour compiler le code afin que l'ordinateur l'exécute plus efficacement. La troisième déplaçait la charge de travail vers les processeurs graphiques. La quatrième répartissait le travail sur de nombreux processeurs simultanément.

Les résultats ont montré que les gains les plus importants ne provenaient pas simplement du fait de faire travailler l'ordinateur plus vite à chaque étape, mais de rendre l'ordinateur plus intelligent sur le moment de s'arrêter. En ajustant les paramètres du calcul, les chercheurs ont réduit le nombre d'étapes nécessaires pour trouver la réponse de trente mille à un peu plus de sept mille. Ce changement seul a réduit le temps total nécessaire pour cartographier la molécule de près de dix minutes à un peu moins de deux minutes et demie. Les chercheurs ont constaté que les paramètres spécifiques qu'ils utilisaient, comme commencer chaque nouveau calcul avec la réponse de la précédente plutôt que de repartir de zéro, étaient bien plus importants que le matériel lui-même. Lorsqu'ils ont examiné le temps nécessaire pour effectuer une seule étape du calcul, la différence entre la méthode lente et la méthode rapide était très faible, prouvant que l'accélération provenait de la réduction du nombre d'étapes, et non de l'exécution de chaque étape en un temps record.

Lorsque les chercheurs ont tenté d'exécuter le calcul sur les processeurs graphiques, ils ont observé un autre type d'amélioration. Les processeurs graphiques étaient capables d'accomplir chaque étape individuelle plus rapidement que les processeurs classiques, mais comme le calcul nécessitait plus d'étapes pour converger vers une réponse, le temps total n'était pas aussi bon que la méthode classique optimisée. Cela a mis en évidence une leçon clé : posséder un matériel plus rapide n'aide pas si le logiciel n'est pas ajusté pour l'utiliser efficacement. Les chercheurs ont également testé ce qui se passe lorsqu'on répartit le travail sur de nombreux processeurs à la fois. Ils ont constaté que, bien que le temps total ait considérablement chuté lors de l'utilisation de plusieurs processeurs, ils ne pouvaient pas comparer directement cela à l'exécution sur un seul processeur car les ordinateurs se voyaient allouer des quantités de ressources différentes. Cela signifiait qu'ils ne pouvaient pas revendiquer un ratio d'accélération spécifique, mais ils ont confirmé que la méthode s'adapte suffisamment bien pour être utile sur de grandes machines.

Pour voir comment cela tient la route pour des molécules plus grandes et plus complexes, l'équipe a mené un test distinct avec des simulations allant de quatre à vingt-six qubits, les unités de base de l'information dans un système quantique. Dans ces tests, les processeurs graphiques étaient considérablement plus rapides que les processeurs classiques, étant jusqu'à quatre-vingt-un fois plus rapides à la taille la plus grande. Cependant, les chercheurs ont pris soin de noter que cette comparaison impliquait deux configurations logicielles différentes, et non seulement deux types de matériel différents. La configuration la plus rapide sur une seule carte graphique pouvait gérer une simulation de vingt-neuf qubits avant d'épuiser la mémoire, mais elle a échoué lorsqu'ils ont tenté de pousser jusqu'à trente. Cela suggère que, bien que ces machines soient puissantes, elles ont toujours des limites physiques lorsqu'il s'agit de simuler des systèmes quantiques très vastes.

En fin de compte, l'étude a fourni une image claire de la manière de rendre ces simulations de chimie quantique pratiques. La stratégie la plus efficace ne consistait pas seulement à acheter des ordinateurs plus rapides, mais à affiner la recette mathématique utilisée pour guider la recherche de la réponse. En arrêtant le calcul plus tôt lorsque la réponse était suffisante, en utilisant un pas de calcul plus large pour avancer vers la solution, et en utilisant la réponse précédente comme point de départ pour la suivante, les chercheurs ont obtenu une réduction massive du temps. Ils ont également démontré que, si les processeurs graphiques offrent une vitesse incroyable pour les problèmes de grande ampleur, leur plein potentiel n'est débloqué que lorsque le logiciel est conçu spécifiquement pour travailler avec eux. Le travail confirme que pour les molécules simples, la méthode peut trouver l'énergie exacte avec une précision incroyable, et elle offre une feuille de route pour porter ces calculs vers les molécules plus complexes qui stimuleront les futures découvertes scientifiques.