⚛️ physique quantique

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

Cet article présente un solveur d'état fondamental basé sur JAX et évolutif pour la diagonalisation quantique par échantillonnage, qui exploite les architectures GPU et multi-GPU pour effectuer la diagonalisation de sous-espaces dans des espaces allant jusqu'à $2^{30}$ dimensions, avec une efficacité mémoire et une mise à l'échelle forte démontrées.

Auteurs originaux : Yutaro Iiyama

Publié 2026-10-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yutaro Iiyama

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans la quête de la compréhension des mécanismes les plus profonds de la matière, les scientifiques se tournent souvent vers la mécanique quantique, l'ensemble de règles qui régit le comportement des atomes et des particules subatomiques. Pour les systèmes ne contenant que quelques particules, ces règles sont gérables, mais à mesure que le nombre de particules augmente, la complexité explose. Calculer l'état d'énergie le plus bas d'une grande collection de particules en interaction — une tâche essentielle pour concevoir de nouveaux matériaux ou comprendre les réactions chimiques — devient si difficile que même les supercalculateurs classiques les plus puissants peinent à le résoudre. C'est ici qu'entre en scène la promesse de l'informatique quantique. L'idée est d'utiliser une machine quantique, qui suit naturellement ces règles complexes, pour aider à résoudre des problèmes autrement insolubles. Cependant, les ordinateurs quantiques actuels n'en sont encore qu'à leurs débuts, sujets aux erreurs et limités en taille. Ils ne peuvent pas encore exécuter seuls les calculs massifs et parfaits requis pour des applications concrètes.

Pour combler ce fossé, les chercheurs ont développé une approche hybride connue sous le nom de diagonalisation quantique basée sur l'échantillonnage. Dans cette méthode, un petit ordinateur quantique ne résout pas l'ensemble du problème. Au lieu de cela, il agit comme un capteur spécialisé, échantillonnant des états spécifiques du système pour suggérer quelles parties du vaste paysage mathématique sont les plus importantes. Le gros du travail de calcul est ensuite confié à un ordinateur classique, qui utilise ces suggestions pour trouver la réponse. Cette division du travail permet aux scientifiques de tirer parti des forces uniques de ces deux technologies, permettant potentiellement d'obtenir des résultats utiles avant même que les ordinateurs quantiques ne soient totalement exempts d'erreurs. Le défi réside toutefois dans le côté classique de l'équation : à mesure que l'ordinateur quantique suggère de plus en plus d'états à considérer, l'ordinateur classique doit être capable de gérer des calculs impliquant des milliards de dimensions sans manquer de mémoire ou de temps.

Un chercheur dirigé par Yutaro Iiyama à l'Université de Tokyo a abordé ce goulot d'étranglement en créant un nouvel outil logiciel hautement évolutif conçu pour fonctionner sur des installations de calcul haute performance modernes. Leurs travaux se concentrent sur le moteur classique qui traite les données du séquenceur quantique. Ils ont construit un solveur capable d'effectuer les opérations mathématiques nécessaires sur des sous-espaces contenant jusqu'à environ un milliard de dimensions, une échelle qui était auparavant difficile à gérer sur une seule machine. Le logiciel est écrit pour fonctionner efficacement sur des processeurs graphiques (GPU), ces puces puissantes que l'on trouve typiquement dans les cartes vidéo mais qui sont désormais centrales dans le calcul intensif, lui permettant d'exploiter la puissance parallèle de centaines de ces processeurs travaillant ensemble.

Le cœur de ce nouveau solveur est un algorithme spécialisé qui trouve l'état d'énergie le plus bas d'un système sans jamais avoir besoin de stocker l'intégralité de la carte mathématique de ce système en mémoire. Dans les approches traditionnelles, calculer l'énergie d'un système complexe nécessite souvent de créer une grille massive de nombres représentant chaque interaction possible, ce qui sature rapidement la mémoire de l'ordinateur. Cette nouvelle méthode évite ce piège en calculant les nombres nécessaires uniquement lorsqu'ils sont requis, une technique connue sous le nom d'approche « matrix-free » (sans matrice). Elle fonctionne en appliquant de manière répétée une opération spécifique à un vecteur de nombres, affinant l'estimation de l'état fondamental à chaque étape. Parce que le chercheur a optimisé ce processus pour utiliser très peu de mémoire, il a démontré qu'une seule carte graphique dotée de 100 gigaoctets de mémoire pouvait résoudre des problèmes impliquant un milliard de dimensions, un exploit qui aurait été impossible avec les anciennes méthodes.

Pour tester les limites de leur système, le chercheur a lancé des simulations sur un modèle de matériau magnétique connu sous le nom de modèle d'Ising à champ transverse. Il a réussi à calculer les niveaux d'énergie d'un système de 30 particules sur une seule carte graphique haut de gamme, confirmant que le logiciel pouvait gérer des problèmes de physique non triviaux avec l'efficacité attendue. Il a ensuite poussé le système plus loin en distribuant le calcul sur un cluster allant jusqu'à 128 cartes graphiques. Dans cette configuration, le problème a été réparti entre les machines, et les résultats ont montré que le temps nécessaire pour trouver la réponse diminuait de manière presque parfaite à mesure que davantage d'ordinateurs étaient ajoutés. Cette « mise à l'échelle forte » (strong scaling) indique que le logiciel peut utiliser efficacement la puissance parallèle massive des centres de calcul intensif modernes, rendant possible le traitement de problèmes bien trop vastes pour une seule machine.

Le logiciel comprend également une fonction spécialisée pour gérer la manière unique dont l'ordinateur quantique suggère quels états inclure. Cette fonction doit identifier rapidement comment différents états quantiques sont liés les uns aux autres sous l'influence de l'Hamiltonien du système, qui est une description mathématique de l'énergie totale. Le chercheur a développé une méthode de recherche ingénieuse qui regroupe ces états afin de minimiser le nombre d'opérations coûteuses requises. Il a constaté qu'en mettant en cache certaines données statiques, il pouvait accélérer le processus, bien que cela nécessite un équilibre délicat entre l'utilisation de plus de mémoire et le gain de temps. Le système est actuellement limité par la capacité de la bibliothèque logicielle sous-jacente à trier des listes de nombres, plafonnant le nombre de dimensions qu'il peut gérer à environ un milliard. Cependant, le chercheur a déjà tracé un plan pour mettre à niveau la méthode de tri afin de permettre des échelles encore plus grandes à l'avenir.

Ce travail représente une étape importante pour faire de l'informatique quantique centrée sur les supercalculateurs une réalité pratique. En fournissant un outil robuste et open-source qui peut fonctionner aussi bien sur des stations de travail individuelles que sur de massifs clusters de calcul, le chercheur a abaissé la barrière pour que d'autres puissent appliquer ces techniques avancées. Le solveur est conçu pour être flexible, capable de gérer des types généraux de systèmes quantiques décrits par des sommes d'opérateurs de Pauli, qui couvrent un large éventail de modèles physiques. Bien que la version actuelle ait une limite stricte sur la taille du sous-espace qu'elle peut gérer, l'architecture est conçue pour être évolutive. La capacité de faire fonctionner ces calculs efficacement sur le matériel existant signifie que les scientifiques peuvent commencer à explorer des problèmes quantiques complexes dès aujourd'hui, en utilisant le meilleur de l'informatique classique et quantique pour repousser les limites du calculable.

Résumé Technique : Un solveur de diagonalisation quantique par échantillonnage scalable pour les hamiltoniens généraux de type somme de Pauli

Énoncé du Problème
La diagonalisation quantique basée sur l'échantillonnage (SQD - Sample-based Quantum Diagonalization) est un cadre prometteur pour résoudre les problèmes d'état fondamental des systèmes à corps multiples quantiques en utilisant des ordinateurs quantiques de génération intermédiaire (near-term). Dans la SQD, un hamiltonien de haute dimension est projeté sur un sous-espace restreint défini par des états quantiques échantillonnés à partir d'un dispositif quantique. Le défi réside dans l'échelle de ces sous-espaces ; bien que l'ordinateur quantique fournisse les états de base, le post-traitement classique peut étendre la dimension du sous-espace à des dizaines de milliards (par exemple, $10^{10}$ ).

Les méthodes de diagonalisation standard échouent dans ce régime car stocker la matrice hamiltonienne réduite en mémoire est impossible à moins qu'elle ne soit extrêmement creuse. Par conséquent, une approche « sans matrice » (matrix-free) est nécessaire, où le produit matrice-vecteur est calculé in situ sans former explicitement la matrice. De plus, ces calculs doivent être suffisamment efficaces pour s'exécuter sur les installations modernes de calcul haute performance (HPC), qui sont de plus en plus centrées sur les GPU. Les implémentations open-source existantes sont soit spécialisées dans des types d'hamiltoniens spécifiques (par exemple, la chimie ou les bosons à cœur dur), soit reposent sur des solveurs de valeurs propres (comme LOBPCG) qui nécessitent une rétention excessive de la mémoire GPU, limitant ainsi leur scalabilité pour les sommes de Pauli générales.

Méthodologie
L'auteur présente un solveur SQD scalable construit sur l'API JAX, conçu pour s'exécuter sur des stations de travail uniques et des environnements HPC multi-GPU. Le solveur se compose de deux composants principaux :

Un solveur de valeurs propres économe en mémoire :
- Le solveur utilise la méthode du gradient conjugué localement optimal (LOC - Locally Optimal Conjugate Gradient) pour trouver la paire propre la plus basse du hamiltonien réduit.
- Contrairement à la méthode plus courante LOBPCG (Locally Optimal Block Preconditioned Conjugate Gradient), qui conserve plusieurs vecteurs volumineux pour assurer la stabilité, cette implémentation se concentre uniquement sur la plus basse paire propre.
- En réutilisant agressivement la mémoire, le solveur minimise l'empreinte mémoire du GPU, ne nécessitant que cinq vecteurs de dimension $D$ simultanément en RAM. Cela permet de résoudre des problèmes de valeurs propres avec des dimensions allant jusqu'à $10^9$ sur un seul GPU disposant de 100 Go de mémoire.
- Pour les problèmes plus larges, le solveur prend en charge les vecteurs distribués sur des nœuds parallèles, utilisant les capacités de parallélisation intégrées de JAX.
Opération Matrice-Vecteur spécifique à la SQD :
- L'opération centrale calcule $\beta = P H P \alpha$ , où $P$ est le projecteur sur le sous-espace échantillonné et $H$ est l'hamiltonien général de somme de Pauli.
- L'algorithme décompose l'hamiltonien en chaînes de Pauli et utilise une représentation symplectique pour gérer les opérateurs de Pauli.
- Une étape critique implique une « recherche d'indice source X » (Algorithme 1), qui identifie la correspondance entre les états de base sous l'action des opérateurs de Pauli $X$ . Ceci est implémenté via un tri stable sur des tableaux concaténés d'indices binaires, optimisé pour les architectures GPU.
- Pour optimiser les performances, l'algorithme groupe les termes de l'hamiltonien par leurs signatures $X$ , réduisant ainsi le nombre d'opérations coûteuses de recherche et de « prise » (take).
- L'implémentation inclut des mécanismes de mise en cache pour les données statiques (indices sources et coefficients diagonaux) afin de troquer l'utilisation de la mémoire contre la vitesse d'exécution.

Contributions Clés

Implémentation à usage général : Contrairement aux bibliothèques précédentes restreintes à des types d'hamiltoniens spécifiques, ce solveur gère les sommes de Pauli générales sans limite intrinsèque sur le nombre de qubits.
Scalabilité native pour GPU : Le code est écrit en Python utilisant JAX, permettant une exécution transparente sur un seul GPU ou sur des clusters HPC distribués multi-GPU avec un minimum de changements de code.
Optimisation de la mémoire : Le solveur de valeurs propres personnalisé est explicitement conçu pour minimiser l'utilisation de la mémoire GPU, permettant de traiter des dimensions ( $D \approx 10^9$ ) qui dépasseraient la capacité des méthodes classiques de préconditionnement par blocs sur le matériel actuel.
Disponibilité Open Source : Le solveur est publié sous forme de bibliothèque open-source (rqutils), fournissant un utilitaire général pour trouver des paires propres de n'importe quel opérateur hermitien pour lequel l'opération matrice-vecteur est implémentée comme une fonction compilée JIT par JAX.

Résultats
L'article valide le solveur à travers deux expériences principales :

Validation de l'empreinte mémoire : Le solveur a calculé avec succès les états fondamental et premier excité d'un modèle d'Ising à champ transverse (TFIM) de 30 sites sur un seul GPU NVIDIA H100 (96 Go de RAM). Cela a démontré la capacité du solveur à gérer des hamiltoniens non triviaux dans des contraintes de mémoire strictes.
Performance de mise à l'échelle forte (Strong Scaling) : Le solveur a été testé sur un TFIM de 32 sites (qui dépasse la capacité de mémoire d'un seul GPU) sur 8, 16, 32, 64 et 128 nœuds GPU. Les résultats ont montré une bonne mise à l'échelle forte, avec un temps de résolution diminuant efficacement à mesure que le nombre de nœuds augmentait, tout en maintenant des valeurs d'énergie identiques pour toutes les instances.

Signification et Limites
L'article positionne ce solveur comme un outil critique pour le « calcul quantique centré sur le supercalcul » (quantum-centric supercomputing), permettant le post-traitement classique requis pour extraire l'avantage quantique des dispositifs quantiques pré-tolérants aux fautes. En séparant le rôle quantique (suggérer les dimensions du sous-espace) du rôle classique (diagonalisation et correction d'erreurs), ce cadre tire parti de la puissance de calcul classique massive pour surmonter les limitations actuelles du matériel quantique.

Cependant, l'auteur note explicitement une limite actuelle : la recherche d'indice source X repose sur un tri stable global, qui est actuellement limité par JAX à des tableaux de taille $2^{31}-1$ . Par conséquent, le solveur supporte actuellement une dimension maximale de sous-espace de $N = 2^{30}-1$ . L'auteur reconnaît que si cela couvre de nombreux cas d'usage actuels, des mises à jour futures vers un tri par blocs sont prévues pour supporter les dizaines de milliards de dimensions anticipées dans les applications de pointe de la SQD. L'article ne prétend pas résoudre le problème de la tolérance aux fautes, mais plutôt maximiser l'utilité des ordinateurs quantiques de génération intermédiaire grâce à une mise à l'échelle classique efficace.

Articles similaires