Efficient simulation of variational quantum circuits: representation, accuracy and CPU/GPU allocation
यह शोध पत्र सर्किट की विशेषताओं और सटीकता संबंधी बाधाओं के आधार पर प्रतिनिधित्व, परिशुद्धता और संसाधन आवंटन को संयुक्त रूप से अनुकूलित करने की एक प्रक्रिया स्थापित करने के लिए, CPU और GPU सिस्टमों में वेरिएशनल क्वांटम सर्किटों हेतु गेट-आधारित स्टेटवेक्टर, डायरेक्ट पॉली इवोल्यूशन और मैट्रिक्स प्रोडक्ट स्टेट सिमुलेशन विधियों की तुलना करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
क्वांटम कंप्यूटर बनाने की दौड़ में, वैज्ञानिक एक अजीब विरोधाभास का सामना कर रहे हैं: यह जानने के लिए कि क्या कोई नई मशीन वास्तव में शक्तिशाली है, उन्हें पहले हमारे पास मौजूद पुराने, क्लासिकल कंप्यूटरों पर इसके व्यवहार को सिम्युलेट (अनुकरण) करने में सक्षम होना चाहिए। यह सिमुलेशन एक महत्वपूर्ण परीक्षण स्थल के रूप में कार्य करता है, जिससे शोधकर्ता सॉफ़्टवेयर को सत्यापित कर सकते हैं और यह स्थापित कर सकते हैं कि वास्तविक 'क्वांटम लाभ' (quantum advantage) कैसा दिखता है। चुनौती इस कार्य की अत्यधिक जटिलता में निहित है। एक क्वांटम कंप्यूटर एक मानक लैपटॉप की तरह साधारण ऑन-ऑफ स्विच में जानकारी संग्रहीत नहीं करता है; इसके बजाय, यह संभावनाओं के एक विशाल, परिवर्तनशील बादल को नियंत्रित करता है। इसे क्लासिकल कंप्यूटर पर दोहराने के लिए, शोधकर्ताओं को सिस्टम की हर संभावित स्थिति को एक साथ ट्रैक करना पड़ता है। जैसे-जैसे क्वांटिक बिट्स, या क्यूबिट्स की संख्या बढ़ती है, सिस्टम का वर्णन करने के लिए आवश्यक जानकारी का विस्फोट होता है, जो सबसे शक्तिशाली सुपरकंप्यूटरों को भी जल्दी ही अभिभूत कर देता है। प्रश्न केवल यह नहीं है कि क्या सिमुलेशन संभव है, बल्कि यह है कि इसे उपयोग में लाने योग्य दक्षता के साथ कैसे किया जाए, जिसमें गति की आवश्यकता और मेमोरी की सीमा तथा अत्यधिक संख्यात्मक सटीकता की मांग के बीच संतुलन बनाना हो।
शोधकर्ताओं की एक टीम ने विभिन्न प्रकार के क्वांटम सर्किट डिज़ाइनों में अलग-अलग सिमुलेशन विधियों के प्रदर्शन का परीक्षण करके इस लॉजिस्टिक पहेली को हल करने का प्रयास किया। उन्होंने केवल यह नहीं पूछा कि कौन सा कंप्यूटर सबसे तेज़ था; इसके बजाय, उन्होंने सिमुलेशन को एक जटिल कार्य के रूप में माना जिसे हल किए जाने वाले विशिष्ट प्रकार के प्रश्न के आधार पर कई अलग-अलग तरीकों से किया जा सकता है। उन्होंने क्वांटम अवस्था (state) का प्रतिनिधित्व करने के लिए तीन मुख्य दृष्टिकोणों की तुलना की: एक सघन विधि जो प्रत्येक एकल संभावना को संग्रहीत करती है, एक विधि जो विशिष्ट गणितीय स्ट्रिंग्स के माध्यम से अवस्था में होने वाले परिवर्तनों को ट्रैक करती है, और एक तकनीक जो डेटा को संकुचित करती है क्योंकि कुछ हिस्से अन्य हिस्सों की तुलना में कम जुड़े हुए होते हैं। उन्होंने इन सिमुलेशन को मानक सेंट्रल प्रोसेसिंग यूनिट्स (CPUs) और विशेष ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) दोनों पर चलाया, जिसमें सर्किट का आकार, ऑपरेशन्स की गहराई और उपयोग किए गए नंबरों की सटीकता को बदला गया। उनका लक्ष्य यह मान लेना नहीं था कि एक विधि हमेशा जीतेगी, बल्कि एक व्यावहारिक मार्गदर्शिका बनाना था कि सही काम के लिए सही उपकरण का चुनाव कैसे किया जाए।
शोधकर्ताओं ने पाया कि सबसे अच्छा दृष्टिकोण पूरी तरह से समस्या की संरचना पर निर्भर करता है। आणविक प्रणालियों (molecular systems) का अनुकरण करते समय, जिनमें लंबी, जटिल अंतःक्रियाओं की श्रृंखला शामिल होती है, सबसे कुशल विधि वह थी जिसने ऑपरेशन्स को छोटे, मानक चरणों में तोड़ने से परहेज किया। इसके बजाय, पूरी गणितीय रूपांतरण को एक साथ लागू करना काफी तेज़ साबित हुआ, विशेष रूप से शक्तिशाली सेंट्रल प्रोसेसर्स पर चलते समय। इन मामलों में, सीधे अपडेट करने वाले विशेष सॉफ़्टवेयर ने मानक, अत्यधिक अनुकूलित गेट-आधारित सिम्युलेटर्स को बड़े अंतर से पीछे छोड़ दिया। हालाँकि, कहानी पूरी तरह से बदल गई जब टीम ने स्पिन मॉडल और हार्डवेयर-कुशल सर्किटों को देखा, जो अक्सर व्यापक होते हैं लेकिन कम गहराई से जुड़े होते हैं। इन समस्याओं के लिए, ग्राफिक्स प्रोसेसिंग यूनिट्स, जो भारी मात्रा में समानांतर डेटा को संभालने के लिए डिज़ाइन किए गए हैं, ने एक नाटकीय गति प्रदान की। बीस-आठ क्यूबिट सर्किट वाले एक विशिष्ट परीक्षण में, ग्राफिक्स प्रोसेसर ने सबसे अच्छे मल्टी-थ्रेडेड सेंट्रल प्रोसेसर कॉन्फ़िगरेशन की तुलना में लगभग तीस गुना तेज़ी से कार्य पूरा किया।
अध्ययन से यह भी पता चला कि किसी समस्या के लिए केवल अधिक हार्डवेयर लगाना हमेशा सही उत्तर नहीं होता है। शोधकर्ताओं ने पाया कि सबसे कुशल सेटअप में अक्सर एक ही बड़े सिमुलेशन को कई प्रोसेसरों में विभाजित करने के बजाय, अलग-अलग वर्कर्स पर कई स्वतंत्र सिमुलेशन को एक साथ चलाना शामिल था। यह दृष्टिकोण गणनाओं की कुल संख्या प्रति सेकंड को अधिकतम करता है, जो उन वेरिएशनल एल्गोरिदम के लिए अधिक महत्वपूर्ण है जिन्हें हजारों बार मूल्यांकन की आवश्यकता होती है। उन्होंने गति और सटीकता के बीच के समझौते का भी परीक्षण किया। कम संख्यात्मक सटीकता का उपयोग करना, जो तेज़ गणनाओं की अनुमति देता है, कभी-कभी छोटी त्रुटियाँ पेश कर सकता है। हालाँकि, टीम ने पाया कि कुछ प्रकार के सर्किटों के लिए, इन त्रुटियों को बाद में सुधारा जा सकता था बिना गति के लाभ को कम किए, बशर्ते अंतिम परिणाम की एक सख्त सहनशीलता (tolerance) के विरुद्ध जाँच की जाए। अन्य, अधिक जटिल सर्किटों के लिए, कम सटीकता पर्याप्त नहीं थी, चाहे गति कितनी भी बढ़ क्यों न जाए।
शायद सबसे आश्चर्यजनक खोज यह थी कि केवल क्वांटम सर्किट का आकार यह निर्धारित नहीं करता है कि उसका अनुकरण करना कितना कठिन है। एक कम क्यूबिट वाला सर्किट जिसकी आंतरिक संरचना बहुत जटिल है, बहुत बड़े लेकिन सरल, दोहराव वाले पैटर्न वाले सर्किट की तुलना में सिमुलेशन में अधिक समय ले सकता है। शोधकर्ताओं ने दिखाया कि क्वांटम गेटों की विशिष्ट व्यवस्था और जिस भौतिक प्रणाली का मॉडल बनाया जा रहा है, वह कच्चे क्यूबिट की संख्या की तुलना में सिमुलेशन लागत के कहीं बेहतर भविष्यवक्ता थे। उन्होंने एक ऐसी प्रक्रिया विकसित की जो उपयोगकर्ता को अपना विशिष्ट सर्किट और बाधाएं, जैसे उपलब्ध मेमोरी और समय सीमा, इनपुट करने देती है, और बदले में सबसे कुशल कॉन्फ़िगरेशन की एक रैंक सूची प्राप्त करने देती है। यह सूची न केवल गणना की कच्ची गति, बल्कि सिमुलेशन शुरू करने में लगने वाले समय और डेटा को रखने के लिए आवश्यक मेमोरी को भी ध्यान में रखती है।
अंततः, यह कार्य क्वांटम सिमुलेशन के परिदृश्य में नेविगेट करने के लिए एक स्पष्ट रोडमैप प्रदान करता है। यह प्रदर्शित करता है कि सभी कार्यों के लिए कोई एक "सर्वश्रेष्ठ" सिम्युलेटर नहीं है। इसके बजाय, इष्टतम विकल्प प्रतिनिधित्व पद्धति, हार्डवेयर आर्किटेक्चर और वर्कलोड के वितरण के तरीके का एक सावधानीपूर्ण संयोजन है। आणविक रसायन विज्ञान की समस्याओं के लिए, सेंट्रल प्रोसेसर्स पर प्रत्यक्ष गणितीय अपडेट बेहतर हैं। व्यापक, कम उलझे हुए (entangled) सर्किटों के लिए, ग्राफिक्स प्रोसेसर चमकते हैं। और उन समस्याओं के लिए जहाँ क्वांटम अवस्था को संकुचित किया जा सकता है, विशेष टेंसर नेटवर्क विधियाँ उन प्रणालियों का अनुकरण करने का एक तरीका प्रदान करती हैं जिन्हें अन्यथा संभालना असंभव होता। अपनी समस्या की विशिष्ट संरचना के साथ सही उपकरण का मिलान करके, शोधकर्ता अपने मौजूदा हार्डवेयर से अधिकतम प्रदर्शन निकाल सकते हैं, जिससे यह सुनिश्चित होता है कि क्लासिकल सिमुलेशन भविष्य की क्वांटम प्रौद्योगिकियों के विकास में एक विश्वसनीय साथी बने रहें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।