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

La chimica è lo studio di come gli atomi si legano per formare il mondo che ci circonda, dall'aria che respiriamo ai materiali nei nostri telefoni. Per decenni, gli scienziati hanno cercato di prevedere esattamente come si comportano questi atomi calcolando l'energia dei loro elettroni. Il modo più accurato per farlo è risolvere un insieme massiccio di equazioni che descrivono il movimento di ogni elettrone. Tuttavia, non appena una molecola diventa anche solo leggermente complessa, il numero di calcoli richiesti esplode, crescendo così velocemente che nemmeno i supercomputer più potenti del mondo riescono a terminare il lavoro. È qui che entra in gioco un nuovo approccio chiamato Variational Quantum Eigensolver. Invece di cercare di risolvere l'intero problema in una volta sola, questo metodo utilizza un team ibrido: un computer quantistico (o una sua simulazione) prepara un'ipotesi sulla forma della molecola, e un computer classico controlla quanto sia buona quell'ipotesi e la modifica leggermente per avvicinarsi alla risposta reale. È un processo di tentativi ed errori che si ripete migliaia di volte finché l'energia non è il più bassa possibile. Capire come rendere questo processo più veloce ed efficiente è fondamentale perché, se riuscissimo a calcolare le energie molecolari con precisione, potremmo progettare medicinali migliori, batterie più efficienti e nuovi materiali senza doverli prima costruire in un laboratorio.

I ricercatori della Embry-Riddle Aeronautical University si sono posti l'obiettivo di testare quanto bene funzioni questo metodo per la molecola più semplice esistente: l'idrogeno, che consiste di soli due atomi. Volevano vedere se riuscivano a mappare l'energia di una molecola a cento diverse distanze tra i due atomi, un compito che rivela come la molecola si tenga insieme e infine si sfaldi. Per farlo, hanno utilizzato un potente cluster di computer dotato di quattro processori grafici di fascia alta, lo stesso tipo di chip che si trova nei computer da gioco avanzati, ma scalato per scopi scientifici. Hanno eseguito il calcolo in quattro modi diversi per vedere quale metodo fosse il più veloce. Il primo era un approccio standard e lento che fungeva da linea di base. Il secondo utilizzava una tecnica per compilare il codice in modo che il computer lo eseguisse più efficientemente. Il terzo spostava il lavoro pesante sui processori grafici. Il quarto divideva il lavoro su molti processori simultaneamente.

I risultati hanno mostrato che i maggiori guadagni non sono derivati dal far lavorare semplicemente il computer più velocemente in ogni passaggio, ma dal rendere il computer più intelligente su quando fermarsi. Regolando le impostazioni del calcolo, i ricercatori hanno ridotto il numero di passaggi necessari per trovare la risposta da trentamila a poco più di settemila. Questo cambiamento da solo ha ridotto il tempo totale necessario per mappare la molecola da quasi dieci minuti a poco meno di due minuti e mezzo. I ricercatori hanno scoperto che le impostazioni specifiche utilizzate, come iniziare ogni nuovo calcolo con la risposta del precedente invece di partire da zero, erano molto più importanti dell'hardware stesso. Quando hanno osservato il tempo impiegato per eseguire un singolo passaggio del calcolo, la differenza tra il metodo lento e quello veloce era minima, dimostrando che l'accelerazione derivava dal fare meno passaggi, non dal fare ogni passaggio in tempi record.

Quando i ricercatori hanno provato a eseguire il calcolo sui processori grafici, hanno visto un altro tipo di miglioramento. I processori grafici erano in grado di completare ogni singolo passaggio più velocemente dei normali processori, ma poiché il calcolo richiedeva più passaggi per convergere verso una risposta, il tempo totale non era paragonabile al metodo standard ottimizzato. Ciò ha evidenziato una lezione chiave: avere hardware più veloce non serve se il software non è tarato per usarlo in modo efficiente. I ricercatori hanno anche testato cosa succede quando si divide il lavoro su molti processori contemporaneamente. Hanno scoperto che, sebbene il tempo totale diminuisse significativamente utilizzando più processori, non potevano confrontare direttamente questo dato con l'esecuzione su un singolo processore perché ai computer erano state allocate quantità diverse di risorse. Ciò significava che non potevano dichiarare un rapporto di accelerazione specifico, ma hanno confermato che il metodo scala abbastanza bene da essere utile su macchine grandi.

Per vedere come questo si applichi a molecole più grandi e complesse, il team ha eseguito un test separato con simulazioni che variavano da quattro a ventisei qubit, le unità di base dell'informazione in un sistema quantistico. In questi test, i processori grafici erano drammaticamente più veloci dei processori standard, correndo fino a ottantaquattro volte più velocemente alla dimensione massima. Tuttavia, i ricercatori sono stati cauti nel notare che questo confronto coinvolgeva due configurazioni software differenti, non solo due diversi tipi di hardware. La configurazione più veloce su una singola scheda grafica poteva gestire una simulazione con ventinove qubit prima di esaurire la memoria, ma è fallita quando hanno provato a spingerla a trenta. Ciò suggerisce che, sebbene queste macchine siano potenti, presentano ancora limiti fisici quando si tratta di simulare sistemi quantistici molto grandi.

In definitiva, lo studio ha fornito un quadro chiaro di come rendere pratiche queste simulazioni di chimica quantistica. La strategia più efficace non è stata solo quella di acquistare computer più veloci, ma di raffinare la ricetta matematica utilizzata per guidare la ricerca della risposta. Fermando il calcolo in anticipo quando la risposta era sufficientemente buona, usando un passo più ampio per muoversi verso la soluzione e usando la risposta precedente come punto di partenza per la successiva, i ricercatori hanno ottenuto una riduzione massiccia del tempo. Hanno anche dimostrato che, sebbene i processori grafici offrano una velocità incredibile per problemi grandi, il loro pieno potenziale si sblocca solo quando il software è progettato specificamente per lavorare con essi. Il lavoro conferma che, per molecole semplici, il metodo può trovare l'energia esatta con un'incredibile precisione, e fornisce una tabella di marcia su come scalare questi calcoli verso le molecole più complesse che guideranno le future scoperte scientifiche.