Parallelizing the Variational Quantum Eigensolver: From JIT Compilation to Multi-GPU Scaling
이 논문은 JIT 컴파일, 조기 종료, 웜 스타트와 같은 기술을 통해 수소 분자에 대한 변분 양자 고유치 솔버(VQE)를 최적화하고, 이를 ERAU Vega 클러스터에서의 멀티 GPU 및 MPI 병렬화와 결합함으로써, 29 큐비트까지 효과적으로 확장하는 동시에 실행 시간과 반복 횟수를 크게 줄일 수 있음을 입증한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
화학은 우리가 숨 쉬는 공기부터 휴대폰에 들어가는 재료에 이르기까지, 원자들이 어떻게 서로 달라붙어 우리 주변의 세상을 형성하는지를 연구하는 학문입니다. 수십 년 동안 과학자들은 전자의 에너지를 계산함으로써 이 원자들이 정확히 어떻게 행동하는지 예측하려고 노력해 왔습니다. 이를 수행하는 가장 정확한 방법은 모든 전자의 움직임을 설명하는 거대한 방정식 세트를 푸는 것입니다. 하지만 분자가 조금이라도 복잡해지면 필요한 계산량이 폭발적으로 증가하여, 세계에서 가장 강력한 슈퍼컴퓨터조차 작업을 끝내지 못하게 됩니다. 바로 이 지점에서 변분 양자 고유값 솔버(Variational Quantum Eigensolver)라고 불리는 새로운 접근 방식이 등장합니다. 전체 문제를 한 번에 해결하려고 시도하는 대신, 이 방법은 하이브리드 팀을 사용합니다. 양자 컴퓨터(또는 이를 모사한 시뮬레이션)가 분자의 형태에 대한 추측을 준비하면, 고전 컴퓨터가 그 추측이 얼마나 좋은지 확인하고 정답에 더 가까워지도록 약간씩 수정합니다. 이는 정답에 도달할 때까지 수천 번 반복되는 시행착오 과정입니다. 이 과정을 얼마나 더 빠르고 효율적으로 만들 수 있는지 이해하는 것은 매우 중요합니다. 왜냐하면 분자 에너지를 정확하게 계산할 수 있다면, 실험실에서 직접 만들어보지 않고도 더 나은 의약품, 더 효율적인 배터리, 그리고 새로운 재료들을 설계할 수 있기 때문입니다.
엠브리-리들 항공 대학교(Embry-Riddle Aeronautical University)의 연구진은 존재하는 가장 단순한 분자인 수소(두 개의 원자로 구성됨)에 대해 이 방법이 얼마나 잘 작동하는지 테스트하기 위해 연구를 시작했습니다. 그들은 두 원자 사이의 거리에 따른 분자의 에너지를 100개의 지점에서 그려내고자 했으며, 이 작업은 분자가 어떻게 결합하고 결국 어떻게 해체되는지를 보여줍니다. 이를 위해 그들은 고급 게이밍 컴퓨터에서도 볼 수 있는 종류의 칩이지만 과학적 용도로 규모를 키운 4개의 고성능 그래픽 프로세서가 장착된 강력한 컴퓨터 클러스터를 사용했습니다. 그들은 어떤 방법이 가장 빠른지 확인하기 위해 계산을 네 가지 다른 방식으로 실행했습니다. 첫 번째는 기준점이 되는 표준적이고 느린 방식이었습니다. 두 번째는 컴퓨터가 코드를 더 효율적으로 실행할 수 있도록 컴파일하는 기술을 사용했습니다. 세 번째는 무거운 작업을 그래픽 프로세서로 옮겼습니다. 네 번째는 여러 프로세서에 걸쳐 작업을 분산시켰습니다.
결과에 따르면, 가장 큰 이득은 단순히 각 단계에서 컴퓨터를 더 빠르게 작동시키는 데서 온 것이 아니라, 컴퓨터가 언제 멈춰야 할지를 더 똑똑하게 판단하게 하는 데서 왔습니다. 계산 설정을 조정함으로써, 연구진은 답을 찾는 데 필요한 단계를 3만 단계에서 7천 단계 직후로 줄였습니다. 이 변화만으로도 분자를 매핑하는 데 걸리는 총 시간을 거의 10분에서 2.5분 미만으로 단축했습니다. 연구진은 각 새로운 계산을 처음부터 다시 시작하는 대신 이전의 답으로부터 시작하는 것과 같은 특정 설정들이 하드웨어 자체보다 훨씬 더 중요하다는 것을 발견했습니다. 계산의 단일 단계를 수행하는 데 걸리는 시간을 살펴보았을 때, 느린 방법과 빠른 방법 사이의 차이는 매우 작았으며, 이는 속도 향상이 각 단계를 기록적인 속도로 수행해서가 아니라 더 적은 단계로 수행했기 때문임을 입proof했습니다.
연구진이 그래픽 프로세서에서 계산을 실행했을 때, 그들은 다른 종류의 개선을 목격했습니다. 그래픽 프로세서는 개별 단계를 표준 프로세서보다 더 빠르게 완료할 수 있었지만, 계산이 정답에 수렴하기 위해 더 많은 단계를 필요로 했기 때문에 전체 시간은 최적화된 표준 방식보다 좋지 않았습니다. 이는 하드웨어가 더 빠르더라도 소프트웨어가 이를 효율적으로 사용하도록 튜닝되지 않으면 도움이 되지 않는다는 핵심적인 교훈을 남겼습니다. 또한 연구진은 여러 프로세서에 걸쳐 작업을 분할했을 때 어떤 일이 일어나는지 테스트했습니다. 그들은 더 많은 프로세서를 사용할 때 총 시간이 크게 줄어든다는 것을 발견했지만, 컴퓨터에 할당된 자원량이 달랐기 때문에 이를 단일 프로세서 실행과 직접 비교할 수는 없었습니다. 즉, 구체적인 속도 향상 비율을 주장할 수는 없었지만, 이 방법이 대형 기기에서도 유용할 만큼 잘 확장된다는 점은 확인했습니다.
이것이 더 크고 복잡한 분자에 대해서도 유지되는지 확인하기 위해, 연구팀은 4개에서 26개의 큐비트(양자 시스템의 기본 정보 단위) 범위에 걸친 시뮬레이션을 포함한 별도의 테스트를 수행했습니다. 이 테스트에서 그래픽 프로세서는 표준 프로세서보다 압도적으로 빨랐으며, 가장 큰 크기에서는 최대 81배 더 빠르게 작동했습니다. 그러나 연구진은 이 비교가 단순히 두 가지 다른 유형의 하드웨어가 아니라 두 가지 다른 소프트웨어 설정을 포함했다는 점을 주의 깊게 언급했습니다. 단일 그래픽 카드의 가장 빠른 설정은 메모리가 부족해지기 전까지 29개의 큐비트를 가진 시뮬레이션을 처리할 수 있었지만, 30개로 밀어붙였을 때는 실패했습니다. 이는 이 기계들이 강력하긴 하지만, 매우 큰 양자 시스템을 시뮬레이션하는 데 있어 여전히 물리적인 한계가 있음을 시사합니다.
궁극적으로, 이 연구는 이러한 양자 화학 시뮬레이션을 실용적으로 만드는 방법에 대한 명확한 그림을 제공했습니다. 가장 효과적인 전략은 단순히 더 빠른 컴퓨터를 사는 것이 아니라, 답을 찾는 과정을 안내하는 수학적 레시피를 정교하게 다듬는 것이었습니다. 답이 충분히 좋을 때 계산을 조기에 종료하고, 솔루션을 향해 이동하기 위해 더 큰 단계 크기를 사용하며, 다음 단계를 위해 이전의 답을 출발점으로 사용함으로써 연구진은 시간을 대폭 단축했습니다. 또한 그들은 그래픽 프로세서가 거대한 문제에 대해 놀라운 속도를 제공하지만, 그 잠재력은 소프트웨어가 그것에 맞춰 특별히 설계될 때만 완전히 발휘된다는 것을 입증했습니다. 이 연구는 단순한 분자의 경우, 이 방법이 놀라운 정밀도로 정확한 에너지를 찾을 수 있음을 확인해주며, 미래의 과학적 발견을 주도할 더 복잡한 분자로 이러한 계산을 확장하는 방법에 대한 로드맵을 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.