⚛️ quantum physics

Tensor-Parallel Emulation of Quantum Circuits with Block-Cyclic Distributed Matrix Product States

Dit artikel introduceert een schaalbare, tensor-parallelle verdelingsschema voor Matrix Product States (MPS) dat, met behulp van gepivoteerde QR-factorisatie op ARCHER2, Google's Random Circuit Sampling-benchmarks met drieordes hogere nauwkeurigheid emuleert dan bestaande methoden.

Oorspronkelijke auteurs: Jakub Adamski, Oliver Thomson Brown

Gepubliceerd 2026-04-13

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jakub Adamski, Oliver Thomson Brown

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorm, ingewikkeld legpuzzel probeert op te lossen. Maar dit is geen gewone puzzel; het is een kwantumcomputer-simulatie.

In de echte wereld kunnen kwantumcomputers (de "toekomstige supercomputers") problemen oplossen die voor onze huidige computers onmogelijk lijken. Maar voordat we die machines volledig kunnen vertrouwen, moeten we ze eerst testen op gewone computers. Het probleem? Een kwantumcomputer met 50 qubits (de bouwstenen) heeft zoveel mogelijke toestanden dat het opslaan van die informatie op een normale computer net zo moeilijk is als het proberen te vullen van het hele universum met zandkorrels.

De auteurs van dit paper, Jakub en Oliver van de Universiteit van Edinburgh, hebben een nieuwe manier bedacht om dit "universum aan zand" toch te vullen. Ze noemen hun methode QTNH (Quantum Tensor Network Hub).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Enorme Tafel"

Stel je voor dat je een gigantische tafel hebt met duizenden mensen die een gesprek voeren. In een kwantumcomputer is iedereen tegelijkertijd met iedereen verbonden (dit noemen ze verstrengeling).

De oude manier: Je probeerde het gesprek van iedereen op één grote tafel te noteren. Zodra er meer dan 30 mensen zijn, is de tafel te groot voor één kamer. Je moet stoppen.
De nieuwe manier (MPS): In plaats van één grote lijst, splitsen ze het gesprek op in kleine groepjes (ketens). Iedereen praat alleen met zijn directe buren. Dit is veel makkelijker te noteren, maar het heeft een nadeel: als de groepjes te groot worden, breekt de notitieboekjes weer.

2. De Oplossing: De "Zwerm van Werknemers"

De auteurs zeggen: "Waarom proberen we dit allemaal op één computer te doen?"
Ze hebben een systeem bedacht waarbij ze de notitieboekjes verdelen over honderden computers die samenwerken, alsof het een zwerm bijen is.

De Blokken: Stel je voor dat je een enorme muur van bakstenen (data) hebt. In plaats van dat één persoon de hele muur moet dragen, verdelen ze de bakstenen in blokken. Elke computer in het netwerk (een "knooppunt") krijgt een blokje van de muur.
De Synchronisatie: Ze gebruiken een slimme manier om deze blokken te ordenen (een "block-cyclic" patroon). Het is alsof ze de bakstenen in een spiraalpatroon verdelen, zodat elke werknemer precies evenveel werk heeft en niemand saai zit te wachten.

3. De Versnelling: De "Snelle Schaar"

Het grootste probleem bij het oplossen van deze puzzels is het "knippen en plakken" van de data.

De oude methode (SVD): Dit is als het gebruiken van een heel trage, precieze schaar om een stuk papier perfect in tweeën te knippen. Het kost veel tijd en energie.
De nieuwe methode (Pivoted QR): De auteurs zeggen: "Waarom gebruiken we die trage schaar? Laten we een snellere, iets minder perfecte schaar gebruiken."
- Ze vervingen de trage berekening door een snellere techniek (QR-factorisatie).
- Het resultaat: Het is net iets minder precies per knip, maar omdat het zo veel sneller gaat, kunnen ze veel grotere stukken papier knippen. In het totaal genomen krijg je een beter eindresultaat in minder tijd.

4. De Prestatie: Het "Google-Record"

Om hun methode te testen, namen ze een beroemde test van Google (het "Random Circuit Sampling"). Dit is een circuit dat zo complex is dat zelfs de snelste supercomputers er normaal gesproken tegen aanlopen.

Wat deden ze? Ze draaiden de simulatie op 32 krachtige computers (nodes) van het ARCHER2-supercomputercentrum in het VK.
Het resultaat: Ze haalden een schaal (bond dimension) van 16.384.
Vergelijking: De beste andere methoden stopten bij ongeveer 2.048. Ze waren dus 8 keer groter in schaal.
De snelheid: Voor dezelfde nauwkeurigheid was hun methode 9 keer sneller dan de beste bestaande software op één enkele computer.

Waarom is dit belangrijk?

Stel je voor dat je een auto wilt bouwen die sneller is dan de wind. Je kunt dat niet doen zonder eerst een windtunnel te bouwen om de modellen te testen.

Deze paper bouwt een beter windtunnel.
Het stelt wetenschappers in staat om grotere, complexere kwantumcircuits te testen dan ooit tevoren.
Het helpt ons begrijpen waar de grens ligt tussen wat een klassieke computer kan en wat een kwantumcomputer moet doen.

Kort samengevat:
De auteurs hebben een slimme manier bedacht om een gigantische, ingewikkelde kwantum-puzzel op te splitsen in kleine stukjes die over een heel netwerk van computers worden verspreid. Door een snellere (maar iets minder perfecte) rekentechniek te gebruiken, kunnen ze nu puzzels oplossen die 8 keer zo groot zijn als wat voorheen mogelijk was, en dat veel sneller. Het is een enorme stap voorwaarts in het begrijpen van de toekomst van kwantumcomputing.

Probleemstelling

De simulatie van kwantumcircuits op klassieke computers is een exponentieel moeilijke taak vanwege de grootte van de toestandsvector (die $2^n$ elementen bevat voor $n$ qubits). Tensor-netwerken, en specifiek Matrix Product States (MPS), bieden een oplossing door de toestandsvector te comprimeren via decompositie en truncatie. Echter, bestaande methoden stuiten op twee grote beperkingen:

Geheugenbeperkingen: De bond-dimensie ( $\chi$ ), die de hoeveelheid verstrengeling weergeeft, moet vaak worden beperkt door het beschikbare geheugen van een enkele node.
Berekeningsflessenhals: De decompositie van tensors (meestal via Singular Value Decomposition, SVD) is een dure operatie met een kubische schaling ( $O(n^3)$ ). Bestaande parallelle implementaties zijn vaak beperkt tot "slice parallelism" (het opsplitsen van sommaties) of draaien op één node met threading, wat de schaalbaarheid van de bond-dimensie ernstig beperkt. Er ontbreekt een efficiënte methode om de individuele dichte tensors van een MPS zelf te verdelen over meerdere rekenkernen (tensor parallelism) in een distributed-memory omgeving.

Methodologie

De auteurs introduceren QTNH (Quantum Tensor Network Hub), een lichtgewicht C++ bibliotheek die een nieuwe verdelingspatroon toepast op MPS. De kern van de methode bestaat uit drie pijlers:

Tensor-Parallelism met Block-Cyclic Distributie:
In plaats van alleen de indices van het netwerk te verdelen, worden de individuele dichte tensors van de MPS-site zelf verdeeld over MPI-ranks. Dit wordt gedaan door de linkse indices van een tensor te fixeren als "distributed indices" en de resterende als "local indices". De tensors worden gemodelleerd als block-cyclische matrices, wat direct compatibel is met ScaLAPACK, een bibliotheek voor high-performance lineaire algebra op clusters. Dit stelt de auteurs in staat om geavanceerde lineaire algebra-routines (zoals matrixvermenigvuldiging en decompositie) te gebruiken op verdeelde data.
Vervanging van SVD door Pivoted QR:
De traditionele SVD-routine is een grote bottleneck. De auteurs vervangen deze door pivoted QR-factorisatie. Hoewel QR theoretisch iets minder nauwkeurig kan zijn voor truncatie dan SVD, is het aanzienlijk sneller. De auteurs compenseren de eventuele verlies in nauwkeurigheid door de bond-dimensie iets te verhogen. Dit maakt het mogelijk om veel grotere systemen te simuleren binnen een redelijke tijd.
Implementatie van Lange-afstandsinteracties:
Voor circuits met 2D-connectiviteit (zoals het Google RCS-benchmark) moeten qubits die niet naast elkaar liggen in de MPS-keten worden geïnteracteerd. De auteurs vergelijken twee benaderingen:
- Het gebruik van Matrix Product Operators (MPO) voor lange-afstandsgates.
- Het gebruik van een swap-bubbel-sort algoritme om de qubits fysiek in de MPS-keten naast elkaar te brengen, gevolgd door lokale interacties. Voor het RCS-benchmark bleek de swap-methode efficiënter.

Belangrijkste Bijdragen

Schalbare MPS-evolutie: De eerste implementatie van een MPS-evolutie-algoritme dat individuele site-tensors verdeelt over distributed memory, waardoor ongekende bond-dimensies haalbaar worden.
Optimalisatie van Decompositie: Het succesvol toepassen van pivoted QR in plaats van SVD in een distributed omgeving, wat de runtime drastisch verkort zonder de schaalbaarheid te belemmeren.
QTNH Bibliotheek: Een nieuwe, lichtgewicht bibliotheek die een interface biedt voor tensor-operaties op block-geverde matrices, specifiek ontworpen voor kwantumcircuit-simulatie.
Nieuwe Fidelity-maatstaf: Het introduceren van een "norm fidelity" metric die efficiënter te berekenen is dan de exacte overlap, maar empirisch sterk correleert met de echte nauwkeurigheid.

Resultaten

De auteurs hebben hun methode getest op het ARCHER2 supercomputer-systeem (32 nodes, 128 kernen per node, 256 GB RAM per node) met twee benchmarks:

Google's Random Circuit Sampling (RCS):
- Dit is een klassiek moeilijk probleem dat vaak wordt gebruikt om "quantum supremacy" te testen.
- De auteurs bereikten een bond-dimensie van $\chi = 16.384$ op 32 nodes.
- De simulatie duurde 40,8 uur en bereikte een gemiddelde norm-fidelity van $\bar{F} \approx 1,69 \cdot 10^{-16}$ .
- Vergelijking met State-of-the-Art (SOTA): De beste bestaande bibliotheken (ITensor, quimb) konden slechts $\chi = 2048$ bereiken op een enkele node (38 uur runtime) met een fidelity van $\approx 4,57 \cdot 10^{-19}$ .
- Verbetering: De QTNH-methode leverde een 370-voudige verbetering in de output-nauwkeurigheid voor een vergelijkbare runtime, en was 9 keer sneller dan SOTA-methoden voor dezelfde nauwkeurigheid op een enkele node (door gebruik van QR en hogere $\chi$ ).
Inverse Quantum Fourier Transform (IQFT):
- Getest op een 100-qubit circuit.
- De studie toonde aan dat bij een lokale bond-dimensie van $\chi_l = 256$ (wat past in de L3-cache), de parallelle efficiëntie zelfs boven de 100% kan komen door caching-effecten.
- De methode bleek zeer nauwkeurig (bijna perfecte fidelity) voor circuits met gematigde verstrengeling.
Profiling:
- De analyse toonde aan dat ScaLAPACK-routines (vooral decompositie) meer dan 98% van de runtime uitmaken bij hoge bond-dimensies.
- Bij lagere schalen is de communicatie (MPI) de bottleneck, maar bij hogere schalen ( $\chi = 8192$ ) wordt het een pure compute-bound taak.

Betekenis en Impact

Deze studie verlegt de grens van wat klassiek mogelijk is in de simulatie van kwantumcircuits:

Verlegging van de Rekenkundige Fasegrens: Door de bond-dimensie met een factor 8 te verhogen ten opzichte van de huidige stand van de techniek, kunnen nu grotere en meer verstrengelde circuits worden gesimuleerd dan ooit tevoren. Dit helpt bij het bepalen van het punt waarop kwantumcomputers klassieke computers echt overtreffen.
Schaalbaarheid: De benadering is natuurlijk load-balanced en schaalbaar tot de limieten van de onderliggende numerieke methoden. Het opent de deur voor het simuleren van praktische kwantumalgoritmen, zoals Quantum Phase Estimation (QPE), die eerder onbereikbaar waren vanwege geheugenbeperkingen.
Toekomstperspectief: De methode is compatibel met complexere representaties en kan in de toekomst worden uitgebreid met GPU-acceleratie, aangezien de pivoted QR-methode een eenvoudiger pad biedt voor versnelling dan SVD.

Kortom, het paper demonstreert dat door slimme distributie van dichte tensors en het vervangen van trage decompositieroutines, klassieke supercomputers aanzienlijk verder kunnen gaan in het nabootsen van kwantumgedrag dan eerder werd gedacht.