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

Chemie is de studie van hoe atomen aan elkaar plakken om de wereld om ons heen te vormen, van de lucht die we inademen tot de materialen in onze telefoons. Decennialang hebben wetenschappers geprobeerd precies te voorspellen hoe deze atomen zich gedragen door de energie van hun elektronen te berekenen. De meest nauwkeurige manier om dit te doen, is door een enorme verzameling vergelijkingen op te lossen die elke beweging van een elektron beschrijven. Echter, zodra een molecuul zelfs maar enigszins complex wordt, explodeert het aantal benodigde berekeningen; het groeit zo snel dat zelfs de krachtigste supercomputers ter wereld de klus niet kunnen klaren. Hier komt een nieuwe aanpak genaamd de Variational Quantum Eigensolver in beeld. In plaats van te proberen het hele probleem in één keer op te lossen, gebruikt deze methode een hybride team: een quantumcomputer (of een simulatie daarvan) bereidt een gok voor de vorm van het molecuul voor, en een klassieke computer controleert hoe goed die gok is en past deze lichtjes aan om dichter bij het ware antwoord te komen. Het is een proces van vallen en opstaan dat duizenden keren wordt herhaald totdat de energie zo laag mogelijk is. Begrijpen hoe we dit proces sneller en efficiënter kunnen maken, is cruciaal, want als we de energieën van moleculen nauwkeurig kunnen berekenen, zouden we betere medicijnen, efficiëntere batterijen en nieuwe materialen kunnen ontwerpen zonder deze eerst in een laboratorium te hoeven maken.

Onderzoekers aan de Embry-Riddle Aeronautical University zetten zich in om te testen hoe goed deze methode werkt voor het eenvoudigste molecuul dat bestaat: waterstof, dat uit slechts twee atomen bestaat. Ze wilden zien of ze de energie van het molecuul konden in kaart brengen bij honderd verschillende afstanden tussen de twee atomen, een taak die onthult hoe het molecuul bij elkaar blijft en uiteindelijk uit elkaar valt. Hiervoor gebruikten ze een krachtige computercluster uitgerust met vier hoogwaardige grafische processoren, hetzelfde type chips dat in geavanceerde gamingcomputers wordt gevonden, maar dan opgeschaald voor wetenschappelijk werk. Ze voerden de berekening op vier verschillende manieren uit om te zien welke methode het snelst was. De eerste was een standaard, trage aanpak die diende als baseline. De tweede gebruikte een techniek om de code voor de computer efficiënter te compileren. De derde verplaatste het zware werk naar de grafische processoren. De vierde verdeelde het werk over veel processoren tegelijkertijd.

De resultaten lieten zien dat de grootste winst niet voortkwam uit simpelweg de computer sneller laten werken op elke stap, maar uit de computer slimmer laten worden over wanneer hij moet stoppen. Door de instellingen van de berekening aan te passen, reduceerden de onderzoekers het aantal stappen dat nodig was om het antwoord te vinden van dertig duizend naar slechts iets meer dan zeven duizend. Deze verandering alleen al verkortte de totale tijd die nodig was om het molecuul in kaart te brengen van bijna tien minuten naar minder dan tweeënhalf minuut. De onderzoekers ontdekten dat de specifieke instellingen die zij gebruikten, zoals het starten van elke nieuwe berekening met het antwoord van de vorige in plaats van vanaf nul te beginnen, veel belangrijker waren dan de hardware zelf. Wanneer ze keken naar de tijd die nodig was om een enkele stap van de berekening uit te voeren, was het verschil tussen de trage methode en de snelle methode zeer klein, wat bewees dat de versnelling kwam door minder stappen te zetten, en niet door elke stap in recordtempo uit te voeren.

Toen de onderzoekers probeerden de berekening op de grafische processoren uit te voeren, zagen ze een ander soort verbetering. De grafische processoren waren in staat om elke individuele stap sneller te voltooien dan de standaard computerprocessoren, maar omdat de berekening meer stappen vereiste om tot een antwoord te komen, was de totale tijd niet zo goed als de geoptimaliseerde standaardmethode. Dit onderstreepte een belangrijke les: het hebben van snellere hardware helpt niet als de software niet is afgestemd om het efficiënt te gebruiken. De onderzoekers testten ook wat er gebeurt wanneer ze het werk over veel processors tegelijk verdelen. Ze ontdekten dat hoewel de totale tijd aanzienlijk daalde bij het gebruik van meer processoren, ze dit niet direct konden vergelijken met de run op een enkele processor omdat de computers verschillende hoeveelheden middelen kregen toegewezen. Dit betekende dat ze geen specifiek versnellingspercentage konden claimen, maar ze bevestigden wel dat de methode goed genoeg schaalt om nuttig te zijn op grote machines.

Om te zien hoe dit standhoudt voor grotere, complexere moleculen, voerde het team een aparte test uit met simulaties variërend van vier tot zesentwintig qubits, de basisunits van informatie in een quantumsysteem. In deze tests waren de grafische processoren dramatisch sneller dan de standaard processoren, waarbij ze bij de grootste omvang tot tachtig-en-een keer sneller waren. De onderzoekers merkten echter zorgvuldig op dat deze vergelijking twee verschillende software-opstellingen betrof, en niet alleen twee verschillende soorten hardware. De snelste opstelling op een enkele grafische kaart kon een simulatie met een zesentwintig qubits aan voordat het geheugen op was, maar faalde toen ze probeerden door te gaan naar dertig. Dit suggereert dat hoewel deze machines krachtig zijn, ze nog steeds fysieke limieten hebben als het gaat om het simuleren van zeer grote kwantumsystemen.

Uiteindelijk bood de studie een duidelijk beeld van hoe deze kwantumchemische simulaties praktisch te maken zijn. De meest effectieve strategie was niet alleen het kopen van snellere computers, maar het verfijnen van het wiskundige recept dat wordt gebruikt om de zoektocht naar het antwoord te begeleiden. Door de berekening eerder te stoppen wanneer het antwoord goed genoeg was, een grotere stapgrootte te gebruiken om naar de oplossing te bewegen, en het vorige antwoord als startpunt voor de volgende te gebruiken, bereikten de onderzoekers een enorme tijdsreductie. Ze toonden ook aan dat hoewel grafische processoren ongelooflijke snelheid bieden voor grote problemen, hun volledige potentieel pas wordt vrijgegeven wanneer de software specifiek voor hen is ontworpen. Het werk bevestigt dat de methode voor eenvoudige moleculen de exacte energie met ongelooflijke precisie kan vinden, en het biedt een roadmap voor hoe deze berekeningen te schalen naar de complexere moleculen die toekomstige wetenschappelijke ontdekkingen zullen aandrijven.