Distributed Variational Quantum Eigensolver: Embarrassingly Parallel strategies on NISQ
Dit artikel evalueert drie embarrassingly parallel strategieën voor de Variational Quantum Eigensolver op NISQ-apparaten met behulp van het CUNQA-emulatieplatform, waarbij de afruil tussen versnelling en nauwkeurigheid in aanwezigheid van heterogene ruis wordt geanalyseerd.
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
De wereld van quantumcomputing bevindt zich momenteel in een moeilijke maar veelbelovende fase die bekend staat als het "noisy intermediate-scale" tijdperk. In deze periode zijn de machines krachtig genoeg om complexe berekeningen uit te voeren waar klassieke computers moeite mee hebben, maar ze worden nog steeds geplaagd door imperfecties. Deze imperfecties, of "ruis", zorgen ervoor dat de machines fouten maken, wat de duur van een berekening beperkt voordat de resultaten onbetrouwbaar worden. Om deze grenzen te overstijgen, verkennen wetenschappers een strategie genaamd gedistribueerde quantumcomputing. In plaats van te vertrouwen op één enkele, enorme machine die nog niet bestaat, verbindt deze aanpak verschillende kleinere, imperfecte machines om samen aan één probleem te werken. De uitdaging ligt in het uitzoeken hoe het werk onder deze verschillende apparaten verdeeld kan worden zonder dat hun individuele gebreken het uiteindelijke antwoord verpesten.
Een van de belangrijkste taken voor deze machines is het vinden van de laagste energietoestand van een fysiek systeem, een proces dat bekend staat als de Variational Quantum Eigensolver. Stel je voor dat je probeert het diepste dal te vinden in een uitgestrekt, mistig landschap. De quantumcomputer fungeert als een gids die het terrein kan waarnemen, terwijl een klassieke computer fungeert als een navigator die het pad aanpast op basis van wat de gids rapporteert. Dit proces vereist dat de quantummachine dezelfde berekening duizenden keren uitvoert om een betrouwbare meting te krijgen. Omdat deze taak veel herhalingen met zich meebrengt, is het een ideale kandidaat om het werk te verdelen over meerdere apparaten. Echter, als die apparaten niet identiek zijn — als één van de anderen ruisiger is dan de rest — kan de manier waarop het werk wordt verdeeld de snelheid en nauwkeurigheid van het resultaat aanzienlijk veranderen.
Onderzoekers aan het Galicia Supercomputing Center in Spanje zetten zich in om precies te testen hoe dit werk het meest effectief verdeeld kan worden. Zij gebruikten geen fysieke quantumcomputers voor deze studie, aangezien de technologie nog volop in ontwikkeling is. In plaats daarvan gebruikten zij een geavanceerd simulatieplatform genaamd CUNQA om een virtuele omgeving te creëren. In deze digitale wereld bouwden zij een pool van virtuele quantumprocessors, die elk geprogrammeerd waren om de specifieke fouten en ruispatronen van echte machines van verschillende fabrikanten, waaronder IBM en OQC, na te bootsen. Door hun experimenten in deze gecontroleerde, gesimuleerde omgeving uit te voeren, konden zij de effecten van ruis isoleren en verschillende strategieën testen zonder de onvoorspelbaarheid van echte hardware.
Het team vergeleek drie verschillende manieren om de werklast te verdelen. De eerste methode, genaamd shot-level distributie, houdt in dat men een enkele berekening neemt en het totale aantal benodigde metingen opdeelt in kleinere batches. Deze batches worden naar verschillende virtuele machines gestuurd, waarna de resultaten later worden gecombineerd. De tweede methode, circuit-level distributie, wijst volledige, aparte berekeningen toe aan verschillende machines. Dit is nuttig wanneer een enkele stap van het probleem vereist dat veel verschillende delen van het systeem gelijktijdig worden geëvalueerd. De derde methode, candidate-level distributie, is ontworpen voor een specifiek type probleemoplossende aanpak die veel verschillende potentiële oplossingen tegelijkertijd test. In dit geval wordt elke potentiële oplossing naar een andere machine gestuurd om onafhankelijk te worden geëvalueerd.
De onderzoekers ontdekten dat de beste strategie sterk afhangt van het type probleemoplosser die wordt gebruikt en de kwaliteit van de beschikbare machines. Wanneer het doel was om simpelweg de metingen te verdelen, lieten de resultaten zien dat deze methode alleen goed werkt wanneer het totale aantal metingen zeer groot is. Als het aantal metingen klein is, weegt de tijd die besteed wordt aan het heen en weer sturen van gegevens tussen de machines zwaarder dan de tijd die wordt bespaard door ze parallel te draaien. Echter, wanneer de werklast het uitvoeren van veel afzonderlijke berekeningen betrof, bleek het verdelen van de circuits over verschillende machines veel efficiënter.
Een cruciale bevinding kwam naar voren met betrekking tot de impact van ruis. De simulaties toonden aan dat niet alle machines gelijk zijn en dat het mengen van deze machines zorgvuldigheid vereist. Wanneer de onderzoekers een methode gebruikten die vertrouwt op precieze geometrische informatie om de zoektocht te leiden, kon de aanwezigheid van zelfs één ruisige machine in de groep het hele proces destabiliseren, waardoor de resultaten gingen wankelen of niet tot een convergentie kwamen. In contrast hiermee bleek een methode die veel verschillende oplossingen tegelijkertijd test, veerkrachtiger. Omdat deze aanpak veel mogelijkheden simultaan evalueert, kan het de resultaten van de meest ruisige machines simpelweg negeren en zich richten op de betere resultaten. De studie toonde ook aan dat het roteren van welke machine welk deel van de taak afhandelt, helpt om te voorkomen dat één enkel apparaat de resultaten consistent vertekent, wat leidt tot iets snellere en betrouwbaardere uitkomsten.
Uiteindelijk laat het werk zien dat er geen enkele "one-size-fits-all" oplossing is voor het verbinden van quantumcomputers. De meest effectieve manier om een taak te verdelen hangt af van het specifieke algoritme dat wordt gebruikt en de kenmerken van de beschikbare hardware. Voor sommige problemen is het verdelen van de metingen voldoende, terwijl voor andere het toewijzen van volledige taken aan verschillende machines veel superieur is. De studie suggereert dat naarmate de quantumtechnologie volwassener wordt en meer apparaten aan elkaar worden gekoppeld, het vermogen om deze verschillen intelligent te beheren net zo belangrijk zal zijn als de kracht van de machines zelf. Door te begrijpen hoe ruis interageert met verschillende distributiestrategieën, kunnen wetenschappers zich beter voorbereiden op een toekomst waarin quantumcomputing een collaboratieve, gedistribueerde inspanning is in plaats van een eenzame race naar één enkele perfecte machine.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.