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

A química é o estudo de como os átomos se unem para formar o mundo ao nosso redor, desde o ar que respiramos até os materiais em nossos telefones. Durante décadas, cientistas tentaram prever exatamente como esses átomos se comportam calculando a energia de seus elétrons. A maneira mais precisa de fazer isso é resolver um conjunto massivo de equações que descrevem o movimento de cada elétron. No entanto, assim que uma molécula se torna minimamente complexa, o número de cálculos necessários explode, crescendo tão rápido que mesmo os supercomputadores mais poderosos do mundo não conseguem terminar o trabalho. É aqui que entra uma nova abordagem chamada Solucionador de Autovalores Quânticos Variacionais (Variational Quantum Eigensolver). Em vez de tentar resolver todo o problema de uma vez, este método utiliza uma equipe híbrida: um computador quântico (ou uma simulação de um) prepara um palpite sobre a forma da molécula, e um computador clássico verifica o quão bom é esse palpite e o ajusta levemente para chegar mais perto da resposta verdadeira. É um processo de tentativa e erro que se repete milhares de vezes até que a energia seja a mais baixa possível. Compreender como tornar esse processo mais rápido e eficiente é crucial, pois, se pudermos calcular as energias moleculares com precisão, poderemos projetar medicamentos melhores, baterias mais eficientes e novos materiais sem a necessidade de construí-los primeiro em um laboratório.

Pesquisadores da Embry-Riddle Aeronautical University propuseram-se a testar o quão bem esse método funciona para a molécula mais simples existente: o hidrogênio, que consiste em apenas dois átomos. Eles queriam ver se conseguiam mapear a energia de uma molécula em cem distâncias diferentes entre os dois átomos, uma tarefa que revela como a molécula se mantém unida e, eventualmente, se desfaz. Para fazer isso, utilizaram um poderoso cluster de computadores equipado com quatro processadores gráficos de alto desempenho, o mesmo tipo de chip encontrado em computadores de jogos avançados, mas escalonado para o trabalho científico. Eles executaram o cálculo de quatro maneiras diferentes para ver qual método era o mais rápido. O primeiro foi uma abordagem padrão e lenta, que serviu como uma linha de base. O segundo utilizou uma técnica para compilar o código para o computador rodar de forma mais eficiente. O terceiro transferiu o trabalho pesado para os processadores gráficos. O quarto dividiu o trabalho entre muitos processadores simultaneamente.

Os resultados mostraram que os maiores ganhos não vieram simplesmente de fazer o computador trabalhar mais rápido em cada etapa, mas de tornar o computador mais inteligente sobre quando parar. Ao ajustar as configurações do cálculo, os pesquisadores reduziram o número de etapas necessárias para encontrar a resposta de trinta mil para pouco mais de sete mil. Essa mudança sozinha cortou o tempo total necessário para mapear a molécula de quase dez minutos para pouco menos de dois minutos e meio. Os pesquisadores descobriram que as configurações específicas que utilizaram, como iniciar cada novo cálculo com a resposta do anterior em vez de começar do zero, foram muito mais importantes do que o próprio hardware. Quando observaram o tempo gasto para realizar uma única etapa do cálculo, a diferença entre o método lento e o método rápido foi muito pequena, provando que o ganho de velocidade veio de realizar menos etapas, e não de realizar cada etapa em tempo recorde.

Quando os pesquisadores tentaram executar o cálculo em seus processadores gráficos, viram um tipo diferente de melhoria. Os processadores gráficos foram capazes de completar cada etapa individual mais rapidamente do que os processadores de computador padrão, mas como o cálculo exigia mais etapas para convergir para uma resposta, o tempo total não foi tão bom quanto o do método padrão otimizado. Isso destacou uma lição fundamental: ter um hardware mais rápido não ajuda se o software não for ajustado para usá-lo de forma eficiente. Os pesquisadores também testaram o que acontece quando se divide o trabalho entre muitos processadores ao mesmo tempo. Eles descobriram que, embora o tempo total tenha caído significativamente ao usar mais processadores, eles não podiam comparar diretamente com a execução de um único processador porque os computadores receberam quantidades diferentes de recursos. Isso significou que eles não puderam alegar uma razão de aceleração específica, mas confirmaram que o método escala bem o suficiente para ser útil em máquinas grandes.

Para ver como isso se sustenta para moléculas maiores e mais complexas, a equipe realizou um teste separado com simulações variando de quatro a vinte e seis qubits, as unidades básicas de informação em um sistema quântico. Nesses testes, os processadores gráficos foram dramaticamente mais rápidos que os processadores padrão, rodando até oitenta e uma vezes mais rápido no maior tamanho. No entanto, os pesquisadores foram cuidadosos ao notar que essa comparação envolveu duas configurações de software diferentes, não apenas dois tipos diferentes de hardware. A configuração mais rápida em uma única placa gráfica conseguiu lidar com uma simulação de vinte e nove qubits antes de esgotar a memória, mas falhou quando tentaram forçá-la para trinta. Isso sugere que, embora essas máquinas sejam poderosas, elas ainda possuem limites físicos quando se trata de simular sistemas quânticos muito grandes.

Em última análise, o estudo forneceu um panorama claro de como tornar essas simulações de química quântica práticas. A estratégia mais eficaz não foi apenas comprar computadores mais rápidos, mas refinar a receita matemática usada para guiar a busca pela resposta. Ao interromper o cálculo precocemente quando a resposta já era boa o suficiente, usando um tamanho de passo maior para se mover em direção à solução e utilizando a resposta anterior como ponto de partida para a próxima, os pesquisadores alcançaram uma redução massiva de tempo. Eles também demonstraram que, embora os processadores gráficos ofereçam uma velocidade incrível para problemas grandes, seu pleno potencial só é desbloqueado quando o software é projetado para trabalhar especificamente com eles. O trabalho confirma que, para moléculas simples, o método pode encontrar a energia exata com precisão incrível, e fornece um roteiro de como escalar esses cálculos para as moléculas mais complexas que impulsionarão futuras descobertas científicas.