⚛️ física quântica

A scalable sample-based quantum diagonalization solver for general Pauli-sum Hamiltonians

Este artigo apresenta um solver de estado fundamental baseado em JAX e escalável para diagonalização quântica baseada em amostras que aproveita arquiteturas de GPU e multi-GPU para realizar a diagonalização de subespaços em espaços de até $2^{30}$ dimensões com eficiência de memória demonstrada e escalonamento forte.

Autores originais: Yutaro Iiyama

Publicado 2026-10-12

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yutaro Iiyama

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na busca para compreender os mecanismos mais profundos da matéria, cientistas frequentemente recorrem à mecânica quântica, o conjunto de regras que governa o comportamento de átomos e partículas subatômicas. Para sistemas contendo apenas algumas partículas, essas regras são gerenciáveis, mas conforme o número de partículas cresce, a complexidade explode. Calcular o estado de menor energia de uma grande coleção de partículas interagentes — uma tarefa essencial para projetar novos materiais ou compreender reações químicas — torna-se tão difícil que até mesmo os supercomputadores clássicos mais poderosos lutam para resolvê-lo. É aqui que a promessa da computação quântica entra na história. A ideia é usar uma máquina quântica, que segue naturalmente essas regras complexas, para ajudar a resolver problemas que, de outra forma, seriam intratáveis. No entanto, os computadores quânticos atuais ainda estão em seus estágios iniciais, propensos a erros e limitados em tamanho. Eles ainda não podem executar os cálculos massivos e perfeitos necessários para aplicações do mundo real por conta própria.

Para preencher essa lacuna, pesquisadores desenvolveram uma abordagem híbrida conhecida como diagonalização quântica baseada em amostragem. Neste método, um pequeno computador quântico não resolve o problema inteiro. Em vez disso, ele atua como um sensor especializado, amostrando estados específicos do sistema para sugerir quais partes do vasto cenário matemático são mais importantes. O trabalho pesado do cálculo real é então entregue a um computador clássico, que usa essas sugestões para encontrar a resposta. Essa divisão de tarefas permite que os cientistas aproveitem as forças únicas de ambas as tecnologias, potencialmente alcançando resultados úteis mesmo antes que os computadores quânticos se tornem totalmente livres de erros. O desafio, entretanto, reside no lado clássico da equação: à medida que o computador quântico sugere mais e mais estados para considerar, o computador clássico deve ser capaz de lidar com cálculos envolvendo bilhões de dimensões sem ficar sem memória ou tempo.

Um pesquisador liderado por Yutaro Iiyama, da Universidade de Tóquio, abordou esse gargalo ao criar uma nova ferramenta de software altamente escalável, projetada para rodar em instalações de computação de alto desempenho modernas. O trabalho deles foca no motor clássico que processa os dados do amostrador quântico. Eles construíram um solver capaz de realizar as operações matemáticas necessárias em subespaços contendo até aproximadamente um bilhão de dimensões, uma escala que era anteriormente difícil de gerenciar em uma única máquina. O software foi escrito para rodar eficientemente em unidades de processamento gráfico, os chips poderosos tipicamente encontrados em placas de vídeo, mas agora centrais para a supercomputação, permitindo que ele aproveite o poder paralelo de centenas desses processadores trabalhando juntos.

O núcleo deste novo solver é um algoritmo especializado que encontra o estado de menor energia de um sistema sem nunca precisar armazenar todo o mapa matemático desse sistema na memória. Em abordagens tradicionais, calcular a energia de um sistema complexo muitas vezes exige a criação de uma grade massiva de números representando cada interação possível, o que rapidamente preenche a memória do computador. Este novo método evita essa armadilha ao calcular os números necessários apenas quando eles são precisados, uma técnica conhecida como abordagem livre de matrizes (matrix-free). Funciona aplicando repetidamente uma operação específica a um vetor de números, refinando a estimativa do estado fundamental a cada passo. Como o pesquisador otimizou este processo para usar pouquíssima memória, ele demonstrou que uma única placa de vídeo com 100 gigabytes de memória poderia resolver problemas envolvendo um bilhão de dimensões, um feito que teria sido impossível com métodos antigos.

Para testar os limites de seu sistema, o pesquisador executou simulações em um modelo de um material magnético conhecido como modelo de Ising de campo transversal. Eles calcularam com sucesso os níveis de energia de um sistema com 30 partículas em uma única placa de vídeo de alto desempenho, confirmando que o software poderia lidar com problemas de física não triviais com a eficiência esperada. Eles então levaram o sistema além, distribuindo o cálculo através de um cluster de até 128 placas de vídeo. Nesta configuração, o problema foi dividido entre as máquinas, e os resultados mostraram que o tempo necessário para encontrar a resposta diminuiu quase perfeitamente à medida que mais computadores eram adicionados. Esse "escalonamento forte" indica que o software pode utilizar efetivamente o enorme poder paralelo dos centros de supercomputação modernos, tornando possível enfrentar problemas que são grandes demais para qualquer máquina individual.

O software também inclui uma função especializada para lidar com a maneira única como o computador quântico sugere quais estados incluir. Esta função deve identificar rapidamente como diferentes estados quânticos se relacionam entre si sob a influência do Hamiltoniano do sistema, uma descrição matemática da energia total. O pesquisador desenvolveu um método de busca inteligente que agrupa esses estados para minimizar o número de operações caras necessárias. Eles descobriram que, ao fazer o cache de certos dados estáticos, poderiam acelerar o processo, embora isso tenha exigido um equilíbrio cuidadoso entre o uso de mais memória e a economia de tempo. O sistema é atualmente limitado pela capacidade da biblioteca de software subjacente de ordenar listas de números, limitando o número de dimensões que pode manipular a cerca de um bilhão. No entanto, o pesquisador já delineou um plano para atualizar o método de ordenação para permitir escalas ainda maiores no futuro.

Este trabalho representa um passo significativo para tornar a computação quântica centrada em supercomputadores uma realidade prática. Ao fornecer uma ferramenta robusta e de código aberto que pode rodar tanto em estações de trabalho individuais quanto em massivos clusters de supercomputação, o pesquisador baixou a barreira para que outros apliquem essas técnicas avançadas. O solver é projetado para ser flexível, capaz de lidar com tipos gerais de sistemas quânticos descritos por somas de operadores de Pauli, que cobrem uma ampla gama de modelos físicos. Embora a versão atual tenha um limite rígido no tamanho do subespaço que pode gerenciar, a arquitetura foi construída para ser atualizada. A capacidade de executar esses cálculos eficientemente em hardware existente significa que os cientistas podem começar a explorar problemas quânticos complexos hoje, usando o melhor da computação clássica e quântica para expandir as fronteiras do que é calculável.

Resumo Técnico: Um Solucionador de Diagonalização Quântica Baseado em Amostragem Escalável para Hamiltonianos Gerais de Soma de Pauli

Definição do Problema
A diagonalização quântica baseada em amostragem (SQD - Sample-based Quantum Diagonalization) é um arcabouço promissor para resolver problemas de estado fundamental de sistemas de muitos corpos quânticos usando computadores quânticos de curto prazo (near-term). Na SQD, um hamiltoniano de alta dimensão é projetado em um subespaço pequeno definido por estados quânticos amostrados de um dispositivo quântico. O desafio reside na escala desses subespaços; embora o computador quântico forneça os estados de base, o pós-processamento clássico pode expandir a dimensão do subespaço para dezenas de bilhões (ex: $10^{10}$ ).

Métodos padrão de diagonalização falham nesse regime porque armazenar a matriz do hamiltoniano reduzido em memória é impossível, a menos que ela seja extremamente esparsa. Consequentemente, um método "livre de matriz" (matrix-free) é necessário, onde o produto matriz-vetor é computado in situ sem formar explicitamente a matriz. Além disso, essas computações devem ser eficientes o suficiente para rodar em instalações modernas de Computação de Alto Desempenho (HPC), que são cada vez mais centradas em GPUs. Implementações de código aberto existentes ou se especializam em tipos específicos de Hamiltonianos (ex: química ou bósons de núcleo duro) ou dependem de solucionadores de autovalores (como o LOBPCG) que exigem retenção excessiva de memória da GPU, limitando sua escalabilidade para Hamiltonianos gerais de soma de Pauli.

Metodologia
O autor apresenta um solucionador SQD escalável construído sobre a API JAX, projetado para rodar em estações de trabalho individuais e ambientes de HPC com muitas GPUs. O solucionador compreende dois componentes primários:

Um Solucionador de Autovalores com Eficiência de Memória:
- O solucionador emprega o método do Gradiente Conjugado Localmente Ótimo (LOC) para encontrar o par de autovetor-autovalor mais baixo do hamiltoniano reduzido.
- Ao contrário do método mais comum LOBPCG (Locally Optimal Block Preconditioned Conjugate Gradient), que retém múltiplos vetores grandes para garantir estabilidade, esta implementação foca exclusivamente no par de autovetor-autovalor mais baixo.
- Ao reutilizar agressivamente a memória, o solucionador minimiza a pegada da GPU, exigindo apenas cinco vetores de dimensão $D$ simultaneamente na RAM. Isso permite a solução de problemas de autovalores com dimensões de até $10^9$ em uma única GPU com 100 GB de memória.
- Para problemas maiores, o solucionador suporta vetores distribuídos entre nós paralelos, utilizando as capacidades de paralelização nativas do JAX.
Operação Matriz-Vetor Específica para SQD:
- A operação central computa $\beta = P H P \alpha$ , onde $P$ é o projetor sobre o subespaço amostrado e $H$ é o Hamiltoniano geral de soma de Pauli.
- O algoritmo decompõe o Hamiltoniano em strings de Pauli e utiliza uma representação simplética para lidar com os operadores de Pauli.
- Um passo crítico envolve uma "busca de índice de fonte X" (Algoritmo 1), que identifica o mapeamento entre estados de base sob a ação de operadores de Pauli $X$ . Isso é implementado usando ordenação estável em arrays concatenados de índices binários, otimizada para arquiteturas de GPU.
- Para otimizar o desempenho, o algoritmo agrupa termos do Hamiltoniano por suas assinaturas $X$ , reduzindo o número de operações caras de busca e "tomada" (take).
- A implementação inclui mecanismos de cache para dados estáticos (índices de fonte e coeficientes diagonais) para trocar uso de memória por velocidade de execução.

Principais Contribuições

Implementação de Propósito Geral: Diferente de bibliotecas anteriores restritas a tipos específicos de Hamiltonianos, este solucionador lida com Hamiltonianos gerais de soma de Pauli sem limite inerente no número de qubits.
Escalabilidade Nativa de GPU: O código é escrito em Python usando JAX, permitindo a execução contínua em GPUs únicas e clusters de HPC distribuídos com múltiplas GPUs com mudanças mínimas de código.
Otimização de Memória: O solucionador de autovalores customizado foi explicitamente projetado para minimizar o uso de memória da GPU, permitendo o tratamento de dimensões ( $D \approx 10^9$ ) que excederiam a capacidade de métodos padrão de pré-condicionamento de bloco em hardware atual.
Disponibilidade de Código Aberto: O solucionador é lançado como uma biblioteca de código aberto (rqutils), fornecendo uma utilidade geral para encontrar pares de autovetores de qualquer operador hermitiano onde a operação matriz-vetor é implementada como uma função compilada via JIT do JAX.

Resultados
O artigo valida o solucionador através de dois experimentos principais:

Validação da Pegada de Memória: O solucionador computou com sucesso os estados fundamental e de primeira excitação de um modelo de Ising de campo transversal (TFIM) de 30 sítios em uma única GPU NVIDIA H100 (96 GB de RAM). Isso demonstrou a capacidade do solucionador de lidar com Hamiltonianos não triviais dentro de restrições estritas de memória.
Desempenho de Escalonamento Forte: O solucionador foi testado em um TFIM de 32 sítios (que excede a capacidade de memória de uma única GPU) através de 8, 16, 32, 64 e 128 nós de GPU. Os resultados mostraram um bom escalonamento forte, com o tempo para a solução diminuindo efetivamente conforme o número de nós aumentava, mantendo valores de energia idênticos em todas as instâncias.

Significância e Limitações
O artigo posiciona este solucionador como uma ferramenta crítica para a "computação supercentrada em quantum", permitindo o pós-processamento clássico necessário para extrair vantagem quântica de dispositivos quânticos pré-tolerantes a falhas. Ao separar o papel quântico (sugerindo dimensões de subespaço) do papel clássico (diagonalização e correção de erro), o arcabouço aproveita o poder de computação clássica massivo para superar as limitações atuais do hardware quântico.

No entanto, o autor nota explicitamente uma limitação atual: a busca de índice de fonte X depende de ordenação estável global, que é atualmente limitada pelo JAX a arrays de tamanho $2^{31}-1$ . Consequentemente, o solucionador suporta atualmente uma dimensão máxima de subespaço de $N = 2^{30}-1$ . O autor reconhece que, embora isso cubra muitos casos de uso atuais, atualizações futuras para ordenação por blocos estão planejadas para suportar as "dezenas de bilhões" de dimensões antecipadas em aplicações de ponta de SQD. O artigo não afirma resolver o problema da tolerância a falhas, mas sim maximizar a utilidade dos computadores quânticos de curto prazo através do escalonamento clássico eficiente.

Mais como este