Large-Scale Quantum Circuit Simulation on an Exascale System for QPU Benchmarking

本研究通过将 98 量子比特的 Quantinuum Helios-1 量子处理器的实验输出与欧洲 JUPITER 百亿亿次超级计算机上的大规模无噪声模拟结果进行对比，揭示了该设备在结果变得与随机采样在统计上无法区分之前，能够保持高达 93 量子比特的相干性能。

要点

想象你拥有一件全新、极其复杂的乐器（一台量子计算机），它能演奏出人类从未听过的音符。但问题在于：这件乐器有点“嘈杂”。有时，它演奏的不是你要求的完美音符，而是略微走调的音符或随机的嗡嗡声。关键问题是：在什么点上，音乐会变得如此嘈杂，以至于只是随机的静电噪音，而何时它仍然是一首美丽、有意义的歌曲？

本文旨在为一种名为Helios-1的特定乐器（拥有 98 个“琴键”，即量子比特）寻找这个问题的答案。研究人员使用了一台庞大、超快的经典计算机（一台名为JUPITER的超级计算机）作为“完美参考”，以观察这台嘈杂乐器的实际表现。

以下是他们探索过程的分解：

1. 挑战：区分信号与静电噪音

将量子计算机想象成一位试图烘焙完美蛋糕的厨师。

• 理想情况：完美的蛋糕（无噪音模拟）。
• 现实情况：厨师在一个有风的厨房里工作（噪音）。有时风会把面粉吹走，或者烤箱温度波动。
• 目标：研究人员想知道：“我们得到的蛋糕仍然是一块真正的蛋糕，还是风已经把它搅得如此混乱，以至于它只是一碗随机的面粉和鸡蛋？”

为了测试这一点，他们使用了一种名为LR-QAOA的特定“食谱”。你可以将这种食谱视为一种标准化的“味觉测试”，随着你添加的配料（量子比特）越多，测试难度就越大。

2. 超级参考：JUPITER

为了知道“完美蛋糕”长什么样，你需要一个参考。对于小蛋糕（最多 48 种配料），研究人员使用了JUPITER，这是欧洲第一台“百亿亿次”超级计算机。

• 类比：想象 JUPITER 是一个由 16,384 名超级烘焙师组成的团队，他们完美同步地工作。他们在计算机上烘焙了“完美蛋糕”（无噪音模拟）。
• 规模：这是一项巨大的任务。他们使用了 4,096 个巨大的计算机节点来模拟一个 48 量子比特的电路。这就像试图在瓶子里模拟一场风暴；它需要巨大的计算能力。
• 结果：他们成功烘焙了高达 48 量子比特大小的完美参考蛋糕。

3. 实验：测试 Helios-1

现在，他们将真实的 Helios-1 量子计算机与这些完美参考进行了比较。

• 48 量子比特及以下：他们将 Helios-1 的输出直接与 JUPITER 的模拟进行了比较。结果如何？Helios-1 的蛋糕与完美参考如此接近，以至于你无法分辨出差异。“风”（噪音）确实存在，但它尚未破坏食谱。这台机器处于**“容噪”**区域。
• 超过 48 量子比特：这里是棘手之处。一旦超过 48 量子比特，即使是超级计算机 JUPITER 也无法再烘焙“完美蛋糕”，因为它太大了，无法模拟。参考消失了。
• 新策略：由于他们无法将其与完美蛋糕进行比较，他们将其与随机猜测进行了比较。想象一下，让人通过向板上扔飞镖来猜测蛋糕的配料。
  • 他们使用了一种统计技巧（"3 西格玛”测试）来查看 Helios-1 的输出是否优于仅仅扔飞镖。
  • 发现：即使没有完美参考，他们发现 Helios-1 仍然在烘焙“真正的蛋糕”（产生有意义的结果），直到93 量子比特。
  • 临界点：在95 量子比特时，输出最终看起来完全像随机的飞镖投掷。噪音已经占据主导，信号丢失了。

4. “低样本”秘密

本文的一个巧妙之处在于他们如何测试机器。通常，为了获得良好的平均值，你可能需要运行测试 100 次。

• 类比：想象品尝汤。你可以尝 100 勺以确保它是咸的，或者如果你是一位非常有信心的厨师，你可以只尝 10 勺。
• 结果：研究人员表明，通过他们特定的统计方法，他们只需要10 次“采样”（品尝）就能自信地说：“是的，这是一块真正的蛋糕，而不是随机噪音。”这节省了巨大的时间和金钱，因为运行量子计算机非常昂贵。

5. 硬件对决

本文还比较了用于执行模拟的不同计算机芯片的速度。

• 竞赛：他们比较了较旧的A100芯片与较新的H100芯片。
• 结果：新的 H100 芯片几乎快两倍。这就像从自行车升级到跑车；你可以在一半的时间内到达同一个目的地，或者在这种情况下，用一半数量的计算机解决问题。

结论

本文是对量子计算机的一次“压力测试”。

1. 他们使用了一台庞大的超级计算机来证明，Helios-1量子处理器在高达48 量子比特的问题上工作得完美无缺（即“容噪”）。
2. 他们利用统计技巧证明，即使没有超级计算机参考，该机器在高达93 量子比特时仍能产生有意义的结果。
3. 在95 量子比特时，该机器最终撞上了一堵墙，此时噪音使得结果与随机猜测无法区分。

简而言之，他们找到了量子计算机停止成为有用工具并开始成为随机噪音来源的确切“临界点”，同时证明了我们可以高效地测试这些机器，而无需数百万个样本。

技术摘要

以下是论文《在百亿亿次级系统上进行大规模量子电路模拟以用于 QPU 基准测试》的详细技术总结。

1. 问题陈述

量子计算的快速发展已催生出拥有数百个量子比特的处理器（例如 Quantinuum 的 Helios-1，拥有 98 个量子比特）。然而，噪声和硬件缺陷严重限制了这些系统的可靠性。一个关键挑战在于识别量子处理器表现出相干且具有算法意义的行为的机制与噪声导致输出实际上变为随机的机制之间的界限。

现有的基准测试方法（例如量子体积、交叉熵基准测试）通常依赖于对理想分布的经典模拟，这在超过约 50 个量子比特后变得不可行；或者它们仅评估芯片的独立部分，无法提供系统性能的全局视图。因此，迫切需要一种可扩展的、应用层面的基准测试，能够在经典可处理性的边缘及之外验证量子处理器。

2. 方法论

作者采用了一种结合大规模经典模拟与实验量子执行的多面方法：

• 基准测试协议 (LR-QAOA)：

  • 本研究将线性斜坡量子近似优化算法 (LR-QAOA) 应用于全连接的加权最大割 (WMC) 问题。
  • 与变分 QAOA 不同，LR-QAOA 使用确定性的、非变分的线性退火调度，无需经典优化循环。这将硬件的固有性能与算法调优隔离开来。
  • 指标： 使用近似比率 ($r$) 来衡量性能。它将量子处理单元 (QPU) 获得的样本平均成本与最优解及随机采样基线进行比较。

• 统计分类框架：

  • 为了处理昂贵 QPU 上可用的有限射击次数（样本），作者开发了一种**“均值之均值”重采样程序**。
  • 他们构建了来自参考分布（无噪声模拟和随机采样）的平均近似比率的核密度估计 (KDE)。
  • 机制分类：
    • 噪声容限： QPU 的 $r$ 落在无噪声模拟的 99.73% 置信区间（$3\sigma$）内。
    • 过渡： QPU 的 $r$ 位于无噪声区间和随机区间之间。
    • 随机： QPU 的 $r$ 在统计上与随机采样无法区分（低于随机 $3\sigma$ 阈值）。
  • 该方法允许在仅使用10 次射击的情况下进行具有统计显著性的分类。

• 经典模拟基础设施 (JUPITER)：

  • 模拟在JUPITER（欧洲首台百亿亿次超级计算机）上使用JUQCS模拟器进行。
  • 硬件： 最多 4,096 个节点，配备 16,384 个 NVIDIA Grace Hopper GH200 超级芯片（共 16,384 个 GPU）。
  • 规模： 使用 FP32 精度执行了高达48 个量子比特（3,384 个双量子比特门）电路的无噪声态矢量模拟。
  • 内存策略： 对于 48 个量子比特，模拟利用了每个超级芯片的设备内存（96 GiB）和主机内存（120 GiB），需要 16,384 个芯片来存储 $2^{48}$ 个复数振幅。

• 实验设置：

  • 设备： Quantinuum Helios-1，这是一款基于量子电荷耦合器件 (QCCD) 架构并具有全连接性的 98 量子比特离子阱 QPU。
  • 范围： 实验在40 到 98个量子比特的全连接 WMC 实例上运行。
  • 约束： 由于硬件量子信用 (HQC) 随量子比特数量呈二次方缩放，实验仅限于低射击次数（9–49 次）以保持在预算范围内。

3. 主要贡献

1. 首次百亿亿次级 QPU 基准测试模拟： 作者进行了迄今为止报道的最大规模 QAOA 模拟，精度为 FP32，在 JUPITER 超级计算机的 4,096 个节点上模拟了 48 量子比特电路。
2. 相干边界识别： 他们为 Helios-1 建立了定量边界，通过模拟认证了高达 48 量子比特的噪声容限操作，并通过实验外推认证了高达 93 量子比特的相干性能。
3. 低射击统计方法： 引入了一种使用均值之均值重采样和 $3\sigma$ 阈值的稳健统计测试，使得仅需极少采样（低至 10 次射击）即可进行可靠的性能分类。
4. 跨平台 GPU 基准测试： 证明了 NVIDIA H100 GPU（JUPITER）在 30 量子比特模拟中比 A100 GPU（JUWELS Booster）实现了1.9 倍的加速，并使用一半数量的 GPU匹配了 40 量子比特模拟的执行时间。

4. 关键结果

• 模拟性能：

  • JUPITER 上的强扩展测试显示，对于 40 量子比特问题，当 GPU 数量从 128 增加到 512 时，实现了近乎理想的加速比（3.7 倍）。
  • 在 48 量子比特时，模拟耗时约 2,490 秒，突显了在使用组合内存时主机 - 设备数据传输和 MPI 通信带来的显著开销。
  • H100 GPU 的表现显著优于 A100，特别是在更深的电路深度（$p=100$）下。

• Helios-1 基准测试结果：

  • 40–48 量子比特（噪声容限机制）： Helios-1 的样本在统计上与无噪声的 JUPITER 模拟无法区分，并明显区别于随机采样。这证实了该设备在噪声容限机制下运行，其中累积噪声相对于算法信号可忽略不计。
  • 49–93 量子比特（过渡/相干机制）： 对于超出经典验证的规模，QPU 在统计上与随机采样保持显著分离，直至93 个量子比特（12,834 个双量子比特门）。
  • 95–98 量子比特（随机机制）： 在 95 和 98 个量子比特时，输出低于 $3\sigma$ 随机阈值，变得在统计上与随机采样无法区分。这标志着该特定基准测试下当前设备相干性的实际极限。

• 与上一代的比较：

  • Helios-1 实现了与上一代 H2-1 处理器相当或更高的近似比率，尽管使用的射击次数显著更少（10 次对比 50 次），这表明了硬件的改进。

5. 意义

• 在可处理性边缘的验证： 这项工作展示了百亿亿次经典计算如何作为“黄金标准”参考，用于验证量子处理器直至经典可模拟的极限（48 个量子比特）。
• 定义“量子优势”边界： 通过确定 Helios-1 在退化为随机性之前保持相干性直至 93 个量子比特，该研究为当前离子阱技术的操作限制提供了具体、定量的指标。
• 可扩展基准测试框架： LR-QAOA 协议提供了一个与平台无关、可解释的框架，无需参数调整或后处理，非常适合评估随着规模扩展超出经典验证范围的近期量子设备。
• 硬件效率洞察： 该研究强调了下一代硬件（H100/Grace Hopper）在经典模拟中的效率提升，以及在更高效的量子资源利用方面的潜力。

总之，本文弥合了经典模拟与实验量子计算之间的差距，提供了一种严格的方法，用于区分大规模量子处理器中的真实量子相干性与噪声引起的随机性。