Forskare har framgångsrikt simulerat Googles 53-qubitars Sycamore-kvantdator med hjälp av 1 432 NVIDIA A100 GPU:er och avancerade algoritmer. Denna prestation utmanar tidigare påståenden om kvantöverlägsenhet och öppnar nya möjligheter för klassisk simulering av kvantsystem.
Effektiva Tensor Nätverksmetoder
Genom att använda avancerade tensor nätverkskontraktionstekniker kunde forskarna effektivt uppskatta utdata från kvantkretsar. Genom att dela upp det fullständiga tensor nätverket i mindre delar minskade de minneskraven avsevärt samtidigt som beräkningsprestandan bibehölls. Detta möjliggjorde simulering av stora kvantkretsar med relativt begränsade resurser.
”Top-k” Samplingsmetod
Forskarna implementerade en ”top-k” samplingsmetod som fokuserar på de mest sannolika bitsträngarna från simuleringens utdata. Genom att koncentrera sig på dessa högsannolika resultat förbättrades den linjära korsentropibenchmarken (XEB), vilket är ett mått på hur väl simuleringen överensstämmer med förväntat kvantbeteende. Detta ökade inte bara simuleringsnoggrannheten utan minskade också den beräkningsmässiga belastningen, vilket gjorde processen snabbare och mer skalbar.
Validering med Mindre Kretsar
För att validera sina algoritmer genomförde forskarna numeriska experiment med mindre slumpmässiga kretsar, inklusive en 30-qubitars, 14-lagers krets. Resultaten visade utmärkt överensstämmelse med teoretiskt förväntade XEB-värden för olika tensor kontraktionsdelnätverksstorlekar. ”Top-k”-metodens förbättring av XEB-värdet stämde väl överens med teoretiska förutsägelser, vilket bekräftade algoritmens noggrannhet och effektivitet.
Optimering av Tensor Kontraktionsprestanda
Studien belyste också strategier för att optimera resurskraven för tensor kontraktion. Genom att förfina ordningen på tensorindex och minimera kommunikationen mellan GPU:er uppnåddes betydande förbättringar i beräkningsprestanda. Denna strategi visar också, baserat på komplexitetsuppskattningar, att ökad minneskapacitet – såsom 80 GB, 640 GB och 5 120 GB – avsevärt kan minska beräkningstidens komplexitet. Användningen av 8×80 GB minneskonfigurationer per beräkningsnod möjliggjorde högpresterande beräkningar.
Framtiden för Kvantsimuleringar
Denna framgång etablerar inte bara en ny standard för klassiska simuleringar av flerqubitars kvantdatorer utan introducerar också innovativa verktyg och metoder för framtida kvantdatorforskning. Genom att fortsätta förfina algoritmer och optimera beräkningsresurser förväntar sig forskarna att göra betydande framsteg i simuleringen av större kvantkretsar med fler qubitar. Detta arbete representerar ett betydande framsteg inom kvantdatorområdet och erbjuder värdefulla insikter för den pågående utvecklingen av kvantteknologier.
Referenser
- Zhao, X.-H., Zhong, H.-S., Pan, F., Chen, Z.-H., Fu, R., Su, Z., Xie, X., Zhao, C., Zhang, P., Ouyang, W., Lu, C.-Y., Pan, J.-W., & Chen, M.-C. (2024). Leapfrogging Sycamore: Harnessing 1432 GPUs for 7× Faster Quantum Random Circuit Sampling. National Science Review. DOI: 10.1093/nsr/nwae317
FAKTA
- Qubit: Den grundläggande informationsenheten i en kvantdator, motsvarande en bit i klassiska datorer, men kan representera både 0 och 1 samtidigt genom superposition.
- Tensor Nätverk: En matematisk struktur som används för att effektivt representera och beräkna komplexa system, särskilt inom kvantfysik och maskininlärning.
- Linjära Korsentropibenchmarken (XEB): Ett mått som används för att utvärdera hur väl en simulering av en kvantkrets överensstämmer med det förväntade kvantbeteendet.
