Multi-GPU-Enabled Hybrid Quantum-Classical Workflow in Quantum-HPC Middleware: Applications in Quantum Simulations

要約

量子システム上で高性能計算を達成するには、量子ハードウェアと古典的計算リソースの間の機能の橋渡しが必要となる、手ごわい課題が伴います。
この研究では、革新的な分散対応量子古典量子 (QCQ) アーキテクチャを導入します。これは、最先端の量子ソフトウェア フレームワークと高性能古典コンピューティング リソースを統合して、材料および物性物理学の量子シミュレーションにおける課題に対処します。
このアーキテクチャの中心となるのは、量子状態を効率的に準備するための QPU 上で実行される VQE アルゴリズム、テンソル ネットワークの状態、および古典的なハードウェアで量子状態を分類するための QCNN のシームレスな統合です。
量子シミュレーターのベンチマークでは、QCQ アーキテクチャは cuQuantum SDK を利用してマルチ GPU アクセラレーションを活用し、PennyLane の Lightning プラグインと統合されており、従来の CPU ベースの手法と比較して、複雑な相転移分類タスクの計算速度が最大 10 倍向上することが実証されています。
この大幅な加速により、横磁場イジングや XXZ システムなどのモデルが 99.5% の精度で相転移を正確に予測できるようになります。
QPU と古典的なリソースの間で計算を分散するこのアーキテクチャの機能は、Quantum-HPC の重大なボトルネックに対処し、スケーラブルな量子シミュレーションへの道を開きます。
QCQ フレームワークは、量子アルゴリズム、機械学習、および Quantum-HPC 機能の相乗的な組み合わせを具体化しており、さまざまなスケールにわたる量子システムの動作に対する革新的な洞察を提供する可能性を高めています。
量子ハードウェアが向上し続けるにつれて、このハイブリッド分散対応フレームワークは、分散量子リソースを最先端の古典的コンピューティング インフラストラクチャとシームレスに統合することにより、量子コンピューティングの可能性を最大限に実現する上で重要な役割を果たすことになります。

要約(オリジナル)

Achieving high-performance computation on quantum systems presents a formidable challenge that necessitates bridging the capabilities between quantum hardware and classical computing resources. This study introduces an innovative distribution-aware Quantum-Classical-Quantum (QCQ) architecture, which integrates cutting-edge quantum software framework works with high-performance classical computing resources to address challenges in quantum simulation for materials and condensed matter physics. At the heart of this architecture is the seamless integration of VQE algorithms running on QPUs for efficient quantum state preparation, Tensor Network states, and QCNNs for classifying quantum states on classical hardware. For benchmarking quantum simulators, the QCQ architecture utilizes the cuQuantum SDK to leverage multi-GPU acceleration, integrated with PennyLane’s Lightning plugin, demonstrating up to tenfold increases in computational speed for complex phase transition classification tasks compared to traditional CPU-based methods. This significant acceleration enables models such as the transverse field Ising and XXZ systems to accurately predict phase transitions with a 99.5% accuracy. The architecture’s ability to distribute computation between QPUs and classical resources addresses critical bottlenecks in Quantum-HPC, paving the way for scalable quantum simulation. The QCQ framework embodies a synergistic combination of quantum algorithms, machine learning, and Quantum-HPC capabilities, enhancing its potential to provide transformative insights into the behavior of quantum systems across different scales. As quantum hardware continues to improve, this hybrid distribution-aware framework will play a crucial role in realizing the full potential of quantum computing by seamlessly integrating distributed quantum resources with the state-of-the-art classical computing infrastructure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google