Gør Quantum Computing billigere og dyrere - Gennemgang af Q-CTRL's Fire Opal: Af Brian Siegelwax - Inside Quantum Technology

Gør Quantum Computing billigere og dyrere - Gennemgang af Q-CTRL's Fire Opal: Af Brian Siegelwax – Inside Quantum Technology

Tidsstempel: 21. februar 2024 kl. 6:00
En grafik af Q-CTRL's Fire Opal-platform og dens påstand om at gøre kvantecomputere billigere at bruge.
By Gæst forfatter offentliggjort 21. februar 2024

Denne artikel startede med at vise, hvordan man bruger Q-CTRL'er Fire Opal ansøgning kan spare dig penge på adgang til kvantecomputerhardware. Og det vil den begynde med at gøre. Men som eksperimentering er tilbøjelig til at gøre, blev der opdaget et uventet twist undervejs. 

En grafik af, hvordan Q-CTRL's Fire Opal arbejder for at finde innovative løsninger.

En grafik af, hvordan Q-CTRL's Fire Opal arbejder for at finde innovative løsninger. (PC Q-CTRL)

For det første: Spar betydelige penge

Q-CTRL har offentliggjort en artikel med titlen "Reduktion af kvanteberegningsomkostninger 2,500X med Fire Opal”, hvori de hævder “estimaterne gik fra en forventet $89,205 for en enkelt kørsel af en QAOA-algoritme til kun $32” ved brug af Fire Opals QAOA-løser.

Uden at blive teknisk bruger QAOA et parametriseret kvantekredsløb. Vi gætter parametrene og kører derefter kredsløbet. Baseret på resultaterne justerer vi iterativt parametrene og kører kredsløbet igen, indtil vi når frem til en acceptabel løsningstilnærmelse. 

Det, vi er optaget af her, er omkostningerne ved at køre det kredsløb. Hver gang vi kører det kredsløb, påtager vi os de omkostninger. Derfor er vores mål at køre denne algoritme med færrest mulige iterationer. Det er både hurtigere og billigere at gøre det.

Jeg har personligt benchmarket Fire Opals QAOA-løser mod to andre QAOA-løsere, og der er ingen tvivl om, at Fire Opal reducerede dette antal iterationer. Fire Opal forbedrer kvaliteten af ​​hver iterations resultater dramatisk, så du rent faktisk når frem til en omtrentlig løsning. For at være ærlig opgav jeg de to andre løsere. Så selvom jeg ikke personligt kommer til at bruge 90,000 $ bare for at verificere Q-CTRL's påstand om 2500X, kan jeg bekræfte, at Fire Opal stopper med at køre kredsløb, når den når frem til en omtrentlig løsning, mens jeg ikke kan bekræfte, at de andre løsere får der overhovedet. Det fremhævede billede øverst i denne artikel kom fra Q-CTRL og viser en besparelse på 5700X, men det har ikke en tilknyttet artikel at linke til.

For det andet: Brug uendeligt flere penge

Det, vi virkelig burde være interesseret i, er algoritmer, der er beregnet til fejltolerant kvanteberegning (FTQC). Disse algoritmer tager så lang tid at udføre, at nutidens kvantecomputere returnerer ren og skær støj. Selvom vi normalt fokuserer på kvaliteten af ​​resultaterne eller mangel på samme, skal vi muligvis også overveje runtime. En prismodel kan være baseret på, hvor mange gange vi kører hvert kredsløb, men det kan også være baseret på, hvor længe det kører. Hvis Fire Opal kan forbedre effektiviteten af ​​kredsløbsudførelsen, kan det udmønte sig i lavere driftstidsrelaterede omkostninger.

Jeg bruger Classiq-platformen Python SDK at syntetisere enorme kredsløb, såsom dem, der kræves til kvantefaseestimering (QPE). Hvis vi vil se, hvor meget billigere Fire Opal er, bliver vi nødt til at køre de størst mulige kredsløb, så vi kan se en klar spredning.

Jeg startede med molekylært hydrogen (H2) med en tællende qubit. Hvis du ikke er bekendt, beregner QPE grundtilstandsenergien for molekyler ved hjælp af et register (data-qubits) til at repræsentere molekylet og et register (tælle qubits) for at bestemme præcisionen af ​​opløsningen. Ideelt set vil vi bruge otte tællende qubits til H2, men det har jeg allerede testet, og den nuværende hardware kan ikke klare det. H2 kræver kun én data-qubit, så dette første kredsløb brugte kun to qubits i alt.

Både Qiskit og Fire Opal brugte syv sekunder af IBM Quantum runtime. Fire Opal anvendte dog automatisk fejlreduktion, hvilket forbrugte yderligere 21 sekunders køretid. For at være retfærdig brugte jeg Qiskits ækvivalent, kaldet M3, og M3 brugte kun 11 ekstra sekunders runtime. For H2 med én tællende qubit vandt Qiskit faktisk runtime-sammenligningen.

Men jeg prøvede så H2 med to tællende qubits. Det Qiskit jobbet mislykkedes, hvorimod Fire Opal-jobbet blev udført med tilstrækkelig nøjagtighed til, at du groft kan vurdere løsningen. Præcisionen er langt fra, hvor den skal være, men den er i hvert fald i den rigtige boldgade. 

Og deri ligger det uventede twist. Omkostningerne ved det mislykkede Qiskit-job er $0.00. Fordi Fire Opal-jobbet er fuldført, ironisk nok, er det uendeligt meget dyrere, når du bruger en IBM Quantum premium-plan.

Ydermere kan Fire Opal skubbe forbi H2 med to tællende qubits. Jeg har personligt skubbet den til H2 med 6 tællende qubits samt til molekylær oxygen (O2) – som kræver 11 data-qubits – med 2 tællende qubits. O2 med 2 tælle qubits forbrugte 4 minutter og 28 sekunder af IBM Quantum runtime, og resultatet holder dig stadig i den rigtige boldbane. Ved at skubbe yderligere returneres fejlmeddelelser fra IBM Quantum.

Derfor koster det største QPE-kredsløb, der kan køre på nuværende hardware, der bruger 268 sekunders runtime til $1.60 per sekund, $428.80 ved at bruge Fire Opal med premium-adgang til IBM Quantum-hardware, eller $0.00 uden Fire Opal, fordi jobbet vil mislykkes.

Konklusion: Fire Opal er ikke nødvendigvis billigere

De siger, at "kvante" er uintuitivt, og det undlader aldrig at skuffe. I stedet for at være billigere ved at køre færre iterationer eller forkorte køretiden, ender Fire Opal med at blive dyrere, fordi du kan skubbe det længere. Du kan køre en algoritme, der ellers kunne koste $90,000, fordi den ikke kommer til at koste i nærheden af ​​det. Og du kan køre kredsløb, der ellers ville fejle og ikke koste noget. Derfor er Fire Opal dyrere blot i kraft af, at den rent faktisk virker. 

Brian N. Siegelwax er en uafhængig Quantum Algoritme Designer og freelance skribent for Inde i Quantum Technology. Han er kendt for sine bidrag til kvanteberegningsområdet, især inden for design af kvantealgoritmer. Han har evalueret adskillige kvanteberegningsrammer, platforme og hjælpeprogrammer og har delt sin indsigt og resultater gennem sine skrifter. Siegelwax er også forfatter og har skrevet bøger som "Dungeons & Qubits" og "Choose Your Own Quantum Adventure". Han skriver jævnligt på Medium om forskellige emner relateret til quantum computing. Hans arbejde omfatter praktiske anvendelser af kvantedatabehandling, anmeldelser af kvantedatabehandlingsprodukter og diskussioner om kvantedatabehandlingskoncepter.

Kategorier: Gæsteartikel, fotonik, quantum computing

tags: Brian Siegelwax, Fire Opal, Q-CTRL

Tidsstempel:

Mere fra Inde i Quantum Technology