LBNL lidera el proyecto de visualización y almacenamiento de datos cuánticos: análisis de noticias sobre informática de alto rendimiento | dentro de HPC

El Laboratorio Nacional Lawrence Berkeley ha anunciado que investigadores universitarios y de laboratorios nacionales publicaron recientemente dos artículos que presentan nuevos métodos de almacenamiento y análisis de datos para hacer que la computación cuántica sea más práctica y exploran cómo la visualización ayuda a comprender la computación cuántica.

"Este trabajo representa avances significativos en la comprensión y el aprovechamiento de los dispositivos cuánticos actuales para la codificación, procesamiento y visualización de datos", dijo Talita Perciano, investigadora científica de la División de Datos Científicos del Laboratorio Nacional Lawrence Berkeley y líder de este esfuerzo.

“Estas contribuciones se basan en nuestras anteriores esfuerzos para resaltar la exploración en curso y el potencial de las tecnologías cuánticas en la configuración del análisis y la visualización de datos científicos. La realización de estos proyectos subraya el papel vital del trabajo en equipo, ya que cada miembro aportó su experiencia y perspectiva únicas. Esta colaboración es un testimonio del hecho de que en el ámbito cuántico, como en muchos aspectos de la vida, el progreso no se trata sólo de logros individuales, sino del esfuerzo colectivo y la visión compartida del equipo”.

Según la un artículo En el sitio LBNL de Carol Pott, los contribuyentes a este proyecto, junto con Perciano, incluyen investigadores de la División de Datos Científicos, la División de Investigación Computacional y Matemáticas Aplicadas y el Centro Nacional de Computación Científica de Investigación Energética (NERSC), en colaboración con equipos de Universidad Estatal de San Francisco (SFSU) y Universidad Case Western Reserve.

Equilibrando lo clásico y lo cuántico

La colaboración: (Fila superior, de izquierda a derecha) Talita Perciano, Jan Balewski, Daan Camps. (Fila inferior, de izquierda a derecha) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

El enfoque del equipo en codificar datos clásicos para su uso en algoritmos cuánticos es un paso adelante hacia el progreso en el aprovechamiento de los métodos de ciencia y tecnología de la información cuántica (QIST) como parte de los gráficos y la visualización, los cuales históricamente son costosos desde el punto de vista computacional. “Encontrar el equilibrio adecuado entre las capacidades de QIST y la informática clásica es un gran desafío de investigación. Por un lado, los sistemas cuánticos pueden manejar problemas exponencialmente mayores a medida que agregamos más qubits. Por otro lado, los sistemas clásicos y las plataformas HPC cuentan con décadas de investigación e infraestructura sólidas, pero alcanzan límites tecnológicos en cuanto a escalabilidad”, afirmó Bethel. “Un camino probable es la idea de una computación híbrida clásica-cuántica, que combine CPU clásicas con unidades de procesamiento cuántico (QPU). Este enfoque combina lo mejor de ambos mundos y ofrece posibilidades interesantes para aplicaciones científicas específicas”.

El primer documento, publicado recientemente en Nature Scientific Reports, explora cómo codificar y almacenar datos clásicos en sistemas cuánticos para mejorar las capacidades analíticas y cubre los dos nuevos métodos y cómo funcionan. QCrank funciona codificando conjuntos de números reales en rotaciones continuas de qubits seleccionados, lo que permite la representación de más datos utilizando menos espacio. QBArt, por otro lado, representa directamente los datos binarios como una serie de ceros y unos asignados a estados puros de cero y un qubit, lo que facilita los cálculos con los datos.

En el segundo documento, el equipo profundizó en la interacción entre la visualización y la computación cuántica, mostrando cómo la visualización ha contribuido a la computación cuántica al permitir la representación gráfica de estados cuánticos complejos y explorando los posibles beneficios y desafíos de integrar la computación cuántica en el ámbito de la exploración y el análisis de datos visuales. . En la exploración científica, la visualización permite a los investigadores explorar lo desconocido y “ver lo invisible”, transfiriendo efectivamente información abstracta en imágenes fácilmente comprensibles.

El equipo probó sus métodos en hardware cuántico NISQ utilizando varios tipos de tareas de procesamiento de datos, como hacer coincidir patrones en el ADN, calcular la distancia entre secuencias de números enteros, manipular una secuencia de números complejos y escribir y recuperar imágenes hechas de píxeles binarios. El equipo realizó estas pruebas utilizando un procesador cuántico llamado Quantinuum H1-1, así como otros procesadores cuánticos disponibles a través de IBMQ e IonQ. A menudo, los algoritmos cuánticos que procesan muestras de datos tan grandes como un solo circuito en dispositivos NISQ funcionan muy mal o producen resultados completamente aleatorios. Los autores demostraron que sus nuevos métodos obtuvieron resultados notablemente precisos al utilizar dicho hardware.

Cómo lidiar con la codificación de datos y la diafonía

Al diseñar e implementar algoritmos cuánticos que procesan datos clásicos, surge un desafío importante conocido como problema de codificación de datos, que es cómo convertir datos clásicos en una forma con la que pueda trabajar una computadora cuántica. Durante el proceso de codificación, existe un equilibrio entre utilizar recursos cuánticos de manera eficiente y mantener la complejidad computacional de los algoritmos lo suficientemente simples como para administrarlos.

“La atención se centró en equilibrar las limitaciones actuales del hardware cuántico. Algunos métodos de codificación matemáticamente sólidos utilizan tantos pasos, o puertas cuánticas, que el sistema cuántico pierde la información inicial incluso antes de llegar a la puerta final. Esto no deja ninguna oportunidad de calcular correctamente los datos codificados”, dijo Jan Balewski, consultor de NERSC y primer autor del artículo de Scientific Reports. "Para abordar esto, se nos ocurrió el esquema de dividir una secuencia larga en muchos flujos de codificación paralelos".

Desafortunadamente, este método generó un nuevo problema, la diafonía entre transmisiones, que distorsionaba la información almacenada. “Es como intentar escuchar múltiples conversaciones en una sala llena de gente; cuando se superponen, comprender cada mensaje se vuelve un desafío. En los sistemas de datos, la diafonía distorsiona la información, haciendo que los conocimientos sean menos precisos”, afirmó Balewski. “Abordamos la diafonía de dos maneras: para QCrank, introdujimos un paso de calibración; Para QBArt, simplificamos el lenguaje utilizado en los mensajes. Reducir la cantidad de tokens utilizados es como cambiar del alfabeto latino al código Morse: más lento de enviar pero menos afectado por las distorsiones”.

Esta investigación introduce dos avances importantes que hacen que la codificación y el análisis de datos cuánticos sean más prácticos. En primer lugar, los circuitos paralelos de rotación uniformemente controlada (pUCR) reducen drásticamente la complejidad de los circuitos cuánticos en comparación con los métodos anteriores. Estos circuitos permiten que se realicen múltiples operaciones simultáneamente, lo que los hace muy adecuados para procesadores cuánticos, como el dispositivo H1-1 de Quantinuum, con alta conectividad y soporte para ejecución de puertas paralelas. En segundo lugar, el estudio presenta QCrank y QBArt, las dos técnicas de codificación de datos que utilizan circuitos pUCR: QCrank codifica datos reales continuos como ángulos de rotación y QBArt codifica datos enteros en forma binaria. La investigación también presenta una serie de experimentos realizados con procesadores cuánticos IonQ e IBMQ, que demuestran una codificación y análisis de datos cuánticos exitosos a una escala mayor que la lograda anteriormente. Estos experimentos también incorporan nuevas estrategias de mitigación de errores para corregir resultados ruidosos del hardware, mejorando la confiabilidad de los cálculos.

Los experimentos realizados con QCrank muestran resultados prometedores, codificando y recuperando con éxito 384 píxeles en blanco y negro en 12 qubits con un alto nivel de precisión en la recuperación de la información (Figura 1). En particular, esta imagen representa la imagen más grande jamás codificada con éxito en un dispositivo cuántico, lo que la convierte en un logro innovador. Almacenar esa misma imagen en una computadora clásica requeriría 384 bits, lo que la hace 30 veces menos eficiente en comparación con una computadora cuántica. Dado que la capacidad del sistema cuántico crece exponencialmente con el número de qubits, sólo 35 qubits en una computadora cuántica ideal podrían contener, por ejemplo, los 150 gigabytes completos de información del ADN que se encuentran en el genoma humano.

Los experimentos realizados con QBArt mostraron su notable destreza en la codificación y procesamiento de diversas secuencias de datos, desde intrincadas secuencias de ADN (Figura 2) hasta números complejos, con una fidelidad casi perfecta. Además, el estudio profundiza en la evaluación del rendimiento de diferentes procesadores cuánticos en la codificación de datos binarios, revelando las capacidades excepcionales de los procesadores basados ​​en trampas de iones para tareas que dependen de los circuitos pUCR. Estos hallazgos no solo sientan las bases para investigaciones más profundas sobre las aplicaciones de circuitos paralelos compactos en diferentes algoritmos cuánticos y algoritmos híbridos cuánticos-clásicos; También allanan el camino para avances interesantes en futuras tareas de procesamiento de datos y aprendizaje automático cuántico.

“Navegando por la vanguardia de la computación cuántica, nuestro equipo, impulsado por talentos emergentes, está explorando avances teóricos aprovechando nuestros métodos de codificación de datos para abordar una amplia gama de tareas de análisis. Estos enfoques novedosos prometen desbloquear capacidades analíticas en una escala que no hemos visto antes con los dispositivos NISQ”, dijo Perciano. “Aprovechando tanto la HPC como el hardware cuántico, nuestro objetivo es ampliar los horizontes de la investigación en computación cuántica, imaginando cómo la tecnología cuántica puede revolucionar los métodos de resolución de problemas en diversos dominios científicos. A medida que evoluciona el hardware cuántico, todos los miembros del equipo de investigación creemos en su potencial de practicidad y utilidad como herramienta poderosa para el análisis y visualización de datos científicos a gran escala”.

Con el reciente llamado para construir y educar una fuerza laboral cuántica, muchas organizaciones, incluido el Departamento de Energía de EE. UU. (DOE), están buscando formas de ayudar a avanzar en la investigación y desarrollar nuevos algoritmos, sistemas y entornos de software para QIST. Con ese fin, la colaboración continua de Berkeley Lab con SFSU, una institución que presta servicios a minorías, aprovecha los esfuerzos del laboratorio en QIST y amplía los planes de estudio existentes de SFSU para incluir nuevos cursos y oportunidades de capacitación centrados en QIST. Wes Bethel, profesor asociado de SFSU, ex científico informático senior del Laboratorio de Berkeley, lideró la tarea de producir una nueva generación de estudiantes graduados de maestría en Ciencias de la Computación de SFSU, muchos de ellos de grupos subrepresentados, con tesis centradas en temas QIST.

Mercy Amankwah, Ph.D. Estudiante de Case Western University, ha sido parte de esta colaboración desde junio de 2021, dedicando 12 semanas de sus vacaciones de verano anualmente para participar en el programa Sustainable Research Pathways, una asociación entre Berkeley Lab y el Sustainable Horizons Institute. Amankwah aprovechó su experiencia en álgebra lineal para innovar en el diseño y manipulación de circuitos cuánticos para lograr la eficiencia que el equipo esperaba en dos nuevos métodos, QCrank y ABArt. Los métodos utilizan las técnicas innovadoras del equipo para codificar datos para computadoras cuánticas. "El trabajo que estamos haciendo es realmente cautivador", dijo Amankwah. “Es un viaje que nos empuja constantemente a contemplar los próximos grandes avances. Espero con entusiasmo hacer contribuciones más impactantes a este campo a medida que avance en mi posdoctorado. aventura profesional”.

Esta investigación fue apoyada por la Investigación Exploratoria para Ciencias de Escala Extrema de la Oficina de Investigación Científica Avanzada en Computación (ASCR) del Departamento de Energía de EE. UU. (DOE), el Instituto Horizontes Sostenibles y el Programa de Investigación y Desarrollo Dirigido por Laboratorio de Berkeley Lab y utilizó recursos informáticos en NERSC. y el Centro de Computación de Liderazgo de Oak Ridge.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/