LBNL juhib kvantandmete salvestamist, visualiseerimisprojekti – kõrgjõudlusega andmetöötluse uudiste analüüs | HPC sees

Lawrence Berkeley riiklik labor teatas, et riikliku labori ja ülikooli teadlased avaldasid hiljuti kaks dokumenti, milles tutvustatakse uusi andmete salvestamise ja analüüsi meetodeid, et muuta kvantarvutus praktilisemaks ja uurida, kuidas visualiseerimine aitab kvantarvutit mõista.

"See töö kujutab endast olulisi edusamme praeguste kvantseadmete mõistmisel ja kasutamisel andmete kodeerimiseks, töötlemiseks ja visualiseerimiseks," ütles Lawrence Berkeley riikliku labori teadusandmete osakonna teadur Talita Perciano ja selle jõupingutuse juht.

"Need panused põhinevad meie eelneval jõupingutusi tõsta esile käimasolevat kvanttehnoloogiate uurimist ja potentsiaali teaduslike andmete analüüsi ja visualiseerimise kujundamisel. Nende projektide elluviimine rõhutab meeskonnatöö olulist rolli, kuna iga liige tõi kaasa oma ainulaadsed teadmised ja vaatenurga. See koostöö annab tunnistust tõsiasjast, et kvantvaldkonnas, nagu ka paljudes eluvaldkondades, ei seisne edasiminek ainult individuaalsetes saavutustes, vaid meeskonna ühises jõupingutuses ja ühises visioonis.

Järgi artikkel LBNL-i saidil Carol Pott, selle projekti panustajateks – koos Percianoga – on teadusandmete osakonna, rakendusmatemaatika ja arvutusuuringute osakonna ning riikliku energiauuringute teadusliku arvutuskeskuse (NERSC) teadlased koostöös organisatsioonide meeskondadega. San Francisco Riiklik Ülikool (SFSU) ja Case Western Reserve University.

Klassika ja kvantide tasakaal

Koostöö: (ülemine rida, vasakult paremale) Talita Perciano, Jan Balewski, Daan Camps. (alumine rida, vasakult paremale) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

Meeskonna keskendumine klassikaliste andmete kodeerimisele kvantalgoritmide jaoks on hüppelaud kvantinfoteaduse ja -tehnoloogia (QIST) meetodite graafika ja visualiseerimise osana, mis mõlemad on ajalooliselt arvutuslikult kallid, kasutuselevõtul. "Õige tasakaalu leidmine QIST-i ja klassikalise andmetöötluse võimaluste vahel on suur uurimistöö väljakutse. Ühest küljest saavad kvantsüsteemid hakkama eksponentsiaalselt suuremate probleemidega, kui lisame rohkem kubitte. Teisest küljest on klassikalistel süsteemidel ja HPC platvormidel aastakümneid kestnud kindlad teadusuuringud ja infrastruktuur, kuid need ulatuvad skaleerimisel tehnoloogilistesse piiridesse, ”ütles Bethel. "Üks tõenäoline viis on klassikalise-kvantarvutite hübriidtehnoloogia, mis ühendab klassikalisi protsessoreid kvanttöötlusüksustega (QPU). See lähenemisviis ühendab mõlema maailma parimad küljed, pakkudes põnevaid võimalusi konkreetsete teaduslike rakenduste jaoks.

Esimene paber, avaldati hiljuti ajakirjas Nature Scientific Reports, uurib, kuidas kodeerida ja salvestada klassikalisi andmeid kvantsüsteemides, et parandada analüütilisi võimalusi, ning käsitleb kahte uut meetodit ja nende toimimist. QCrank töötab reaalarvude komplektide kodeerimisel valitud kubittide pidevaks pöörlemiseks, võimaldades esitada rohkem andmeid, kasutades vähem ruumi. QBArt seevastu esindab binaarandmeid otseselt nullide ja ühtede jadana, mis on kaardistatud puhta nulli ja ühe kubiti olekutega, muutes andmete arvutuste tegemise lihtsamaks.

Teises lehes, uuris meeskond visualiseerimise ja kvantarvutite vastastikust mõju, näidates, kuidas visualiseerimine on aidanud kaasa kvantarvutamisele, võimaldades keerukate kvantolekute graafilist esitamist ning uurides kvantarvutuse visuaalsete andmete uurimise ja analüüsi valdkonda integreerimise võimalikke eeliseid ja väljakutseid. . Teadusliku uurimise käigus võimaldab visualiseerimine teadlastel uurida tundmatut ja "näha nähtamatut", teisaldades abstraktse teabe tõhusalt kergesti mõistetavateks kujutisteks.

Meeskond katsetas oma meetodeid NISQ kvantriistvaraga, kasutades mitut tüüpi andmetöötlusülesandeid, nagu DNA mustrite sobitamine, täisarvude jadade vahelise kauguse arvutamine, kompleksarvude jada manipuleerimine ning binaarpikslitest piltide kirjutamine ja toomine. Meeskond viis need testid läbi kvantprotsessoriga Quantinuum H1-1, aga ka teiste IBMQ ja IonQ kaudu saadaolevate kvantprotsessoritega. Sageli töötavad kvantalgoritmid, mis töötlevad selliseid suuri andmeproove ühe ahelana NISQ-seadmetes, väga halvasti või annavad täiesti juhusliku väljundi. Autorid näitasid, et nende uued meetodid saavutasid sellise riistvara kasutamisel märkimisväärselt täpseid tulemusi.

Andmete kodeerimise ja ristkõnega tegelemine

Klassikalisi andmeid töötlevate kvantalgoritmide kavandamisel ja rakendamisel tekib märkimisväärne väljakutse, mida tuntakse andmete kodeerimise probleemina, milleks on klassikaliste andmete teisendamine kujul, millega kvantarvuti saab töötada. Kodeerimisprotsessi käigus tekib kompromiss kvantressursside tõhusa kasutamise ja algoritmide arvutusliku keerukuse haldamiseks piisavalt lihtsana hoidmise vahel.

"Keskenduti praeguste kvantriistvarapiirangute tasakaalustamisele. Mõned matemaatiliselt kindlad kodeerimismeetodid kasutavad nii palju samme või kvantväravaid, et kvantsüsteem kaotab algteabe enne, kui jõuab lõpliku väravani. See ei jäta võimalust kodeeritud andmeid õigesti arvutada, ”ütles Jan Balewski, NERSC konsultant ja teaduslike aruannete dokumendi esimene autor. "Selle lahendamiseks tulime välja skeemi, kuidas jagada üks pikk jada paljudeks paralleelseteks kodeerimisvoogudeks."

Kahjuks tõi see meetod kaasa uue probleemi, voogudevahelise läbirääkimise, mis moonutas salvestatud teavet. “See on nagu katse kuulata rahvarohkes ruumis mitut vestlust; kui need kattuvad, muutub iga sõnumi mõistmine väljakutseks. Andmesüsteemides moonutab läbirääkimine teavet, muutes ülevaated vähem täpseks, ”ütles Balewski. „Võtlesime läbirääkimise kahel viisil: QCranki jaoks võtsime kasutusele kalibreerimisetapi; QBArt jaoks lihtsustasime sõnumites kasutatavat keelt. Kasutatud žetoonide arvu vähendamine on nagu ladina tähestikult üleminek morsekoodile – saatmine on aeglasem, kuid moonutustest vähem mõjutatud.

See uuring tutvustab kahte olulist edusamme, muutes kvantandmete kodeerimise ja analüüsi praktilisemaks. Esiteks vähendavad paralleelselt ühtlaselt juhitud pöörlemise (pUCR) ahelad oluliselt kvantahelate keerukust võrreldes varasemate meetoditega. Need ahelad võimaldavad teha korraga mitu toimingut, mistõttu sobivad need hästi kvantprotsessoritele, nagu Quantinuumi H1-1 seade, millel on kõrge ühenduvus ja värav paralleelkäivitus. Teiseks tutvustatakse uuringus QCranki ja QBArt, kahte andmete kodeerimistehnikat, mis kasutavad pUCR-ahelaid: QCrank kodeerib pidevaid reaalseid andmeid pöördenurkadena ja QBArt kodeerib täisarvulisi andmeid binaarsel kujul. Uuringus tutvustatakse ka mitmeid katseid, mis viidi läbi IonQ ja IBMQ kvantprotsessorite abil, mis demonstreerivad edukat kvantandmete kodeerimist ja analüüsi senisest suuremas mahus. Need katsed hõlmavad ka uusi vigade vähendamise strateegiaid, et parandada mürarikkaid riistvaratulemusi, suurendades arvutuste usaldusväärsust.

QCrankiga tehtud katsed näitavad paljutõotavaid tulemusi, kodeerides ja hankides edukalt 384 must-valget pikslit 12 kubitil teabe taastamisel suure täpsusega (joonis 1). Nimelt kujutab see pilt suurimat pilti, mis kunagi kvantseadmesse edukalt kodeeritud, mis tähistab seda murranguliseks saavutuseks. Sama pildi salvestamiseks klassikalises arvutis oleks vaja 384 bitti, mis muudab selle kvantarvutiga võrreldes 30 korda vähem tõhusaks. Kuna kvantsüsteemi võimsus kasvab plahvatuslikult koos kubitide arvuga, võiks ideaalses kvantarvutis vaid 35 kubitti mahutada näiteks kogu inimese genoomis leiduvat 150 gigabaiti DNA-teavet.

QBArtiga läbiviidud katsed näitasid selle märkimisväärset võimekust erinevate andmejadade kodeerimisel ja töötlemisel, alates keerukatest DNA järjestustest (joonis 2) kuni kompleksarvudeni, peaaegu täiusliku täpsusega. Lisaks käsitletakse uuringus erinevate kvantprotsessorite jõudluse hindamist binaarandmete kodeerimisel, paljastades ioonilõksupõhiste protsessorite erakordsed võimalused pUCR-ahelatel põhinevate ülesannete jaoks. Need leiud ei loonud mitte ainult aluse kompaktsete paralleelsete vooluahelate rakenduste sügavamatele uurimistele erinevate kvantalgoritmide ja hübriidsete kvant-klassikaliste algoritmide vahel; need sillutavad teed ka põnevatele edusammudele tulevastes kvantmasinõppe ja andmetöötlusülesannetes.

„Navigeerides kvantarvutuse esirinnas, uurib meie meeskond, keda inspireerivad esilekerkivad talentid, teoreetilisi edusamme, kasutades meie andmete kodeerimise meetodeid, et tulla toime paljude analüüsiülesannetega. Need uudsed lähenemisviisid lubavad avada analüütilised võimalused mastaabis, mida me pole NISQ-seadmetega varem näinud, ”ütles Perciano. "Kasutades nii HPC-d kui ka kvantriistvara, on meie eesmärk laiendada kvantarvutite uuringute horisonte, nähes ette, kuidas kvant võib probleemide lahendamise meetodeid erinevates teadusvaldkondades muuta. Kuna kvantriistvara areneb, usume me kõik uurimisrühmas selle praktilisuse ja kasulikkuse potentsiaali kui võimsat vahendit suuremahuliseks teaduslike andmete analüüsiks ja visualiseerimiseks.

Hiljutise üleskutsega luua ja koolitada kvanttööjõudu, otsivad paljud organisatsioonid, sealhulgas USA energeetikaministeerium (DOE), viise, kuidas aidata uurimistööd edendada ning QIST-i jaoks uusi algoritme, süsteeme ja tarkvarakeskkondi välja töötada. Sel eesmärgil kasutab Berkeley Labi jätkuv koostöö vähemusi teenindava asutuse SFSU-ga labori jõupingutusi QIST-i valdkonnas ja laiendab SFSU olemasolevaid õppekavasid, et hõlmata uusi QIST-keskseid kursusi ja koolitusvõimalusi. Varem Berkeley labori vanemarvutiteadlane, SFSU dotsent Wes Bethel juhtis ülesannet luua uus põlvkond SFSU arvutiteaduse magistriõppe üliõpilasi, kellest paljud olid pärit alaesindatud rühmadest, kusjuures lõputööd keskendusid QIST-teemadele.

Mercy Amankwah, Ph.D. Case Westerni ülikooli üliõpilane on osalenud selles koostöös alates 2021. aasta juunist, pühendades igal aastal 12 nädalat oma suvepuhkust, et osaleda programmis Sustainable Research Pathways, mis on Berkeley Labi ja Sustainable Horizons Institute’i partnerlus. Amankwah kasutas oma teadmisi lineaarse algebra vallas, et uuendada kvantahelate kavandamist ja manipuleerimist, et saavutada tõhusus, mida meeskond kahe uue meetodi, QCrank ja ABArt, puhul lootis. Meetodid kasutavad kvantarvutite andmete kodeerimiseks meeskonna uuenduslikke tehnikaid. "Töö, mida me teeme, on tõeliselt kütkestav," ütles Amankwah. „See on teekond, mis sunnib meid pidevalt mõtisklema järgmiste suurte läbimurrete üle. Ootan põnevusega, et saaksin sellesse valdkonda rohkem mõju avaldada, kui astun doktorikraadi omandama. karjääriseiklus."

Seda uurimistööd toetasid USA energeetikaministeeriumi (DOE) äärmuslike teadusuuringute arenenud teaduslike arvutusuuringute büroo (ASCR), Sustainable Horizons Institute ja Berkeley Labi laborile suunatud uurimis- ja arendusprogramm ning kasutasid NERSC arvutusressursse. ja Oak Ridge Leadership Computing Facility.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/