پروژه LBNL ذخیره سازی داده های کوانتومی، تجسم - تحلیل اخبار محاسباتی با کارایی بالا | داخل HPC

آزمایشگاه ملی لارنس برکلی اعلام کرده است که محققان آزمایشگاه ملی و دانشگاه اخیراً دو مقاله منتشر کرده‌اند که روش‌های جدید ذخیره‌سازی و تجزیه و تحلیل داده‌ها را برای کاربردی‌تر کردن محاسبات کوانتومی و بررسی اینکه چگونه تجسم به درک محاسبات کوانتومی کمک می‌کند، معرفی کرده‌اند.

Talita Perciano، دانشمند پژوهشی در بخش داده های علمی در آزمایشگاه ملی لارنس برکلی و رهبر این تلاش می گوید: «این کار نشان دهنده گام های مهمی در درک و به کارگیری دستگاه های کوانتومی فعلی برای رمزگذاری، پردازش و تجسم داده ها است.

«این کمک‌ها بر پایه قبلی ما است تلاش برای برجسته کردن اکتشاف و پتانسیل مداوم فناوری های کوانتومی در شکل دادن به تجزیه و تحلیل و تجسم داده های علمی. تحقق این پروژه ها بر نقش حیاتی کار تیمی تاکید می کند، زیرا هر یک از اعضا تخصص و دیدگاه منحصر به فرد خود را به ارمغان می آورد. این همکاری گواهی بر این واقعیت است که در قلمرو کوانتومی، مانند بسیاری از جنبه‌های زندگی، پیشرفت فقط در مورد دستاوردهای فردی نیست، بلکه در مورد تلاش جمعی و دیدگاه مشترک تیم است.

مطابق با یک مقاله در سایت LBNL توسط Carol Pott، مشارکت کنندگان این پروژه - همراه با Perciano - شامل محققانی از بخش داده های علمی، بخش ریاضیات کاربردی و تحقیقات محاسباتی، و مرکز ملی محاسبات علمی تحقیقات انرژی (NERSC) با همکاری تیم هایی از دانشگاه ایالتی سانفرانسیسکو (SFSU) و دانشگاه کیس وسترن رزرو.

تعادل کلاسیک و کوانتومی

همکاری: (ردیف بالا، از چپ به راست) تالیتا پرسیانو، یان بالوسکی، دان کمپس. (ردیف پایین، از چپ به راست) روئل ون بیومن، مرسی جی. آمانکوا، ای. وس بتل

تمرکز این تیم بر رمزگذاری داده‌های کلاسیک برای استفاده توسط الگوریتم‌های کوانتومی، پله‌ای به سوی پیشرفت در استفاده از روش‌های علم و فناوری اطلاعات کوانتومی (QIST) به عنوان بخشی از گرافیک و تجسم است، که هر دو از نظر محاسباتی تاریخی گران هستند. یافتن تعادل مناسب بین قابلیت‌های QIST و محاسبات کلاسیک یک چالش بزرگ تحقیقاتی است. از یک طرف، سیستم‌های کوانتومی می‌توانند مشکلات بزرگ‌تری را با اضافه کردن کیوبیت‌های بیشتر حل کنند. از طرف دیگر، سیستم‌های کلاسیک و پلت‌فرم‌های HPC چندین دهه تحقیقات و زیرساخت محکمی دارند، اما در مقیاس‌بندی محدودیت‌های تکنولوژیکی دارند.» یکی از مسیرهای محتمل، ایده محاسبات ترکیبی کلاسیک-کوانتومی، ترکیب CPUهای کلاسیک با واحدهای پردازش کوانتومی (QPU) است. این رویکرد بهترین های هر دو جهان را ترکیب می کند و امکانات هیجان انگیزی را برای کاربردهای علمی خاص ارائه می دهد.

اولین مقاله، اخیراً در Nature Scientific Reports منتشر شده است، چگونگی رمزگذاری و ذخیره داده های کلاسیک در سیستم های کوانتومی را برای بهبود قابلیت های تحلیلی بررسی می کند و دو روش جدید و نحوه عملکرد آنها را پوشش می دهد. QCrank با رمزگذاری مجموعه‌ای از اعداد واقعی در چرخش‌های پیوسته کیوبیت‌های انتخابی کار می‌کند و امکان نمایش داده‌های بیشتر با استفاده از فضای کمتر را فراهم می‌کند. از سوی دیگر، QBArt مستقیماً داده‌های باینری را به صورت مجموعه‌ای از صفرها و یک‌ها به حالت صفر و یک کیوبیت نشان می‌دهد که انجام محاسبات روی داده‌ها را آسان‌تر می‌کند.

در مقاله دوم، این تیم به تعامل بین تجسم و محاسبات کوانتومی پرداختند و نشان دادند که چگونه تجسم با فعال کردن نمایش حالت های کوانتومی پیچیده به صورت گرافیکی و بررسی مزایا و چالش های بالقوه ادغام محاسبات کوانتومی در حوزه اکتشاف و تجزیه و تحلیل داده های بصری به محاسبات کوانتومی کمک کرده است. . در کاوش های علمی، تجسم به محققان اجازه می دهد تا ناشناخته ها را کشف کنند و "غیرقابل دیدن" را ببینند، و به طور موثر اطلاعات انتزاعی را به تصاویر به راحتی قابل درک منتقل کنند.

این تیم روش‌های خود را بر روی سخت‌افزار کوانتومی NISQ با استفاده از انواع مختلفی از وظایف پردازش داده، مانند تطبیق الگوها در DNA، محاسبه فاصله بین دنباله‌های اعداد صحیح، دستکاری دنباله‌ای از اعداد مختلط، و نوشتن و بازیابی تصاویر ساخته‌شده از پیکسل‌های باینری، آزمایش کردند. این تیم این آزمایش‌ها را با استفاده از یک پردازنده کوانتومی به نام Quantinuum H1-1 و همچنین سایر پردازنده‌های کوانتومی موجود از طریق IBMQ و IonQ انجام دادند. اغلب، الگوریتم‌های کوانتومی که چنین نمونه‌های داده بزرگی را به عنوان یک مدار واحد در دستگاه‌های NISQ پردازش می‌کنند، عملکرد بسیار ضعیفی دارند یا خروجی کاملاً تصادفی دارند. نویسندگان نشان دادند که روش‌های جدید آنها نتایج بسیار دقیقی را هنگام استفاده از چنین سخت‌افزاری به دست می‌آورد.

مقابله با رمزگذاری داده ها و تداخل

هنگام طراحی و پیاده‌سازی الگوریتم‌های کوانتومی برای پردازش داده‌های کلاسیک، یک چالش مهم به نام مشکل رمزگذاری داده‌ها مطرح می‌شود که این است که چگونه داده‌های کلاسیک را به شکلی تبدیل کنیم که یک کامپیوتر کوانتومی بتواند با آن کار کند. در طول فرآیند رمزگذاری، بین استفاده کارآمد از منابع کوانتومی و ساده نگه داشتن پیچیدگی محاسباتی الگوریتم ها به اندازه کافی برای مدیریت وجود دارد.

تمرکز بر تعادل محدودیت‌های سخت‌افزار کوانتومی فعلی بود. برخی از روش های رمزگذاری جامد ریاضی از مراحل یا دروازه های کوانتومی زیادی استفاده می کنند که سیستم کوانتومی حتی قبل از رسیدن به دروازه نهایی، اطلاعات اولیه را از دست می دهد. یان بالوسکی، مشاور NERSC و اولین نویسنده مقاله گزارش های علمی، گفت: این فرصتی برای محاسبه صحیح داده های رمزگذاری شده باقی نمی گذارد. "برای پرداختن به این موضوع، ما به طرحی رسیدیم که یک دنباله طولانی را به بسیاری از جریان های رمزگذاری موازی تقسیم می کنیم."

متأسفانه، این روش منجر به یک مشکل جدید، تداخل بین جریان ها شد که اطلاعات ذخیره شده را مخدوش کرد. این مانند تلاش برای گوش دادن به مکالمات متعدد در یک اتاق شلوغ است. هنگامی که آنها با هم همپوشانی دارند، درک هر پیام چالش برانگیز می شود. بالوسکی گفت: در سیستم‌های داده، تداخل اطلاعات را تحریف می‌کند و بینش‌ها را دقیق‌تر می‌کند. ما به دو روش با تداخل برخورد کردیم: برای QCrank، یک مرحله کالیبراسیون را معرفی کردیم. برای QBArt، زبان مورد استفاده در پیام ها را ساده کردیم. کاهش تعداد توکن های استفاده شده مانند جابجایی از الفبای لاتین به کد مورس است – ارسال کندتر اما کمتر تحت تأثیر تحریف ها قرار می گیرد.

این تحقیق دو پیشرفت قابل توجه را معرفی می کند، که رمزگذاری و تجزیه و تحلیل داده های کوانتومی را کاربردی تر می کند. اول، مدارهای موازی چرخش یکنواخت کنترل شده (pUCR) پیچیدگی مدارهای کوانتومی را در مقایسه با روش های قبلی به شدت کاهش می دهد. این مدارها امکان انجام چندین عملیات را به طور همزمان فراهم می کنند و آنها را برای پردازنده های کوانتومی، مانند دستگاه H1-1 از Quantinuum، با اتصال بالا و پشتیبانی از اجرای گیت موازی، مناسب می کند. دوم، این مطالعه QCrank و QBArt را معرفی می‌کند، دو تکنیک رمزگذاری داده که از مدارهای pUCR استفاده می‌کنند: QCrank داده‌های واقعی پیوسته را به‌عنوان زوایای چرخش رمزگذاری می‌کند و QBArt داده‌های عدد صحیح را به شکل باینری رمزگذاری می‌کند. این تحقیق همچنین مجموعه‌ای از آزمایش‌های انجام شده با استفاده از پردازنده‌های کوانتومی IonQ و IBMQ را ارائه می‌کند که رمزگذاری و تجزیه و تحلیل داده‌های کوانتومی موفقی را در مقیاس بزرگ‌تر از آنچه قبلاً به دست آمده بود نشان می‌دهد. این آزمایش‌ها همچنین استراتژی‌های کاهش خطای جدید را برای تصحیح نتایج سخت‌افزاری پر سر و صدا، ترکیب می‌کنند و قابلیت اطمینان محاسبات را افزایش می‌دهند.

آزمایش‌های انجام‌شده با QCrank نتایج امیدوارکننده‌ای را نشان می‌دهد، با موفقیت رمزگذاری و بازیابی 384 پیکسل سیاه و سفید روی 12 کیوبیت با دقت بالایی در بازیابی اطلاعات (شکل 1). قابل ذکر است، این تصویر نشان دهنده بزرگترین تصویری است که تا به حال با موفقیت روی یک دستگاه کوانتومی رمزگذاری شده است، و آن را به یک دستاورد پیشگامانه تبدیل می کند. ذخیره کردن همان تصویر در یک کامپیوتر کلاسیک به 384 بیت نیاز دارد که 30 برابر کارآمدتر از یک کامپیوتر کوانتومی است. از آنجایی که ظرفیت سیستم کوانتومی با تعداد کیوبیت ها به طور تصاعدی افزایش می یابد، برای مثال، فقط 35 کیوبیت در یک کامپیوتر کوانتومی ایده آل می تواند کل 150 گیگابایت اطلاعات DNA موجود در ژنوم انسان را در خود جای دهد.

آزمایش‌هایی که با QBArt انجام شد، مهارت قابل‌توجه آن را در رمزگذاری و پردازش توالی‌های مختلف داده، از توالی‌های پیچیده DNA (شکل 2) تا اعداد مختلط، با وفاداری تقریباً کامل نشان داد. علاوه بر این، این مطالعه به ارزیابی عملکرد پردازنده‌های کوانتومی مختلف در رمزگذاری داده‌های باینری می‌پردازد، و از قابلیت‌های استثنایی پردازنده‌های مبتنی بر تله یونی برای وظایف متکی بر مدارهای pUCR پرده برداری می‌کند. این یافته‌ها نه تنها زمینه را برای تحقیقات عمیق‌تر در مورد کاربردهای مدارهای فشرده و موازی در الگوریتم‌های کوانتومی مختلف و الگوریتم‌های ترکیبی کوانتومی-کلاسیک فراهم می‌کند. آنها همچنین راه را برای پیشرفت های هیجان انگیز در یادگیری ماشین کوانتومی و وظایف پردازش داده ها هموار می کنند.

تیم ما با پیشروی در خط مقدم محاسبات کوانتومی، با انرژی استعدادهای نوظهور، در حال بررسی پیشرفت‌های نظری با استفاده از روش‌های رمزگذاری داده‌های ما برای مقابله با طیف گسترده‌ای از وظایف تحلیلی است. این رویکردهای جدید نوید باز کردن قابلیت‌های تحلیلی را در مقیاسی که قبلاً با دستگاه‌های NISQ ندیده‌ایم، می‌دهند.» Perciano گفت. با استفاده از سخت افزار HPC و کوانتومی، هدف ما گسترش افق تحقیقات محاسبات کوانتومی است و تصور می کنیم که چگونه کوانتومی می تواند روش های حل مسئله را در حوزه های مختلف علمی متحول کند. همانطور که سخت افزار کوانتومی تکامل می یابد، همه ما در تیم تحقیقاتی به پتانسیل عملی و مفید بودن آن به عنوان ابزاری قدرتمند برای تجزیه و تحلیل و تجسم داده های علمی در مقیاس بزرگ اعتقاد داریم.

با فراخوان اخیر برای ایجاد و آموزش نیروی کار کوانتومی، بسیاری از سازمان ها، از جمله وزارت انرژی ایالات متحده (DOE)، به دنبال راه هایی برای کمک به پیشرفت تحقیقات و توسعه الگوریتم ها، سیستم ها و محیط های نرم افزاری جدید برای QIST هستند. برای این منظور، همکاری مداوم آزمایشگاه برکلی با SFSU، یک موسسه خدماتی به اقلیت، از تلاش‌های آزمایشگاه در QIST استفاده می‌کند و برنامه‌های درسی موجود SFSU را گسترش می‌دهد تا شامل دوره‌های آموزشی و فرصت‌های آموزشی جدید متمرکز بر QIST باشد. وس بتل، دانشیار SFSU که قبلاً یک دانشمند ارشد کامپیوتر در آزمایشگاه برکلی بود، مسئولیت تولید نسل جدیدی از دانشجویان فارغ التحصیل کارشناسی ارشد علوم محاسباتی SFSU را بر عهده داشت، که بسیاری از آنها از گروه های کم نمایندگی بودند، با پایان نامه هایی که بر موضوعات QIST متمرکز بودند.

مرسی امانکوا، دکتری. دانشجوی دانشگاه کیس وسترن، از ژوئن 2021 بخشی از این همکاری بوده است و سالانه 12 هفته از تعطیلات تابستانی خود را برای شرکت در برنامه مسیرهای تحقیقاتی پایدار، مشارکت بین آزمایشگاه برکلی و موسسه افق های پایدار، اختصاص می دهد. Amankwah از تخصص خود در جبر خطی برای نوآوری در طراحی و دستکاری مدارهای کوانتومی برای دستیابی به کارایی مورد انتظار تیم در دو روش جدید QCrank و ABArt استفاده کرد. این روش ها از تکنیک های نوآورانه تیم برای رمزگذاری داده ها برای رایانه های کوانتومی استفاده می کنند. امانکوا گفت: «کاری که ما انجام می دهیم واقعاً فریبنده است. این سفری است که دائماً ما را وادار می کند تا به پیشرفت های بزرگ بعدی فکر کنیم. من مشتاقانه مشتاقانه منتظر هستم تا با قدم گذاشتن در دوره پس از دکتری، مشارکت های موثرتری در این زمینه داشته باشم. ماجراجویی شغلی.»

این تحقیق توسط دفتر تحقیقات اکتشافی تحقیقات محاسبات علمی پیشرفته (ASCR) وزارت انرژی ایالات متحده (DOE) برای علوم شدید مقیاس، موسسه افق های پایدار و برنامه تحقیق و توسعه هدایت شده آزمایشگاه برکلی پشتیبانی شده و از منابع محاسباتی در NERSC استفاده شده است. و Oak Ridge Leadership Computing Facility.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/