Az LBNL vezeti a kvantumadattárolást, a vizualizációs projektet – nagy teljesítményű számítástechnikai hírek elemzése | belül HPC

A Lawrence Berkeley National Laboratory bejelentette, hogy a nemzeti laboratóriumi és egyetemi kutatók a közelmúltban két tanulmányt tettek közzé, amelyekben új adattárolási és -elemzési módszereket mutattak be, hogy gyakorlatiasabbá tegyék a kvantumszámítást, és feltárják, hogyan segít a vizualizáció a kvantumszámítás megértésében.

"Ez a munka jelentős előrelépést jelent a jelenlegi kvantumeszközök megértésében és felhasználásában az adatok kódolására, feldolgozására és megjelenítésére" - mondta Talita Perciano, a Lawrence Berkeley Nemzeti Laboratórium Tudományos Adatok Osztályának kutatója és az erőfeszítés vezetője.

„Ezek a hozzájárulások a korábbiakra épülnek erőfeszítések kiemelni a kvantumtechnológiákban rejlő folyamatban lévő kutatásokat és lehetőségeket a tudományos adatelemzés és -vizualizáció alakításában. E projektek megvalósítása kiemeli a csapatmunka létfontosságú szerepét, mivel minden tag egyedi szakértelmét és perspektíváját hozta magával. Ez az együttműködés bizonyítja, hogy a kvantum birodalmában, mint az élet számos területén, a haladás nem csak az egyéni eredményeken múlik, hanem a csapat közös erőfeszítésén és közös jövőképén is.”

Szerint egy cikket Carol Pott az LBNL oldalán, a projekt közreműködői – Perciano mellett – a Tudományos Adatok Osztályának, az Alkalmazott Matematikai és Számítástechnikai Kutatási Osztálynak és a Nemzeti Energiakutatási Tudományos Számítástechnikai Központnak (NERSC) kutatói, együttműködve a szervezet csapataival. San Francisco State University (SFSU) és Case Western Reserve University.

A klasszikus és a kvantum egyensúlyozása

Az együttműködés: (Felső sor, balról jobbra) Talita Perciano, Jan Balewski, Daan Camps. (alsó sor, balról jobbra) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

A csapatnak a klasszikus adatok kvantumalgoritmusok általi felhasználására történő kódolására való összpontosítása ugródeszkát jelent a kvantuminformatikai tudományos és technológiai (QIST) módszerek grafikai és vizualizációs részeként történő kiaknázása felé, amelyek mindegyike történelmileg számításilag költséges. „Nagy kutatási kihívást jelent a megfelelő egyensúly megtalálása a QIST és a klasszikus számítástechnika képességei között. Egyrészt a kvantumrendszerek exponenciálisan nagyobb problémákat is képesek kezelni, ha több qubitet adunk hozzá. Másrészt a klasszikus rendszerek és HPC-platformok több évtizedes szilárd kutatással és infrastruktúrával rendelkeznek, de technológiai korlátokba ütköznek a méretezés terén” – mondta Bethel. „Az egyik valószínű út a hibrid klasszikus-kvantum számítástechnika ötlete, amely a klasszikus CPU-kat kvantumfeldolgozó egységekkel (QPU-kkal) keveri. Ez a megközelítés a két világ legjobbjait ötvözi, izgalmas lehetőségeket kínálva konkrét tudományos alkalmazásokhoz.”

Az első papír, nemrég jelent meg a Nature Scientific Reports-ban, azt vizsgálja, hogyan lehet klasszikus adatokat kódolni és tárolni kvantumrendszerekben az analitikai képességek javítása érdekében, és lefedi a két új módszert és azok működését. A QCrank a valós számok halmazait kódolja a kiválasztott qubitek folyamatos forgatásába, lehetővé téve több adat megjelenítését kisebb hely felhasználásával. A QBArt ezzel szemben közvetlenül reprezentálja a bináris adatokat nullák és egyesek sorozataként, amelyek tiszta nulla és egy qubit állapotokra vannak leképezve, megkönnyítve az adatokkal kapcsolatos számításokat.

A második lapban, a csapat elmélyült a vizualizáció és a kvantumszámítástechnika közötti kölcsönhatásban, bemutatva, hogy a vizualizáció hogyan járult hozzá a kvantumszámításhoz azáltal, hogy lehetővé tette az összetett kvantumállapotok grafikus ábrázolását, és feltárta a kvantumszámításnak a vizuális adatok feltárása és elemzése területébe történő integrálásának lehetséges előnyeit és kihívásait. . A tudományos feltárás során a vizualizáció lehetővé teszi a kutatók számára, hogy felfedezzék az ismeretlent, és „lássák a láthatatlant”, hatékonyan transzferálva az absztrakt információkat könnyen érthető képekké.

A csapat NISQ kvantumhardveren tesztelte módszereit többféle adatfeldolgozási feladat segítségével, mint például a DNS mintáinak egyeztetése, az egész számok sorozatai közötti távolság kiszámítása, a komplex számok sorozatának manipulálása, valamint a bináris pixelekből álló képek írása és visszakeresése. A csapat ezeket a teszteket a Quantinuum H1-1 nevű kvantumprocesszorral, valamint az IBMQ-n és az IonQ-n keresztül elérhető más kvantumprocesszorokon futtatta le. Az ilyen nagy adatmintákat egyetlen áramkörként NISQ-eszközökön feldolgozó kvantum-algoritmusok gyakran nagyon rosszul teljesítenek, vagy teljesen véletlenszerű kimenetet adnak. A szerzők bebizonyították, hogy új módszereik rendkívül pontos eredményeket értek el ilyen hardver használatakor.

Adatkódolás és áthallás kezelése

A klasszikus adatokat feldolgozó kvantum-algoritmusok tervezése és megvalósítása során jelentős kihívást jelent az adatkódolási probléma, amely az, hogy a klasszikus adatokat hogyan alakítsuk át olyan formára, amellyel a kvantumszámítógép képes dolgozni. A kódolási folyamat során kompromisszum lép fel a kvantumerőforrások hatékony felhasználása és az algoritmusok számítási bonyolultságának egyszerű kezelése között.

„A hangsúly a jelenlegi kvantumhardver-korlátok kiegyensúlyozásán volt. Egyes matematikailag szilárd kódolási módszerek annyi lépést vagy kvantumkaput használnak, hogy a kvantumrendszer elveszíti a kezdeti információt, mielőtt még elérné a végső kaput. Ez nem hagy lehetőséget a kódolt adatok helyes kiszámítására” – mondta Jan Balewski, a NERSC tanácsadója és a Scientific Reports című tanulmány első szerzője. „A probléma megoldására kitaláltuk azt a sémát, hogy egy hosszú sorozatot több párhuzamos kódolási adatfolyamra bontunk.”

Sajnos ez a módszer egy új problémához, a streamek közötti áthalláshoz vezetett, ami torzította a tárolt információkat. „Olyan ez, mintha egy zsúfolt szobában próbálnánk több beszélgetést hallgatni; amikor átfedik egymást, az egyes üzenetek megértése kihívást jelent. Az adatrendszerekben az áthallás torzítja az információkat, így a betekintések kevésbé pontosak” – mondta Balewski. „Kétféleképpen kezeltük az áthallást: a QCrank esetében bevezettünk egy kalibrációs lépést; a QBArt esetében leegyszerűsítettük az üzenetekben használt nyelvet. A felhasznált tokenek számának csökkentése olyan, mintha a latin ábécéről morze-kódra váltanánk – lassabb a küldés, de kevésbé érintik a torzítások.”

Ez a kutatás két jelentős előrelépést vezet be, praktikusabbá téve a kvantumadatok kódolását és elemzését. Először is, a párhuzamos egyenletesen szabályozott forgású (pUCR) áramkörök drasztikusan csökkentik a kvantumáramkörök bonyolultságát a korábbi módszerekhez képest. Ezek az áramkörök lehetővé teszik több művelet egyidejű végrehajtását, így kiválóan alkalmasak kvantumprocesszorokhoz, például a Quantinuum H1-1 eszközéhez, magas csatlakozási lehetőséggel és párhuzamos kapuvégrehajtás támogatásával. Másodszor, a tanulmány bemutatja a QCrank és a QBArt, a két adatkódolási technikát, amelyek pUCR áramköröket használnak: a QCrank folyamatos valós adatokat kódol elforgatási szögként, a QBArt pedig egész számokat kódol bináris formában. A kutatás egy sor olyan kísérletet is bemutat, amelyet IonQ és IBMQ kvantumprocesszorokkal végeztek, és a kvantumadatok sikeres kódolását és elemzését mutatják be a korábbinál nagyobb léptékben. Ezek a kísérletek új hibacsökkentő stratégiákat is tartalmaznak a zajos hardvereredmények kijavítására, növelve a számítások megbízhatóságát.

A QCrank-kel végzett kísérletek ígéretes eredményeket mutatnak, sikeresen kódoltak és visszakerestek 384 fekete-fehér pixelt 12 qubiten, nagy pontossággal az információ visszanyerésében (1. ábra). Figyelemre méltó, hogy ez a kép a valaha volt legnagyobb kvantumeszközön sikeresen kódolt kép, ami úttörő eredménynek számít. Ugyanennek a képnek a klasszikus számítógépen való tárolása 384 bitet igényel, ami 30-szor kevésbé hatékony egy kvantumszámítógéphez képest. Mivel a kvantumrendszer kapacitása exponenciálisan növekszik a qubitek számával, egy ideális kvantumszámítógépen mindössze 35 qubit képes például az emberi genomban található teljes 150 gigabájt DNS-információ tárolására.

A QBArt-tel végzett kísérletek megmutatták, hogy szinte tökéletes hűséggel képes kódolni és feldolgozni különféle adatszekvenciákat, a bonyolult DNS-szekvenciáktól (2. ábra) a komplex számokig. Ezenkívül a tanulmány a különböző kvantumprocesszorok teljesítményértékelésével foglalkozik a bináris adatok kódolásában, feltárva az ioncsapda alapú processzorok kivételes képességeit a pUCR-áramkörökön alapuló feladatokhoz. Ezek az eredmények nemcsak a kompakt, párhuzamos áramkörök különböző kvantum-algoritmusokon és hibrid kvantum-klasszikus algoritmusokon keresztüli alkalmazásainak mélyebb vizsgálatához adják a terepet; izgalmas előrelépések előtt is megnyitják az utat a jövőbeni kvantumgépi tanulási és adatfeldolgozási feladatokban.

„A kvantumszámítástechnika élvonalában navigálva csapatunk feltörekvő tehetségekkel felvértezve az elméleti fejlesztéseket kutatja, adatkódolási módszereinket felhasználva számos elemzési feladat megoldására. Ezek az újszerű megközelítések azt az ígéretet rejtik magukban, hogy olyan mértékű analitikai képességeket szabadítanak fel, amilyenre a NISQ eszközöknél korábban nem volt példa” – mondta Perciano. „A HPC-t és a kvantumhardvert is felhasználva arra törekszünk, hogy kiterjesszük a kvantumszámítástechnikai kutatás horizontját, elképzelve, hogy a kvantum hogyan képes forradalmasítani a problémamegoldó módszereket a különböző tudományterületeken. Ahogy a kvantumhardver fejlődik, a kutatócsoportban mindannyian hiszünk abban, hogy praktikus és hasznos lehet, mint a nagyszabású tudományos adatok elemzésének és megjelenítésének hatékony eszköze.”

A kvantummunkaerő létrehozására és oktatására irányuló közelmúltbeli felhívással számos szervezet, köztük az Egyesült Államok Energiaügyi Minisztériuma (DOE) keresi a módszereket a kutatás előmozdítására, valamint új algoritmusok, rendszerek és szoftverkörnyezetek kifejlesztésére a QIST számára. Ebből a célból a Berkeley Lab folyamatos együttműködése az SFSU-val, egy kisebbségeket kiszolgáló intézménnyel, kihasználja a laboratórium erőfeszítéseit a QIST területén, és kibővíti az SFSU meglévő tanterveit, hogy új, QIST-központú kurzusokat és képzési lehetőségeket tartalmazzanak. A korábban a Berkeley Laboratórium vezető informatikusa, Wes Bethel, az SFSU egyetemi docense vezette az SFSU számítástechnikai tudományok diplomás hallgatóinak új generációjának létrehozását, akik közül sokan alulreprezentált csoportokból származtak, és a diplomamunkák a QIST témákra összpontosítottak.

Mercy Amankwah, Ph.D. A Case Western Egyetem hallgatója 2021 júniusa óta részese ennek az együttműködésnek, és évente 12 hetet nyári szünetéből arra fordít, hogy részt vegyen a Sustainable Research Pathways programban, amely a Berkeley Lab és a Sustainable Horizons Institute közötti partnerség. Amankwah a lineáris algebra terén szerzett szakértelmét felhasználva újította meg a kvantumáramkörök tervezését és manipulálását, hogy elérje a csapat által remélt hatékonyságot két új módszer, a QCrank és az ABArt esetében. A módszerek a csapat innovatív technikáit használják az adatok kvantumszámítógépek számára történő kódolására. „A munka, amit végzünk, valóban magával ragadó” – mondta Amankwah. „Ez egy olyan utazás, amely folyamatosan arra késztet bennünket, hogy a következő nagy áttöréseken gondolkodjunk. Izgatottan várom, hogy még nagyobb hatású hozzájárulást tegyek ezen a területen, miközben doktori fokozatot szerezek. karrier kaland.”

Ezt a kutatást az Amerikai Egyesült Államok Energiaügyi Minisztériuma (DOE) Advanced Scientific Computing Research Office of Advanced Scientific Computing Research (ASCR) Extreme-Scale Science Kutatási Kutatási Hivatala, a Fenntartható Horizont Intézet és a Berkeley Lab Laboratóriumi Kutatási és Fejlesztési Programja támogatta, és a NERSC számítási erőforrásait használta. és az Oak Ridge Leadership Computing Facility.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/