LBNL Memimpin Penyimpanan Data Kuantum, Proyek Visualisasi – Analisis Berita Komputasi Berkinerja Tinggi | di dalamHPC

Laboratorium Nasional Lawrence Berkeley mengumumkan bahwa peneliti laboratorium nasional dan universitas baru-baru ini merilis dua makalah yang memperkenalkan metode baru penyimpanan dan analisis data untuk menjadikan komputasi kuantum lebih praktis dan mengeksplorasi bagaimana visualisasi membantu dalam memahami komputasi kuantum.

“Pekerjaan ini mewakili kemajuan signifikan dalam memahami dan memanfaatkan perangkat kuantum saat ini untuk pengkodean, pemrosesan, dan visualisasi data,” kata Talita Perciano, Ilmuwan Riset di Divisi Data Ilmiah di Laboratorium Nasional Lawrence Berkeley dan pemimpin upaya ini.

“Kontribusi ini merupakan kelanjutan dari kontribusi kami sebelumnya upaya untuk menyoroti eksplorasi yang sedang berlangsung dan potensi teknologi kuantum dalam membentuk analisis dan visualisasi data ilmiah. Realisasi proyek-proyek ini menggarisbawahi pentingnya peran kerja tim, karena setiap anggota membawa keahlian dan perspektif unik mereka. Kolaborasi ini merupakan bukti fakta bahwa di dunia kuantum, seperti halnya dalam banyak aspek kehidupan, kemajuan bukan hanya tentang pencapaian individu, namun tentang upaya kolektif tim dan visi bersama.”

Menurut sebuah artikel di situs LBNL oleh Carol Pott, kontributor proyek ini — bersama dengan Perciano — termasuk peneliti dari Divisi Data Ilmiah, Divisi Penelitian Matematika & Komputasi Terapan, dan Pusat Komputasi Ilmiah Penelitian Energi Nasional (NERSC), bekerja sama dengan tim dari Universitas Negeri San Francisco (SFSU) dan Universitas Case Western Reserve.

Menyeimbangkan Klasik dan Kuantum

Kolaborasi: (Baris Atas, Kiri ke Kanan) Talita Perciano, Jan Balewski, Daan Camps. (Barisan Bawah, Kiri ke Kanan) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

Fokus tim pada pengkodean data klasik untuk digunakan oleh algoritma kuantum adalah batu loncatan menuju kemajuan dalam memanfaatkan metode sains dan teknologi informasi kuantum (QIST) sebagai bagian dari grafik dan visualisasi, yang keduanya secara historis mahal secara komputasi. “Menemukan keseimbangan yang tepat antara kemampuan QIST dan komputasi klasik merupakan tantangan penelitian yang besar. Di satu sisi, sistem kuantum dapat menangani masalah yang jauh lebih besar jika kita menambahkan lebih banyak qubit. Di sisi lain, sistem klasik dan platform HPC memiliki penelitian dan infrastruktur yang solid selama puluhan tahun, namun mereka mencapai batas teknologi dalam penskalaannya,” kata Bethel. “Salah satu jalur yang mungkin dilakukan adalah gagasan komputasi klasik-kuantum hibrid, yang memadukan CPU klasik dengan unit pemrosesan kuantum (QPU). Pendekatan ini menggabungkan yang terbaik dari kedua dunia, menawarkan kemungkinan menarik untuk penerapan sains tertentu.”

Makalah pertama, baru-baru ini diterbitkan di Nature Scientific Reports, mengeksplorasi cara menyandikan dan menyimpan data klasik dalam sistem kuantum untuk meningkatkan kemampuan analitik dan mencakup dua metode baru serta cara fungsinya. QCrank bekerja dengan mengkodekan kumpulan bilangan real ke dalam rotasi berkelanjutan dari qubit yang dipilih, memungkinkan representasi lebih banyak data menggunakan lebih sedikit ruang. QBArt, di sisi lain, secara langsung merepresentasikan data biner sebagai rangkaian angka nol dan satu yang dipetakan ke status nol dan satu qubit murni, sehingga memudahkan untuk melakukan penghitungan pada data.

Di makalah kedua, tim menyelidiki interaksi antara visualisasi dan komputasi kuantum, menunjukkan bagaimana visualisasi berkontribusi terhadap komputasi kuantum dengan memungkinkan representasi keadaan kuantum kompleks secara grafis dan mengeksplorasi potensi manfaat dan tantangan dalam mengintegrasikan komputasi kuantum ke dalam bidang eksplorasi dan analisis data visual. . Dalam eksplorasi ilmiah, visualisasi memungkinkan peneliti menjelajahi hal-hal yang tidak diketahui dan “melihat hal-hal yang tidak dapat dilihat”, yang secara efektif mentransfer informasi abstrak ke dalam gambar yang mudah dipahami.

Tim menguji metode mereka pada perangkat keras kuantum NISQ menggunakan beberapa jenis tugas pemrosesan data, seperti mencocokkan pola dalam DNA, menghitung jarak antara rangkaian bilangan bulat, memanipulasi rangkaian bilangan kompleks, dan menulis serta mengambil gambar yang terbuat dari piksel biner. Tim menjalankan pengujian ini menggunakan prosesor kuantum yang disebut Quantinuum H1-1, serta prosesor kuantum lain yang tersedia melalui IBMQ dan IonQ. Seringkali, algoritme kuantum yang memproses sampel data besar seperti sirkuit tunggal pada perangkat NISQ berkinerja sangat buruk atau menghasilkan keluaran yang sepenuhnya acak. Para penulis menunjukkan bahwa metode baru mereka memperoleh hasil yang sangat akurat ketika menggunakan perangkat keras tersebut.

Berurusan dengan Pengkodean Data dan Crosstalk

Saat merancang dan mengimplementasikan algoritma kuantum yang memproses data klasik, muncul tantangan signifikan yang dikenal sebagai masalah pengkodean data, yaitu bagaimana mengubah data klasik menjadi bentuk yang dapat digunakan oleh komputer kuantum. Selama proses pengkodean, terdapat trade-off antara penggunaan sumber daya kuantum secara efisien dan menjaga kompleksitas komputasi algoritma agar cukup sederhana untuk dikelola.

“Fokusnya adalah menyeimbangkan kendala perangkat keras kuantum saat ini. Beberapa metode pengkodean yang solid secara matematis menggunakan begitu banyak langkah, atau gerbang kuantum, sehingga sistem kuantum kehilangan informasi awal bahkan sebelum mencapai gerbang akhir. Hal ini membuat tidak ada peluang untuk menghitung data yang dikodekan dengan benar,” kata Jan Balewski, Konsultan di NERSC dan penulis pertama makalah Scientific Reports. “Untuk mengatasi hal ini, kami membuat skema yang memecah satu rangkaian panjang menjadi banyak aliran pengkodean paralel.”

Sayangnya, metode ini menimbulkan masalah baru, crosstalk antar aliran, yang mendistorsi informasi yang disimpan. “Ini seperti mencoba mendengarkan banyak percakapan di ruangan yang ramai; ketika keduanya tumpang tindih, memahami setiap pesan menjadi tantangan. Dalam sistem data, crosstalk mendistorsi informasi sehingga membuat wawasan menjadi kurang akurat,” kata Balewski. “Kami mengatasi crosstalk dengan dua cara: untuk QCrank, kami memperkenalkan langkah kalibrasi; untuk QBARt, kami menyederhanakan bahasa yang digunakan dalam pesan. Mengurangi jumlah token yang digunakan seperti beralih dari alfabet Latin ke kode Morse – pengirimannya lebih lambat tetapi tidak terlalu terpengaruh oleh distorsi.”

Penelitian ini memperkenalkan dua kemajuan signifikan, menjadikan pengkodean dan analisis data kuantum lebih praktis. Pertama, rangkaian rotasi seragam paralel (pUCR) secara drastis mengurangi kompleksitas rangkaian kuantum dibandingkan metode sebelumnya. Sirkuit ini memungkinkan beberapa operasi terjadi secara bersamaan, sehingga cocok untuk prosesor kuantum, seperti perangkat H1-1 dari Quantinuum, dengan konektivitas tinggi dan dukungan untuk eksekusi gerbang paralel. Kedua, penelitian ini memperkenalkan QCrank dan QBArt, dua teknik pengkodean data yang memanfaatkan sirkuit pUCR: QCrank mengkodekan data nyata kontinu sebagai sudut rotasi dan QBArt mengkodekan data integer dalam bentuk biner. Penelitian ini juga menyajikan serangkaian eksperimen yang dilakukan menggunakan prosesor kuantum IonQ dan IBMQ, yang menunjukkan keberhasilan pengkodean dan analisis data kuantum dalam skala yang lebih besar daripada yang dicapai sebelumnya. Eksperimen ini juga menggabungkan strategi mitigasi kesalahan baru untuk memperbaiki hasil perangkat keras yang berisik, sehingga meningkatkan keandalan komputasi.

Eksperimen yang dilakukan dengan QCrank menunjukkan hasil yang menjanjikan, berhasil mengkodekan dan mengambil 384 piksel hitam-putih pada 12 qubit dengan tingkat akurasi yang tinggi dalam memulihkan informasi (Gambar 1). Khususnya, gambar ini mewakili gambar terbesar yang pernah berhasil dikodekan pada perangkat kuantum, sehingga menandainya sebagai pencapaian yang inovatif. Menyimpan gambar yang sama di komputer klasik memerlukan 384 bit, sehingga 30 kali lebih efisien dibandingkan komputer kuantum. Karena kapasitas sistem kuantum tumbuh secara eksponensial dengan jumlah qubit, hanya 35 qubit pada komputer kuantum yang ideal dapat menampung 150 gigabyte informasi DNA yang ditemukan dalam genom manusia.

Eksperimen yang dilakukan dengan QBArt menunjukkan kehebatannya yang luar biasa dalam mengkodekan dan memproses beragam rangkaian data, mulai dari rangkaian DNA yang rumit (Gambar 2) hingga bilangan kompleks, dengan ketelitian yang hampir sempurna. Selain itu, penelitian ini menyelidiki evaluasi kinerja berbagai prosesor kuantum dalam pengkodean data biner, mengungkap kemampuan luar biasa dari prosesor berbasis perangkap ion untuk tugas-tugas yang mengandalkan sirkuit pUCR. Temuan ini tidak hanya menyiapkan panggung untuk penyelidikan lebih dalam terhadap penerapan sirkuit paralel kompak di berbagai algoritma kuantum dan algoritma klasik kuantum hibrida; mereka juga membuka jalan bagi kemajuan menarik dalam pembelajaran mesin kuantum dan tugas pemrosesan data di masa depan.

“Menjelajahi garis depan komputasi kuantum, tim kami, yang didukung oleh talenta-talenta baru, mengeksplorasi kemajuan teoretis dengan memanfaatkan metode pengkodean data kami untuk menangani berbagai tugas analisis. Pendekatan baru ini menjanjikan untuk membuka kemampuan analitis pada skala yang belum pernah kita lihat sebelumnya pada perangkat NISQ,” kata Perciano. “Dengan memanfaatkan HPC dan perangkat keras kuantum, kami bertujuan untuk memperluas cakrawala penelitian komputasi kuantum, membayangkan bagaimana kuantum dapat merevolusi metode pemecahan masalah di berbagai domain ilmiah. Seiring berkembangnya perangkat keras kuantum, kami semua di tim peneliti percaya akan potensi kepraktisan dan kegunaannya sebagai alat yang ampuh untuk analisis dan visualisasi data ilmiah berskala besar.”

Dengan seruan baru-baru ini untuk membangun dan mendidik tenaga kerja kuantum, banyak organisasi, termasuk Departemen Energi AS (DOE), mencari cara untuk membantu memajukan penelitian dan mengembangkan algoritme, sistem, dan lingkungan perangkat lunak baru untuk QIST. Untuk mencapai tujuan tersebut, kolaborasi berkelanjutan Berkeley Lab dengan SFSU, sebuah lembaga yang melayani minoritas, memanfaatkan upaya laboratorium di QIST dan memperluas kurikulum SFSU yang ada untuk mencakup kursus dan peluang pelatihan baru yang berfokus pada QIST. Sebelumnya adalah Ilmuwan Komputer Senior di Lab Berkeley, Associate Professor SFSU Wes Bethel memimpin upaya untuk menghasilkan generasi baru lulusan Master Ilmu Komputasi SFSU, banyak dari kelompok yang kurang terwakili, dengan tesis yang berfokus pada topik QIST.

Mercy Amankwah, Ph.D. mahasiswa di Case Western University, telah menjadi bagian dari kolaborasi ini sejak Juni 2021, mendedikasikan 12 minggu liburan musim panasnya setiap tahun untuk berpartisipasi dalam program Sustainable Research Pathways, sebuah kemitraan antara Berkeley Lab dan Sustainable Horizons Institute. Amankwah memanfaatkan keahliannya dalam aljabar linier untuk berinovasi dalam desain dan manipulasi sirkuit kuantum guna mencapai efisiensi yang diharapkan tim dalam dua metode baru, QCrank dan ABArt. Metode ini menggunakan teknik inovatif tim untuk menyandikan data untuk komputer kuantum. “Pekerjaan yang kami lakukan sungguh menawan,” kata Amankwah. “Ini adalah perjalanan yang terus-menerus mendorong kami untuk memikirkan terobosan besar berikutnya. Saya sangat bersemangat untuk memberikan kontribusi yang lebih berdampak pada bidang ini saat saya memasuki pasca-Ph.D. petualangan karir.”

Penelitian ini didukung oleh Penelitian Eksplorasi Penelitian Eksplorasi untuk Sains Skala Ekstrim Kantor Penelitian Komputasi Ilmiah Lanjutan (ASCR) Departemen Energi AS (DOE), Institut Cakrawala Berkelanjutan, dan Program Penelitian dan Pengembangan yang Diarahkan Lab Berkeley dan menggunakan sumber daya komputasi di NERSC dan Fasilitas Komputasi Kepemimpinan Oak Ridge.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/