LBNL lidera projeto de armazenamento e visualização de dados quânticos – análise de notícias de computação de alto desempenho | internoHPC

O Laboratório Nacional Lawrence Berkeley anunciou que pesquisadores nacionais de laboratórios e universidades lançaram recentemente dois artigos introduzindo novos métodos de armazenamento e análise de dados para tornar a computação quântica mais prática e explorando como a visualização ajuda na compreensão da computação quântica.

“Este trabalho representa avanços significativos na compreensão e aproveitamento dos dispositivos quânticos atuais para codificação, processamento e visualização de dados”, disse Talita Perciano, cientista pesquisadora da Divisão de Dados Científicos do Laboratório Nacional Lawrence Berkeley e líder deste esforço.

“Essas contribuições se baseiam em nosso anterior esforços destacar a exploração contínua e o potencial das tecnologias quânticas na formação da análise e visualização de dados científicos. A realização destes projetos sublinha o papel vital do trabalho em equipe, pois cada membro trouxe sua experiência e perspectiva únicas. Esta colaboração é uma prova do facto de que no domínio quântico, como em muitos aspectos da vida, o progresso não se trata apenas de conquistas individuais, mas do esforço colectivo da equipa e da visão partilhada.”

De acordo com o um artigo no site do LBNL por Carol Pott, os colaboradores deste projeto - junto com Perciano - incluem pesquisadores da Divisão de Dados Científicos, da Divisão de Matemática Aplicada e Pesquisa Computacional e do Centro Nacional de Computação Científica de Pesquisa Energética (NERSC), em colaboração com equipes de Universidade Estadual de São Francisco (SFSU) e Universidade Case Western Reserve.

Equilibrando Clássico e Quântico

A colaboração: (Fila superior, da esquerda para a direita) Talita Perciano, Jan Balewski, Daan Camps. (Linha inferior, da esquerda para a direita) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

O foco da equipe na codificação de dados clássicos para uso por algoritmos quânticos é um trampolim para o progresso no aproveitamento de métodos de ciência e tecnologia da informação quântica (QIST) como parte de gráficos e visualização, ambos historicamente caros do ponto de vista computacional. “Encontrar o equilíbrio certo entre as capacidades do QIST e da computação clássica é um grande desafio de pesquisa. Por um lado, os sistemas quânticos podem lidar com problemas exponencialmente maiores à medida que adicionamos mais qubits. Por outro lado, os sistemas clássicos e as plataformas de HPC têm décadas de pesquisa e infraestrutura sólidas, mas atingiram limites tecnológicos em escala”, disse Bethel. “Um caminho provável é a ideia de computação quântica clássica híbrida, combinando CPUs clássicas com unidades de processamento quântico (QPUs). Esta abordagem combina o melhor dos dois mundos, oferecendo possibilidades interessantes para aplicações científicas específicas.”

O primeiro artigo, publicado recentemente na Nature Scientific Reports, explora como codificar e armazenar dados clássicos em sistemas quânticos para melhorar as capacidades analíticas e aborda os dois novos métodos e como eles funcionam. QCrank funciona codificando conjuntos de números reais em rotações contínuas de qubits selecionados, permitindo a representação de mais dados usando menos espaço. QBArt, por outro lado, representa diretamente os dados binários como uma série de zeros e uns mapeados para estados puros de zero e um qubit, tornando mais fácil fazer cálculos nos dados.

No segundo artigo, a equipe investigou a interação entre visualização e computação quântica, mostrando como a visualização contribuiu para a computação quântica, permitindo a representação gráfica de estados quânticos complexos e explorando os benefícios e desafios potenciais da integração da computação quântica no domínio da exploração e análise de dados visuais. . Na exploração científica, a visualização permite aos investigadores explorar o desconhecido e “ver o invisível”, transferindo eficazmente informação abstrata para imagens facilmente compreensíveis.

A equipe testou seus métodos no hardware quântico NISQ usando vários tipos de tarefas de processamento de dados, como combinar padrões no DNA, calcular a distância entre sequências de números inteiros, manipular uma sequência de números complexos e escrever e recuperar imagens feitas de pixels binários. A equipe executou esses testes usando um processador quântico chamado Quantinuum H1-1, bem como em outros processadores quânticos disponíveis através do IBMQ e IonQ. Freqüentemente, algoritmos quânticos que processam amostras de dados tão grandes como um único circuito em dispositivos NISQ têm desempenho muito ruim ou produzem resultados completamente aleatórios. Os autores demonstraram que seus novos métodos obtiveram resultados notavelmente precisos ao usar tal hardware.

Lidando com codificação de dados e crosstalk

Ao projetar e implementar algoritmos quânticos que processam dados clássicos, surge um desafio significativo conhecido como problema de codificação de dados, que é como converter dados clássicos em um formato com o qual um computador quântico possa trabalhar. Durante o processo de codificação, há uma compensação entre usar recursos quânticos de forma eficiente e manter a complexidade computacional dos algoritmos simples o suficiente para serem gerenciados.

“O foco estava em equilibrar as atuais restrições de hardware quântico. Alguns métodos de codificação matematicamente sólidos usam tantas etapas, ou portas quânticas, que o sistema quântico perde a informação inicial antes mesmo de chegar à porta final. Isto não deixa oportunidade de calcular corretamente os dados codificados”, disse Jan Balewski, consultor do NERSC e primeiro autor do artigo da Scientific Reports. “Para resolver isso, criamos o esquema de quebrar uma longa sequência em muitos fluxos de codificação paralelos.”

Infelizmente, este método levou a um novo problema, crosstalk entre fluxos, que distorceu as informações armazenadas. “É como tentar ouvir diversas conversas em uma sala lotada; quando elas se sobrepõem, compreender cada mensagem torna-se um desafio. Nos sistemas de dados, o crosstalk distorce as informações, tornando os insights menos precisos”, disse Balewski. “Abordamos o crosstalk de duas maneiras: para o QCrank, introduzimos uma etapa de calibração; para QBArt, simplificamos a linguagem usada nas mensagens. Reduzir o número de tokens usados ​​é como mudar do alfabeto latino para o código Morse – mais lento para enviar, mas menos afetado por distorções.”

Esta pesquisa apresenta dois avanços significativos, tornando a codificação e análise de dados quânticos mais prática. Primeiro, os circuitos paralelos de rotação uniformemente controlada (pUCR) reduzem drasticamente a complexidade dos circuitos quânticos em comparação com os métodos anteriores. Esses circuitos permitem que múltiplas operações ocorram simultaneamente, tornando-os adequados para processadores quânticos, como o dispositivo H1-1 da Quantinuum, com alta conectividade e suporte para execução de portas paralelas. Em segundo lugar, o estudo apresenta QCrank e QBArt, as duas técnicas de codificação de dados que utilizam circuitos pUCR: QCrank codifica dados reais contínuos como ângulos de rotação e QBArt codifica dados inteiros em formato binário. A pesquisa também apresenta uma série de experimentos conduzidos usando processadores quânticos IonQ e IBMQ, demonstrando codificação e análise de dados quânticos bem-sucedidas em uma escala maior do que a alcançada anteriormente. Esses experimentos também incorporam novas estratégias de mitigação de erros para corrigir resultados de hardware ruidosos, aumentando a confiabilidade dos cálculos.

Os experimentos realizados com QCrank mostram resultados promissores, codificando e recuperando com sucesso 384 pixels em preto e branco em 12 qubits com alto nível de precisão na recuperação das informações (Figura 1). Notavelmente, esta imagem representa a maior imagem já codificada com sucesso em um dispositivo quântico, marcando-a como uma conquista inovadora. Armazenar a mesma imagem em um computador clássico exigiria 384 bits, tornando-o 30 vezes menos eficiente em comparação com um computador quântico. Como a capacidade do sistema quântico cresce exponencialmente com o número de qubits, apenas 35 qubits num computador quântico ideal poderiam, por exemplo, conter todos os 150 gigabytes de informação de ADN encontrados no genoma humano.

Experimentos conduzidos com QBArt demonstraram sua notável habilidade na codificação e processamento de diversas sequências de dados, desde sequências intrincadas de DNA (Figura 2) até números complexos, com fidelidade quase perfeita. Além disso, o estudo investiga a avaliação de desempenho de diferentes processadores quânticos na codificação de dados binários, revelando as capacidades excepcionais dos processadores baseados em armadilhas de íons para tarefas que dependem dos circuitos pUCR. Essas descobertas não apenas preparam o terreno para investigações mais profundas sobre as aplicações de circuitos compactos e paralelos em diferentes algoritmos quânticos e algoritmos híbridos quânticos-clássicos; eles também abrem caminho para avanços emocionantes em futuras tarefas de aprendizado de máquina quântica e processamento de dados.

“Navegando na vanguarda da computação quântica, nossa equipe, energizada por talentos emergentes, está explorando avanços teóricos aproveitando nossos métodos de codificação de dados para lidar com uma ampla gama de tarefas de análise. Essas novas abordagens prometem desbloquear capacidades analíticas em uma escala nunca vista antes com dispositivos NISQ”, disse Perciano. “Aproveitando tanto HPC quanto hardware quântico, pretendemos expandir os horizontes da pesquisa em computação quântica, prevendo como a tecnologia quântica pode revolucionar os métodos de resolução de problemas em vários domínios científicos. À medida que o hardware quântico evolui, todos nós da equipe de pesquisa acreditamos em seu potencial de praticidade e utilidade como uma ferramenta poderosa para análise e visualização de dados científicos em larga escala.”

Com o recente apelo para construir e educar uma força de trabalho quântica, muitas organizações, incluindo o Departamento de Energia dos EUA (DOE), estão à procura de formas de ajudar a avançar a investigação e desenvolver novos algoritmos, sistemas e ambientes de software para QIST. Para esse fim, a colaboração contínua do Berkeley Lab com a SFSU, uma instituição que atende minorias, aproveita os esforços do laboratório no QIST e expande os currículos existentes do SFSU para incluir novos cursos e oportunidades de treinamento focados no QIST. Ex-cientista sênior da computação do Berkeley Lab, o professor associado da SFSU Wes Bethel liderou o esforço para produzir uma nova geração de alunos graduados do mestrado em ciência da computação da SFSU, muitos de grupos sub-representados, com teses focadas em tópicos QIST.

Mercy Amankwah, Ph.D. estudante da Case Western University, faz parte desta colaboração desde junho de 2021, dedicando 12 semanas de suas férias de verão anualmente para participar do programa Sustainable Research Pathways, uma parceria entre o Berkeley Lab e o Sustainable Horizons Institute. Amankwah aproveitou sua experiência em álgebra linear para inovar o design e a manipulação de circuitos quânticos para alcançar a eficiência que a equipe esperava em dois novos métodos, QCrank e ABArt. Os métodos usam técnicas inovadoras da equipe para codificar dados para computadores quânticos. “O trabalho que estamos fazendo é verdadeiramente cativante”, disse Amankwah. “É uma jornada que nos leva constantemente a contemplar os próximos grandes avanços. Estou ansioso para fazer contribuições mais impactantes neste campo à medida que entro em meu pós-doutorado. aventura profissional.”

Esta pesquisa foi apoiada pelo Departamento de Energia dos EUA (DOE), Escritório de Pesquisa Exploratória de Computação Científica Avançada (ASCR) para Ciência em Escala Extrema, pelo Sustainable Horizons Institute e pelo Programa de Pesquisa e Desenvolvimento Dirigido por Laboratório do Berkeley Lab e usou recursos de computação no NERSC e o Oak Ridge Leadership Computing Facility.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/