LBNL возглавляет проект по хранению квантовых данных и визуализации – анализ новостей высокопроизводительных вычислений | внутриHPC

Национальная лаборатория Лоуренса Беркли объявила, что исследователи из национальных лабораторий и университетов недавно опубликовали две статьи, в которых представлены новые методы хранения и анализа данных, которые сделают квантовые вычисления более практичными, а также исследуется, как визуализация помогает в понимании квантовых вычислений.

«Эта работа представляет собой значительный прогресс в понимании и использовании современных квантовых устройств для кодирования, обработки и визуализации данных», — сказала Талита Перчиано, научный сотрудник отдела научных данных Национальной лаборатории Лоуренса Беркли и руководитель этих усилий.

«Эти вклады основаны на наших предыдущих усилия чтобы подчеркнуть продолжающиеся исследования и потенциал квантовых технологий в формировании анализа и визуализации научных данных. Реализация этих проектов подчеркивает жизненно важную роль командной работы, поскольку каждый участник привносит свой уникальный опыт и точку зрения. Это сотрудничество является свидетельством того факта, что в квантовой сфере, как и во многих аспектах жизни, прогресс заключается не только в индивидуальных достижениях, но и в коллективных усилиях команды и общем видении».

По статью на сайте LBNL Кэрол Потт, в этот проект, наряду с Персиано, входят исследователи из Отдела научных данных, Отдела прикладной математики и вычислительных исследований и Национального научно-вычислительного центра энергетических исследований (NERSC) в сотрудничестве с командами из Государственный университет Сан-Франциско (SFSU) и Университет Кейс Вестерн Резерв.

Баланс между классикой и квантовой

Сотрудничество: (Верхний ряд, слева направо) Талита Перчиано, Ян Балевски, Даан Кэмпс. (Нижний ряд, слева направо) Роул Ван Бьюмен, Мерси Дж. Аманква, Э. Уэс Бетел

Сосредоточение команды на кодировании классических данных для использования квантовыми алгоритмами является ступенькой на пути к прогрессу в использовании методов квантовой информатики и технологий (QIST) как части графики и визуализации, которые исторически являются дорогостоящими в вычислительном отношении. «Найти правильный баланс между возможностями QIST и классическими вычислениями — большая исследовательская задача. С одной стороны, квантовые системы могут решать экспоненциально более серьезные проблемы по мере добавления кубитов. С другой стороны, классические системы и платформы HPC имеют десятилетия солидных исследований и инфраструктуры, но их масштабирование достигает технологических пределов», — сказал Бетел. «Одним из вероятных путей является идея гибридных классических квантовых вычислений, сочетающих классические процессоры с квантовыми процессорами (QPU). Этот подход сочетает в себе лучшее из обоих миров, предлагая захватывающие возможности для конкретных научных приложений».

Первая бумага, недавно опубликовано в журнале Nature Scientific Reports, исследует, как кодировать и хранить классические данные в квантовых системах для улучшения аналитических возможностей, а также рассказывает о двух новых методах и о том, как они функционируют. QCrank работает путем кодирования наборов действительных чисел в непрерывное вращение выбранных кубитов, что позволяет представлять больше данных, используя меньше места. QBArt, с другой стороны, напрямую представляет двоичные данные в виде серии нулей и единиц, сопоставленных с состояниями чистого нуля и одного кубита, что упрощает выполнение вычислений с данными.

Во второй статьекоманда углубилась во взаимодействие между визуализацией и квантовыми вычислениями, показав, как визуализация способствовала квантовым вычислениям, позволяя графически представлять сложные квантовые состояния, а также исследуя потенциальные преимущества и проблемы интеграции квантовых вычислений в область визуального исследования и анализа данных. . В научных исследованиях визуализация позволяет исследователям исследовать неизведанное и «видеть невидимое», эффективно переводя абстрактную информацию в легко понятные изображения.

Команда протестировала свои методы на квантовом оборудовании NISQ, используя несколько типов задач обработки данных, таких как сопоставление шаблонов в ДНК, вычисление расстояния между последовательностями целых чисел, манипулирование последовательностями комплексных чисел, а также запись и получение изображений, состоящих из двоичных пикселей. Команда провела эти тесты с использованием квантового процессора Quantinuum H1-1, а также других квантовых процессоров, доступных через IBMQ и IonQ. Часто квантовые алгоритмы, обрабатывающие такие большие выборки данных в виде одной схемы на устройствах NISQ, работают очень плохо или дают совершенно случайный результат. Авторы продемонстрировали, что их новые методы дают удивительно точные результаты при использовании такого оборудования.

Работа с кодированием данных и перекрестными помехами

При разработке и реализации квантовых алгоритмов обработки классических данных возникает серьезная проблема, известная как проблема кодирования данных, а именно: как преобразовать классические данные в форму, с которой может работать квантовый компьютер. В процессе кодирования существует компромисс между эффективным использованием квантовых ресурсов и сохранением достаточно простой для управления вычислительной сложности алгоритмов.

«Основное внимание уделялось балансировке текущих ограничений квантового оборудования. Некоторые математически надежные методы кодирования используют так много шагов или квантовых вентилей, что квантовая система теряет исходную информацию еще до того, как достигнет конечного вентиля. Это не оставляет возможности правильно вычислить закодированные данные», — сказал Ян Балевски, консультант NERSC и первый автор статьи Scientific Reports. «Чтобы решить эту проблему, мы придумали схему разбиения одной длинной последовательности на множество параллельных потоков кодирования».

К сожалению, этот метод привел к новой проблеме — перекрестным помехам между потоками, которые исказили хранимую информацию. «Это все равно, что пытаться слушать несколько разговоров в переполненной комнате; когда они пересекаются, понимание каждого сообщения становится трудным. В системах обработки данных перекрестные помехи искажают информацию, делая выводы менее точными», — сказал Балевски. «Мы решили проблему перекрестных помех двумя способами: для QCrank мы ввели этап калибровки; для QBArt мы упростили язык сообщений. Уменьшение количества используемых токенов похоже на переход с латинского алфавита на азбуку Морзе: отправка медленнее, но меньше подвержена искажениям».

Это исследование представляет два существенных достижения, делающих кодирование и анализ квантовых данных более практичными. Во-первых, параллельные схемы с равномерно контролируемым вращением (pUCR) радикально снижают сложность квантовых схем по сравнению с предыдущими методами. Эти схемы позволяют выполнять несколько операций одновременно, что делает их хорошо подходящими для квантовых процессоров, таких как устройство H1-1 от Quantinuum, с высокой связностью и поддержкой параллельного выполнения вентилей. Во-вторых, в исследовании представлены QCrank и QBArt, два метода кодирования данных, в которых используются схемы pUCR: QCrank кодирует непрерывные реальные данные в виде углов поворота, а QBArt кодирует целочисленные данные в двоичной форме. В исследовании также представлена ​​серия экспериментов, проведенных с использованием квантовых процессоров IonQ и IBMQ, демонстрирующих успешное кодирование и анализ квантовых данных в большем масштабе, чем достигалось ранее. Эти эксперименты также включают новые стратегии уменьшения ошибок для исправления зашумленных аппаратных результатов, повышая надежность вычислений.

Эксперименты, проведенные с помощью QCrank, показывают многообещающие результаты: успешное кодирование и извлечение 384 черно-белых пикселей на 12 кубитах с высоким уровнем точности восстановления информации (рис. 1). Примечательно, что это изображение представляет собой самое большое изображение, когда-либо успешно закодированное на квантовом устройстве, что делает его новаторским достижением. Для хранения того же изображения на классическом компьютере потребуется 384 бита, что сделает его в 30 раз менее эффективным по сравнению с квантовым компьютером. Поскольку емкость квантовой системы растет экспоненциально с количеством кубитов, всего 35 кубитов идеального квантового компьютера могли бы, например, хранить все 150 гигабайт информации ДНК, обнаруженной в геноме человека.

Эксперименты, проведенные с помощью QBArt, продемонстрировали его замечательные способности в кодировании и обработке разнообразных последовательностей данных, от сложных последовательностей ДНК (рис. 2) до сложных чисел, с почти идеальной точностью. Кроме того, исследование углубляется в оценку производительности различных квантовых процессоров при кодировании двоичных данных, раскрывая исключительные возможности процессоров на основе ионных ловушек для задач, основанных на схемах pUCR. Эти открытия не только закладывают основу для более глубоких исследований применения компактных параллельных схем в различных квантовых алгоритмах и гибридных квантово-классических алгоритмах; они также открывают путь к захватывающим достижениям в будущих задачах квантового машинного обучения и обработки данных.

«Находясь в авангарде квантовых вычислений, наша команда, воодушевленная новыми талантами, изучает теоретические достижения, используя наши методы кодирования данных для решения широкого спектра задач анализа. Эти новые подходы обещают раскрыть аналитические возможности в таких масштабах, которых мы раньше не видели с устройствами NISQ», — сказал Персиано. «Используя как HPC, так и квантовое оборудование, мы стремимся расширить горизонты исследований в области квантовых вычислений, представляя, как квантовые технологии могут произвести революцию в методах решения проблем в различных научных областях. По мере развития квантового оборудования все мы в исследовательской группе верим в его практичность и полезность как мощного инструмента для крупномасштабного анализа и визуализации научных данных».

В связи с недавним призывом создать и обучить квантовую рабочую силу многие организации, в том числе Министерство энергетики США (DOE), ищут способы помочь в продвижении исследований и разработке новых алгоритмов, систем и программных сред для QIST. С этой целью продолжающееся сотрудничество Berkeley Lab с SFSU, учреждением, обслуживающим меньшинства, усиливает усилия лаборатории в области QIST и расширяет существующие учебные программы SFSU, включая новые курсы и возможности обучения, ориентированные на QIST. Бывший старший научный сотрудник лаборатории Беркли, доцент ЮФГУ Уэс Бетел возглавил работу по подготовке нового поколения выпускников магистратуры в области компьютерных наук ЮФГУ, многие из недостаточно представленных групп, с диссертациями, посвященными темам QIST.

Мерси Аманква, доктор философии. Студентка Университета Кейс Вестерн участвует в этом сотрудничестве с июня 2021 года, ежегодно посвящая 12 недель летних каникул участию в программе «Пути устойчивых исследований» — партнерстве между Лабораторией Беркли и Институтом устойчивых горизонтов. Аманква использовала свой опыт в области линейной алгебры, чтобы внедрить инновации в дизайне квантовых схем и манипулировании ими, чтобы добиться эффективности, на которую команда надеялась в двух новых методах: QCrank и ABArt. В методах используются инновационные методы команды для кодирования данных для квантовых компьютеров. «Работа, которую мы делаем, действительно увлекательна», — сказал Аманква. «Это путешествие, которое постоянно подталкивает нас к размышлениям о следующих больших прорывах. Я с нетерпением жду возможности внести еще больший вклад в эту область, когда приступаю к написанию докторской степени. карьерное приключение».

Это исследование проводилось при поддержке Управления передовых научных компьютерных исследований (ASCR) Министерства энергетики США, Института устойчивых горизонтов и Программы исследований и разработок лаборатории Беркли с использованием вычислительных ресурсов NERSC. и Вычислительный центр для руководителей в Ок-Ридже.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/