LBNL leder kvantdatalagring, visualiseringsprojekt – högpresterande datornyhetsanalys | inuti HPC

Lawrence Berkeley National Laboratory har meddelat att nationella labb- och universitetsforskare nyligen släppt två artiklar som introducerar nya metoder för datalagring och analys för att göra kvantberäkningar mer praktiska och utforska hur visualisering hjälper till att förstå kvantberäkningar.

"Detta arbete representerar betydande framsteg när det gäller att förstå och utnyttja nuvarande kvantenheter för datakodning, bearbetning och visualisering", säger Talita Perciano, forskare vid Scientific Data Division vid Lawrence Berkeley National Laboratory och ledaren för detta arbete.

“De här bidragen bygger på våra tidigare ansträngningar att lyfta fram den pågående utforskningen och potentialen hos kvantteknologier för att forma vetenskaplig dataanalys och visualisering. Genomförandet av dessa projekt understryker teamarbetets avgörande roll, eftersom varje medlem tog med sig sin unika expertis och sitt perspektiv. Detta samarbete är ett bevis på det faktum att i kvantvärlden, som i många aspekter av livet, handlar framsteg inte bara om individuella prestationer, utan om lagets kollektiva ansträngning och gemensamma vision.”

Enligt en artikel på LBNL-webbplatsen av Carol Pott inkluderar bidragsgivare till detta projekt – tillsammans med Perciano – forskare från Scientific Data Division, Applied Mathematics & Computational Research Division och National Energy Research Scientific Computing Center (NERSC), i samarbete med team från San Francisco State University (SFSU) och Case Western Reserve University.

Balanserar klassiskt och kvantum

Samarbetet: (Översta raden, vänster till höger) Talita Perciano, Jan Balewski, Daan Camps. (nedre raden, vänster till höger) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

Teamets fokus på att koda klassiska data för användning av kvantalgoritmer är ett steg mot framsteg i att utnyttja kvantinformationsvetenskap och teknik (QIST) metoder som en del av grafik och visualisering, som båda är historiskt dyra beräkningsmässigt. "Att hitta den rätta balansen mellan förmågan hos QIST och klassisk datoranvändning är en stor forskningsutmaning. Å ena sidan kan kvantsystem hantera exponentiellt större problem när vi lägger till fler qubits. Å andra sidan har klassiska system och HPC-plattformar årtionden av gedigen forskning och infrastruktur, men de når tekniska gränser när det gäller skalning, säger Bethel. "En trolig väg är idén om hybrid klassisk kvantberäkning, som blandar klassiska processorer med kvantbehandlingsenheter (QPU). Detta tillvägagångssätt kombinerar det bästa av två världar och erbjuder spännande möjligheter för specifika vetenskapliga tillämpningar."

Den första tidningen, nyligen publicerad i Nature Scientific Reports, utforskar hur man kodar och lagrar klassisk data i kvantsystem för att förbättra analytiska möjligheter och täcker de två nya metoderna och hur de fungerar. QCrank fungerar genom att koda uppsättningar av reella tal till kontinuerliga rotationer av utvalda qubits, vilket tillåter representation av mer data med mindre utrymme. QBArt, å andra sidan, representerar direkt binär data som en serie av nollor och ettor mappade till rena noll- och en qubit-tillstånd, vilket gör det lättare att göra beräkningar på data.

I den andra tidningen, grävde teamet ner i interaktionen mellan visualisering och kvantberäkning, och visade hur visualisering har bidragit till kvantberäkning genom att möjliggöra representation av komplexa kvanttillstånd grafiskt och utforska de potentiella fördelarna och utmaningarna med att integrera kvantberäkningar i området för utforskning och analys av visuell data . I vetenskaplig utforskning tillåter visualisering forskare att utforska det okända och "se det osynliga", och effektivt överföra abstrakt information till lättbegripliga bilder.

Teamet testade sina metoder på NISQ-kvanthårdvara med hjälp av flera typer av databearbetningsuppgifter, som att matcha mönster i DNA, beräkna avståndet mellan sekvenser av heltal, manipulera en sekvens av komplexa tal och skriva och hämta bilder gjorda av binära pixlar. Teamet körde dessa tester med en kvantprocessor som heter Quantinuum H1-1, såväl som på andra kvantprocessorer tillgängliga via IBMQ och IonQ. Ofta presterar kvantalgoritmer som behandlar så stora dataprover som en enda krets på NISQ-enheter mycket dåligt eller ger helt slumpmässig utdata. Författarna visade att deras nya metoder fick anmärkningsvärt exakta resultat när de använde sådan hårdvara.

Hanterar datakodning och överhörning

När man designar och implementerar kvantalgoritmer som bearbetar klassisk data, uppstår en betydande utmaning som kallas datakodningsproblemet, vilket är hur man konverterar klassisk data till en form som en kvantdator kan arbeta med. Under kodningsprocessen finns det en avvägning mellan att använda kvantresurser effektivt och att hålla beräkningskomplexiteten hos algoritmer tillräckligt enkel att hantera.

"Fokus var på att balansera de nuvarande kvanthårdvarubegränsningarna. Vissa matematiskt solida kodningsmetoder använder så många steg, eller kvantportar, att kvantsystemet förlorar den initiala informationen innan det ens når den sista porten. Detta lämnar ingen möjlighet att korrekt beräkna den kodade datan”, säger Jan Balewski, konsult vid NERSC och första författare till Scientific Reports-artikeln. "För att ta itu med detta kom vi på schemat att dela upp en lång sekvens i många parallella kodningsströmmar."

Tyvärr ledde denna metod till ett nytt problem, överhörning mellan strömmar, som förvrängde den lagrade informationen. ”Det är som att försöka lyssna på flera konversationer i ett trångt rum; När de överlappar varandra blir det svårt att förstå varje budskap. I datasystem förvränger överhörning information, vilket gör insikter mindre exakta, säger Balewski. "Vi tacklade överhörningen på två sätt: för QCrank introducerade vi ett kalibreringssteg; för QBArt förenklade vi språket som används i meddelandena. Att minska antalet använda tokens är som att byta från det latinska alfabetet till morsekod – långsammare att skicka men mindre påverkad av förvrängningar.”

Denna forskning introducerar två betydande framsteg, vilket gör kodning och analys av kvantdata mer praktiskt. För det första minskar parallella enhetligt kontrollerade rotationskretsar (pUCR) drastiskt komplexiteten hos kvantkretsar jämfört med tidigare metoder. Dessa kretsar gör att flera operationer kan ske samtidigt, vilket gör dem väl lämpade för kvantprocessorer, såsom H1-1-enheten från Quantinuum, med hög anslutningsbarhet och stöd för exekvering av parallellgrind. För det andra introducerar studien QCrank och QBArt, de två datakodningsteknikerna som använder pUCR-kretsar: QCrank kodar kontinuerliga verkliga data som rotationsvinklar och QBArt kodar heltalsdata i binär form. Forskningen presenterar också en serie experiment utförda med IonQ- och IBMQ-kvantprocessorer, som visar framgångsrik kodning och analys av kvantdata i större skala än vad som tidigare uppnåtts. Dessa experiment innehåller också nya felreducerande strategier för att korrigera brusiga hårdvaruresultat, vilket förbättrar beräkningarnas tillförlitlighet.

Experimenten som utfördes med QCrank visar lovande resultat, framgångsrik kodning och hämtning av 384 svartvita pixlar på 12 qubits med en hög noggrannhetsnivå för att återställa informationen (Figur 1). Anmärkningsvärt är att denna bild representerar den största bilden som någonsin framgångsrikt kodats på en kvantenhet, vilket markerar den som en banbrytande prestation. Att lagra samma bild på en klassisk dator skulle kräva 384 bitar, vilket gör den 30 gånger mindre effektiv jämfört med en kvantdator. Eftersom kvantsystemets kapacitet växer exponentiellt med antalet qubits, kan bara 35 qubits på en idealisk kvantdator till exempel rymma hela 150 gigabyte av DNA-information som finns i det mänskliga genomet.

Experiment utförda med QBArt visade upp dess anmärkningsvärda skicklighet i att koda och bearbeta olika sekvenser av data, från intrikata DNA-sekvenser (Figur 2) till komplexa tal, med nästan perfekt trohet. Dessutom fördjupar studien prestandautvärderingen av olika kvantprocessorer vid kodning av binär data, och avslöjar de exceptionella kapaciteterna hos jonfälla-baserade processorer för uppgifter som förlitar sig på pUCR-kretsarna. Dessa fynd satte inte bara scenen för djupare undersökningar av tillämpningarna av kompakta, parallella kretsar över olika kvantalgoritmer och hybridkvantklassiska algoritmer; de banar också väg för spännande framsteg inom framtida kvantmaskininlärning och databearbetningsuppgifter.

"Når vi navigerar i framkanten av kvantberäkningar, utforskar vårt team, drivna av nya talanger, teoretiska framsteg genom att utnyttja våra datakodningsmetoder för att hantera ett brett utbud av analysuppgifter. Dessa nya tillvägagångssätt har löftet om att låsa upp analytiska möjligheter i en skala som vi inte sett tidigare med NISQ-enheter, säger Perciano. "Genom att utnyttja både HPC och kvanthårdvara, strävar vi efter att vidga kvantberäkningsforskningens horisonter, och föreställa oss hur kvantum kan revolutionera problemlösningsmetoder inom olika vetenskapliga domäner. I takt med att kvanthårdvaran utvecklas tror vi alla i forskargruppen på dess potential för praktisk och användbarhet som ett kraftfullt verktyg för storskalig vetenskaplig dataanalys och visualisering."

Med den senaste uppmaningen att bygga och utbilda en kvantarbetskraft, letar många organisationer, inklusive US Department of Energy (DOE), efter sätt att hjälpa till att främja forskning och utveckla nya algoritmer, system och mjukvarumiljöer för QIST. För detta ändamål utnyttjar Berkeley Labs pågående samarbete med SFSU, en minoritetsinstitution, labbets ansträngningar inom QIST och utökar SFSU:s befintliga läroplaner till att inkludera nya QIST-fokuserade kurser och utbildningsmöjligheter. Tidigare en Senior Computer Scientist i Berkeley Lab, SFSU-docent Wes Bethel ledde arbetet mot att producera en ny generation av examensstudenter i SFSU Computing Science Master's, många från underrepresenterade grupper, med avhandlingar som fokuserade på QIST-ämnen.

Mercy Amankwah, en Ph.D. student vid Case Western University, har varit en del av detta samarbete sedan juni 2021, och ägnar 12 veckor av sina sommaruppehåll årligen till att delta i programmet Sustainable Research Pathways, ett partnerskap mellan Berkeley Lab och Sustainable Horizons Institute. Amankwah utnyttjade sin expertis inom linjär algebra för att förnya designen och manipuleringen av kvantkretsar för att uppnå den effektivitet teamet hoppades på i två nya metoder, QCrank och ABArt. Metoderna använder teamets innovativa tekniker för att koda data för kvantdatorer. "Arbetet vi gör är verkligen fängslande," sa Amankwah. "Det är en resa som ständigt driver oss att tänka på nästa stora genombrott. Jag ser med spänning fram emot att ge mer effektfulla bidrag till detta område när jag kliver in på min post-Ph.D. karriäräventyr.”

Denna forskning stöddes av US Department of Energy (DOE) Office of Advanced Scientific Computing Research (ASCR) Exploratory Research for Extreme-Scale Science, Sustainable Horizons Institute och Berkeley Labs Lab Directed Research and Development Program och använde datorresurser vid NERSC och Oak Ridge Leadership Computing Facility.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/