Kvanttihyöty tähtäimessä: LUMI mahdollistaa suurten kvanttialgoritmien simuloinnin
Kvanttilaskenta voi mullistaa laskennallisen mallintamisen. Kvanttitietokoneiden rakentamisessa on viime aikoina edistytty nopeasti – jo nyt kvanttitietokoneilla tehdään tiedettä, joka oli aiemmin mahdotonta. Tarvitsemme kuitenkin vielä laajemman valikoiman kvanttialgoritmeja ja -ohjelmistoja, jotta kvanttikiihdytettyä superlaskentaa voidaan hyödyntää täysimääräisesti. Tätä varten työkalut, joilla voidaan simuloida kvanttialgoritmien käyttäytymistä ja suorituskykyä klassisilla tietokoneilla, ovat ratkaisevan tärkeitä. LUMI-supertietokoneella voidaan nyt tutkia jopa 44 kubittia käyttävien kvanttialgoritmien käyttäytymistä, edistäen uusien kvanttiläpimurtojen löytämistä.
Vaikka oikeita kvanttitietokoneita on jo saatavilla, kvanttialgoritmien ja -piirien simulointi perinteisillä supertietokoneilla on avainasemassa uusien sovellusalojen löytämisessä. Nykyiset kvanttitietokoneet kuuluvat niin sanottuun Noisy Intermediate-Scale Quantum (NISQ) -luokkaan. Vaikka NISQ-laitteet ovat erittäin arvokkaita tieteellisessä tutkimuksessa, niitä rajoittavat kohtuullisen suuret virhetasot ja lyhyet koherenssiajat. Ei-teknisin termein se tarkoittaa, että nykyisten laitteiden toiminta rajoittuu laskelmiin, jotka voidaan suorittaa nopeasti loppuun. Haasteena on kehittää algoritmeja, jotka voivat ratkoa hyödyllisiä ongelmia rajoitetulla määrällä komentoja.
Hyödyllisiä monimutkaisia algoritmeja kehitettäessä kvanttialgoritmien simulointi supertietokoneilla on tärkeä työkalu monista syistä:
- Validointi ja varmennus: Klassiset simulaatiot auttavat kehittämään, validoimaan ja varmentamaan kvanttialgoritmeja ennen algoritmien suorittamista varsinaisilla kvanttilaitteistoilla. Tämä varmistaa, että algoritmit toimivat tarkoitetulla tavalla, ja auttaa tunnistamaan mahdolliset virheet.
- Kvanttilaskujen ymmärtäminen: Simulaatiot antavat tietoa kvanttipiirien käyttäytymisestä, mikä on olennaista tehokkaampien kvanttialgoritmien kehittämisen kannalta. Kvanttialgoritmien vaatimusten ymmärtäminen puolestaan voi ohjata tulevien kvanttilaitteistojen kehitystyötä.
- Kvanttiohjelmiston debuggaus: Toisin kuin fyysiset kvanttitietokoneet, simulaattorit voivat tarjota mahdollisuuden esimerkiksi seurata kvanttimekaanisten tilojen kehitystä koko simuloinnin ajan. Fyysiset kubitit eivät salli kubitin tilan tarkastelemista laskennan aikana.
- Hybridijärjestelmien kehittäminen: Klassiset simulaatiot ovat keskeisiä kvanttia ja klassista laskentaa yhdistävien hybridijärjestelmien kehityksessä, joissa molempia laskentatyyppejä käytetään yhdessä monimutkaisten ongelmien ratkaisemiseen.
Kvanttialgoritmien simulointiin klassisilla tietokoneilla on useita erilaisia lähestymistapoja. Ne voidaan jakaa kahteen pääluokkaan eli tensoriverkkosimulaatioihin ja täysimittaisiin tilavektorisimulaatioihin. Tensoriverkkosimulaatioita on käytetty tuhansia kubitteja sisältävien algoritmien simulointiin – niillä on kuitenkin luontainen rajoitus: ne soveltuvat vain kvanttialgoritmeille, joissa kubittien välinen lomittumisaste on melko alhainen. Lomittuminen, jota Einstein tunnetusti kutsui ”aavemaiseksi kaukovaikutukseksi”, on ennakkoedellytys monille sovelluksille, joissa kvanttilaskennan odotetaan tuovan konkreettista etua. Jos kvanttialgoritmia voidaan simuloida tehokkaasti klassisella tietokoneella, tarve kvanttitietokoneelle on tietenkin pienempi.
Korkeampia lomittumistasoja hyödyntävien algoritmien tutkimiseen tarvitaan ”Schrödinger-tyylinen” täydellinen tilavektorisimulaatio. Tällainen simulointi vaatii yleensä enemmän resursseja, mutta sen etuna on, että kvanttitilojen muutosta ja kehitystä algoritmin suorittamisen aikana voidaan tarkastella yksityiskohtaisesti. Mielenkiintoisen monimutkaisille algoritmeille tarvitaan supertietokoneen laskentatehoa.
Rinnakkaiset resurssit hyvään käyttöön
Kvanttipiirien tilavektorisimulaatiot kuluttavat todella paljon laskentaresursseja erityisesti kubittien määrän kasvaessa. Tavallinen kannettava tietokone, jossa on 16 Gt muistia, törmää seinään yli 30 kubitin simulaation kohdalla. Jopa huippuluokan tietokone, jossa on 256 Gt muistia, tukehtuu noin 34 kubitin kohdalla. Tämä johtuu siitä, että simulaation muistitarve kasvaa eksponentiaalisesti kubittien määrän myötä – jokainen lisätty kubitti käytännössä kaksinkertaistaa tarvittavan muistikapasiteetin.
Kun simulointi jaetaan useille LUMI-supertietokoneen GPU-solmuille, sekä yhdistettyä laskentakapasiteettia että muistikapasiteettia voidaan käyttää yhdessä ja samassa simulaatiossa. LUMIlle asennetun uuden simulointiympäristön kautta jopa 44 kubitin kvanttialgoritmeja voidaan nyt simuloida tehokkaasti. Tämän kokoinen simulaatio vaatii 256 TB (teratavua) yhdistettyä RAM-muistia ja 1024 LUMI-G-solmua, mikä tarkoittaa 4096:ta AMD Instinct MI250X -grafiikkasuoritinta, joilla on yhteensä 8192 grafiikkaohjaimen Graphics Compute Die (GCD) -piiriä.
Grafiikkasuorittimet ovat luonnollinen valinta kvanttipiirien tilavektorisimulaatioiden nopeuttamiseksi useiden tekijöiden ansiosta:
- Lineaariset algebraoperaatiot ja massiivinen rinnakkaisuus. Tilavektorisimulaatiot nojaavat vahvasti matriisikertolaskujen ja vektoreiden yhteenlaskujen kaltaisiin algebraoperaatioihin. Nämä operaatiot ovat luontaisesti rinnakkaisia eli ne voidaan jakaa pienempiin tehtäviin, jotka voidaan suorittaa samanaikaisesti. Grafiikkasuorittimet on suunniteltu juuri tällaista rinnakkaista prosessointia varten.
- Suuri muistin kaistanleveys. Kvanttimekaanisten tilojen simulointeihin liittyy suuria datasettejä, mikä kuormittaa käytettävää muistia. Grafiikkasuorittimilla on tyypillisesti suuri muistin kaistanleveys, mikä nopeuttaa tietojen noutamista ja minimoi muistin pullonkaulojen aiheuttamia viiveitä erityisesti kubittien määrän kasvaessa.
- Optimoitujen kirjastojen tuki. Grafiikkasuorittimia tukevat kirjastot, jotka on erityisesti optimoitu nopeuttamaan matriisitoimintojen ja Fourier-muunnosten kaltaisia tehtäviä. Tällaiset tehtävät ovat yleisiä kvanttisimulaation alalla. Nämä kirjastot räätälöidään grafiikkasuorittimen arkkitehtuurin mukaan, mikä parantaa näiden toimintojen suorituskykyä.
- Energia- ja kustannustehokkuus. Keskusyksiköihin perustuviin järjestelmiin verrattuna grafiikkasuorittimet ovat yleisesti ottaen energiatehokkaampia, kun niitä käytetään laajamittaisissa simulaatioissa tarvittavaan rinnakkaiseen prosessointiin. Tämä voi pienentää suurten kvanttipiirien simulaatioiden suorituskustannuksia.
Jopa 44 kubittia käyttäviä kvanttialgoritmeja voidaan nyt suorittaa LUMIlla
Supertietokoneympäristön räätälöinnin ansiosta jopa 44 kubittia käyttäviä kvanttialgoritmeja voidaan nyt suorittaa LUMIlla rutiininomaisesti. Tämä edellyttää useiden simulaatioparametreihin liittyvien näkökohtien, kuten grafiikkaohjainsolmujen kokonaismäärän, ottamista huomioon. Tämän kaikkien LUMI-käyttäjille suunnatun uuden työkalusarjan ansiosta kvanttiohjelmistojen kehitystyö voidaan nyt viedä uudelle tasolle. Toivomme, että tämä vauhdittaa uusien kvanttialgoritmien kehittämistä, toimien alkusysäyksenä kvanttieduille.
Voit tutustua laajamittaisiin simulaatioihin teknisiin perusteihin tarkemmin suomalaisen kvanttilaskentainfrastruktuurin (FiQCI) verkkosivuilla.
Kirjoittajat: Michael Mucciardi, Senior Systems Specialist, CSC, ja Mikael Johansson, Manager, Quantum Technologies, CSC.
Lisätietoja
Mikael Johansson
Mikael Johansson mahdollistaa CSC:llä kvanttilaskennan ja -kommunikaation käyttöönottoa ja kehittää kvantti-infrastruktuuria yhtenäisenä osana suurteholaskennan ekosysteemiä.