Resumo interno:
- Pesquisadores da NVIDIA, da Stony Brook University e do Brookhaven National Laboratory desenvolveram um algoritmo de preservação de carga (CPVQD) que agiliza o cálculo de estados excitados em sistemas quânticos em comparação com os métodos tradicionais.
- O CPVQD usa simetria e custo conservado para reduzir o tamanho do sistema, melhorar a computação e evitar cálculos desnecessários em aplicações de química quântica e física nuclear.
- O algoritmo foi testado com sucesso em sistemas com até 24 qubits, usando a plataforma CUDA-Q da NVIDIA e o programa NERSC Perlmutter para alcançar convergência rápida e eficiência computacional.
O cálculo de estados excitados em sistemas quânticos é um dos desafios mais difíceis da computação quântica, importante em áreas como química quântica, física de altas energias e física nuclear. Os métodos tradicionais são muitas vezes computacionalmente caros, exigindo circuitos complexos e múltiplas unidades de controle, que são impraticáveis no hardware quântico atual. Para resolver isso, conforme descrito em uma pré-impressão recente do arXiv, uma equipe de pesquisadores da NVIDIA, da Stony Brook University e do Brookhaven National Laboratory desenvolveu um novo algoritmo de armazenamento quântico que gerencia esses cálculos, usando unidades de processamento quântico e -GPU não cria bons desempenho.
VQD: menos conhecido, mas não com menor preço
O algoritmo de deflação quântica variacional ligeiramente declarado é uma extensão do amplamente estudado autosolver quântico variacional. O VQD permite o cálculo de estados excitados – os níveis de energia de um sistema acima do estado fundamental – com aplicações que vão desde a química quântica até a física da matéria condensada. No entanto, o algoritmo VQD convencional, embora eficiente na determinação de estados excitados, sofre de limitações devido à sua dependência de integração controlada. Esses desafios o tornam ineficiente em larga escala, especialmente em dispositivos atuais onde o hardware quântico ainda está sujeito a erros e ruídos.
Conforme observado no artigo, “os métodos atuais de utilização de estados excitados requerem múltiplas unidades de controle”, o que introduz ineficiências. Para resolver isso, os pesquisadores desenvolveram um algoritmo VQD (CPVQD) econômico, que melhora a eficiência ao integrar medição e economia de custos ao processo. Esta aproximação reduz o tamanho do sistema, permitindo cálculos rápidos e confiáveis.
Estendendo a matemática quântica com economia de VQD
O algoritmo CPVQD foi projetado para calcular os estados excitados dentro de um determinado campo de carga, um subconjunto de um sistema correspondente a um valor físico conservado específico, como uma carga elétrica. Ao limitar os cálculos a este campo, o algoritmo reduz o tamanho do problema, evitando cálculos desnecessários em regiões sem importância.
Segundo pesquisas, o CPVQD apresenta duas formas de reduzir tamanho:
- Método de previsão: Esta abordagem reduz a dimensionalidade do sistema expressando o hamiltoniano (o operador que descreve os estados de energia do sistema) no campo de carga desejado, descartando estados não essenciais.
- Método de limitação: Aqui, o hamiltoniano é restringido pela adição de termos adicionais que impõem a conservação da carga. Este método preserva o número original de qubits, mas ajusta o processo de otimização para garantir que apenas regiões relevantes sejam consideradas.
Ambos os métodos atendem ao objetivo final de eficiência computacional, mantendo a integridade dos resultados. A pesquisa detalha como o CPVQD foi testado usando simulações de sistemas com até 24 qubits que levaram a melhorias significativas no desempenho da computação.
Aplicações CPVQD da Química Quântica à Física Nuclear
Os pesquisadores aplicaram o algoritmo CPVQD a vários domínios, incluindo química quântica e física nuclear. Na química quântica, o algoritmo foi utilizado para calcular os estados excitados de moléculas, como a molécula de hidrogênio (H2) e o íon hidreto de hélio (HeH+), tanto no estado neutro quanto no ionizado.
Por exemplo, ao simular o íon hidreto de hélio, o CPVQD conseguiu reduzir o tamanho do problema de 16 estados possíveis (em um sistema de 4 qubits) para apenas 4 estados, todos dentro do campo de carga +1. Como explicam os autores, esta redução de dimensionalidade é benéfica para simulações de íons, pois simplifica o problema sem sacrificar a precisão.
No que se refere à física nuclear, o algoritmo foi usado para calcular espectros e grandes espaços da teoria quântica de campos, como o modelo de Schwinger – modelo frequentemente usado para estudar a teoria de calibre na eletrodinâmica quântica. O cálculo desses estados excitados é necessário para compreender fenômenos como interações de partículas e transições de fase em sistemas quânticos.
CUDA-Q e Perlmutter combinam-se para simulação quântica avançada
Como a equipe é composta principalmente por cientistas da NVIDIA Quantum Algorithm Engineering e da NVIDIA Quantum Computing Architecture, um aspecto importante da pesquisa foi o uso de CUDA-Q, a plataforma de código aberto da NVIDIA para computação quântica híbrida clássica. Ao combinar GPUs clássicas com processadores quânticos, CUDA-Q fornece ferramentas de otimização e otimização. O estudo também usou o programa Perlmutter do NERSC para executar simulações em grande escala em um simulador de vetor de estado, alcançando resultados de referência que destacam o poder da computação híbrida na pesquisa quântica.
Segundo o estudo, a integração de QPU e GPU traz logicamente uma convergência mais rápida para os resultados mais importantes no ajuste dos parâmetros dos circuitos quânticos utilizados no algoritmo VQD. Essa abordagem também ajuda a reduzir as limitações do hardware quântico atual, descarregando alguns cálculos de sistemas mais antigos.
Não sem limites
Embora o algoritmo CPVQD apresente melhorias significativas na eficiência, diversas limitações e desafios permanecem. Um dos principais desafios destacados na pesquisa é o impacto do ruído e da incoerência no hardware quântico, que pode reduzir a precisão dos resultados. Embora as simulações neste estudo tenham sido realizadas em CUDA-Q – a plataforma de alto desempenho da NVIDIA – e em GPUs primitivas, o uso final de hardware quântico real está abaixo dos limites dos dispositivos quânticos atuais.
De acordo com o estudo, a simulação foi realizada em uma única GPU NVIDIA A100 sem modelagem de ruído. Esta falta de modelagem sólida significa que, embora as simulações mostrem resultados promissores nas condições certas, as aplicações do mundo real sofrerão de imperfeições de hardware.
Além disso, os métodos de redução de dimensionalidade apresentados, embora muito eficientes, apresentam desvantagens. Os métodos de projeção e os métodos de limitação facilitam o cálculo, concentrando-se apenas nos campos de cobrança relevantes. No entanto, como observam os autores, a determinação heurística das restrições do setor de custos pode, por vezes, levar a inconsistências nos algoritmos. Isso pode fazer com que o algoritmo não consiga calcular com precisão certos estados excitados, especialmente para sistemas complexos com distribuições de carga complexas.
O estudo também aborda o desafio de dimensionar o algoritmo em grandes sistemas. Embora o algoritmo CPVQD tenha sido testado em sistemas de até 24 qubits, sistemas maiores exigirão otimização adicional para manter a eficiência.
Implicações e direções futuras
Embora não seja isento de limitações, o CPVQD poderá um dia abordar completamente as limitações dos métodos existentes e fornecer simulações em larga escala em física de altas energias, física nuclear e química quântica. A equipe conclui que o algoritmo CPVQD pode ser estendido a outros algoritmos quânticos, como Subspace Search VQE (SSVQE) e ADAPT-VQE, aumentando ainda mais seu desempenho.
Os autores que contribuíram para o estudo incluem Zohim Chandani, Kazuki Ikeda, Zhong-Bo Kang, Dmitri E. Kharzeev, Alexander McCaskey, Andrea Palermo, CR Ramakrishnan, Pooja Rao, Ranjani G. Sundaram e Kwangmin Yu.
