加速量子超級計算將人工智能超級計算的優勢與 量子處理器（QPUs） 相結合，為世界上一些最棘手的問題開發解決方案。實現此類設備需要將一個或多個 QPUs 無縫集成到傳統的 CPU 和 GPU 超級計算架構中。
任何加速量子超級計算機的基本組成部分都是與之交互的編程模型。這必須經過高度優化，不僅可以運行真正的混合量子經典應用，還可以同時管理對 QPU 硬件的控制。這涉及編排實時量子糾錯（QEC）等任務，這使得開發高性能和可擴展的混合應用極具挑戰性。
開源 NVIDIA CUDA-Q 平臺 正是提供了這樣一種編程模型，能夠幫助研究人員和開發者解決在實施加速量子超級計算方面的挑戰。
在 SC24 上，NVIDIA 宣布推出 CUDA-QX ：這是 CUDA-Q 的擴展，由經過優化的庫組成，可直接提供 CUDA-Q 強大的編程模型，以應對研究人員在探索有用的量子計算時所面臨的關鍵挑戰。
CUDA-QX 為關鍵量子計算基元提供了優化的內核和 API（圖 1）。這降低了研究人員和開發者使用 CUDA-Q 的 GPU 加速的門檻，讓您有更多的時間專注于新科學和應用開發，而不是代碼優化。通過將 AI 超級計算工具無縫集成到量子研究工作流程中，CUDA-QX 可促進未來量子計算的突破。
圖 1、CUDA-QX 架構
本文將介紹前兩個 CUDA-QX 庫：
- CUDA-Q QEC： 加速量子錯誤糾正（QEC）研究。
- CUDA-Q 求解器： 一組針對特定領域問題（如量子化學）的優化量子求解器。
本文提供了使用 PyTorch 和 cuOpt 的示例，重點介紹了這些庫如何快速加速研究和應用開發。
CUDA-Q QEC?
當今的量子處理單元（QPU）與開發有用的量子計算機之間的最大挑戰之一是量子比特噪聲。實用的容錯量子計算采用量子糾錯編碼（QEC）來識別、跟蹤和糾正錯誤。鑒于量子糾錯編碼的復雜性以及解碼量子糾錯編碼的嚴格實時處理要求，這是一項極具挑戰性的任務。
CUDA-Q QEC 庫支持將加速 QEC 基元無縫集成到 CUDA-Q 工作流程中。現在，您可以使用 CUDA-QX 隨附的標準 QEC 代碼和解碼器，或更換自己的代碼和解碼器，從而獲得敏捷研究所需的靈活性。
這也使 CUDA-Q QEC 成為用來試驗如何為 QEC 部署 AI 算法并模擬其大規模性能的理想工具。
工作中的 CUDA-Q QEC：代碼容量噪聲模型?
一個非常適合 CUDA-Q QEC 庫的用例是，在代碼容量假設下，預測 QEC 代碼和解碼器對對應的邏輯錯誤率。
邏輯錯誤會對 QEC 代碼造成災難性影響，并導致無法保存量子數據。使用 CUDA-Q QEC 進行模擬有助于了解邏輯錯誤的頻率與各種條件下 QEC 代碼和解碼器選擇的關系。
在使用 CUDA-Q QEC 之前，第一步是安裝 CUDA-QX 并導入必要的庫。
import numpy as np import cudaq_qec as qec |
接下來，選擇要學習的 QEC 代碼。CUDA-Q QEC 有幾個內置選項，例如 Surface 代碼和 Steane 代碼，但您也可以定義自己的 QEC 代碼，并將其插入同一工作流。
steane = qec.get_code("steane") |
奇偶校驗矩陣由一組穩定器算子定義，這些算子可用于測量錯誤綜合征，從而推斷錯誤位置。您可以使用 CUDA-Q QEC 來提取 Steane 代碼的奇偶校驗矩陣。
對于 Steane 代碼等 CSS 代碼，請選擇完整代碼，或僅選擇用于糾正位翻轉（X）或相位翻轉（Z）錯誤的奇偶校驗矩陣。同樣，也可以提取用于確定邏輯量子位狀態如何在 Steane 代碼中冗余表示的映射。
Hz = steane.get_parity_z()Hx = steane.get_parity_x()H = steane.get_parity()observable = steane.get_observables_z() |
在運行任何分析之前，最后一步是定義解碼器，該算法根據隨代碼進展從奇偶校驗測量中獲得的錯誤綜合癥數據，計算對錯誤位置的猜測。
您可以根據解碼器選擇和奇偶校驗矩陣構建解碼器。您還可以輸入自定義解碼器，或使用 QEC 庫中內置的其中一種現成方法。在本示例中，查找表（Lookup Table，LUT）解碼器用于 CUDA-Q QEC 中預定義的 Steane 解碼器。
decoder = qec.get_decoder("steane_lut_decoder", Hz) |
無噪音結果為 0 位字符串，對應于初始邏輯狀態無變化。為了模擬該 QEC 編碼器/解碼器對的性能，我們使用了一個簡單的模型來引入錯誤。我們對任何給定的數據量子位引入了位翻轉誤差，概率為 p=0.1。
圖 2. 使用 Steane 代碼進行代碼容量分析的示意圖表示
代碼容量程序用于評估 QEC 編碼器/解碼器對的性能。以下代碼示例對此進行了概述，如圖 2 所示。該過程會迭代幾個鏡頭，每個鏡頭對應一個隨機噪聲數據位字符串。數據位字符串用于計算錯誤綜合征、解碼它們，并確定是否發生邏輯狀態翻轉。
在真實的量子計算中，只有錯誤綜合癥是可訪問的，因為對數據量子位的任何其他觀察都會損害編碼的邏輯狀態。然而，在此模擬過程中，可以使用更詳細的數據進行分析。這可用于評估解碼器對邏輯狀態翻轉的預測是否實際上對應于真實的邏輯翻轉。
如果解碼器作出了錯誤的預測，則會發生邏輯錯誤，并且可以記錄下來。解碼器與實際數據不匹配的截圖百分比是邏輯錯誤率。
# Probability of a data qubit bit flip errorp = 0.1nShots = 10nLogicalErrors = 0for i in range(nShots): # Generate noisy data data = qec.generate_random_bit_flips(Hz.shape[1], p) # Calculate which syndromes are flagged syndrome = Hz@data % 2 # Decode syndromes to determine predicted observables result = decoder.decode(syndrome) data_prediction = np.array(result.result, dtype=np.uint8) predicted_observable = observable@data_prediction % 2 # Determine actual observables directly from the data actual_observable = observable@data % 2 # Add to counter if logical error occurred if (predicted_observable != actual_observable): nLogicalErrors += 1 # Print the logical error rateprint(nLogicalErrors/nShots) |
為方便起見，您還可以使用單個函數調用生成此代碼示例中顯式執行的代碼容量過程。
syndromes, data = qec.sample_code_capacity(Hz, nShots, p). |
代碼容量練習的結果非常有用，可以闡明物理錯誤率對邏輯錯誤率的影響。
圖 3 顯示了物理錯誤率不同的代碼容量結果。這種分析可以擴展到電路級噪聲模型，以研究子閾值擴展，并確定物理錯誤率的詳細要求，從而提供適合給定應用的邏輯錯誤率。
圖 3. Steane 代碼的代碼容量結果
對 QEC 代碼執行電路級噪聲分析最便捷的方法是調用 sample_memory_circuit 函數，并提供 QEC 代碼和 噪聲模型 。分析也略有變化，必須指定 QEC 輪次數以及每輪生成的采樣數或綜合征數。
syndromes, data = qec.sample_memory_circuit(steane, numShots, numRounds, noise=noise) |
只要您提供足夠的映射以生成正確的穩定器電路，sample_memory_circuit 函數即可與自定義 QEC 代碼兼容，該過程在后臺處理內置代碼（如 Steane 代碼）。
有關 CUDA-Q QEC 用法的更多信息 (包括 C++ 實現、表面代碼示例和完整的電路級噪聲建模工作流程)，請參閱 CUDA-Q QEC 文檔 。
CUDA-Q 求解器?
CUDA-Q 求解器庫由不透明方法組成，可輕松加速多個標準量子應用，包括變分量子特征求解器（VQE）、ADAPT-VQE 和 QAOA。
雖然求解器在許多量子應用中無處不在，但化學是部署頻率最高、前景最好的用例之一。CUDA-Q 求解器目前正與 GE Vernova 高級研究合作，模擬能量材料。
鑒于化學應用的重要性，以下各節將帶您瀏覽一個典型示例，演示 CUDA-Q 求解器在準備具有活躍空間的氮分子（而非氧氣分子）ADAPT-VQE 模擬方面的效用。
CUDA-Q 求解器的工作原理：準備具有活躍空間的分子
在 QPU 上執行之前，許多量子算法都需要經典的預處理步驟。這在化學應用中尤其如此，通常需要初步經典計算來準備初始狀態。
大型模擬通常必須使用所謂的活躍空間近似值，以減少在量子計算機上對分子的電子結構進行建模所需的資源。以下示例將引導您在應用 ADAPT-VQE 之前，使用 CUDA-Q 求解器庫構建一個活躍空間。
第一步是安裝 CUDA-QX 并導入必要的庫：
import cudaq, cudaq_solvers as solversimport numpy as npfrom scipy.optimize import minimize |
接下來，使用 create_molecule 準備分子。它接受大多數量子化學軟件包中可能熟悉的標準輸入，例如幾何圖形、基集、電荷和多重性。
geometry=[('N', (0.0, 0.0, 0.5600)), ('N', (0.0,0.0, -0.5600))]molecule = solvers.create_molecule(geometry, 'sto-3g', #basis set 0, #charge 0, #multiplicity nele_cas=2, norb_cas=3, ccsd=True, casci=True, verbose=True) |
要指定活躍空間，請分別使用 nele_cas 和 norb_cas 設置電子和軌道的數量。將 ccsd 或 casci 設置為 True 還可在分子初始化時根據活躍空間經典地計算這些能量。使用 print(molecule.energies) 打印每個計算的能量。
CUDA-Q 求解器為改進不同軌道的主動空間計算提供了更大的靈活性。有關使用 MP2 自然軌道和 CASSCF 軌道的示例的更多信息，請參閱 CUDA-QX 文檔 。
CUDA-Q 求解器的實際應用：加速 ADAPT-VQE?
自適應微分組裝 Pseudo-Trotter VQE（ADAPT-VQE）是一種求解器技術，可根據預定義的算子池迭代構建 ansatz，從而更高效地收斂到預測基態能量（圖 4）。借助 CUDA-Q 求解器庫，您可以輕松使用并加速 ADAPT-VQE。
圖 4、ADAPT-VQE 程序 (來源： 量化門錯誤對變分量子特征求解器在量子化學中的影響 )
定義分子后 (請參閱前面的 預處理 部分)，只需幾個步驟即可生成 ADAPT-VQE 解決方案。首先，從分子中提取電子數和量子位數。
numQubits = molecule.n_orbitals * 2numElectrons = molecule.n_electrons |
接下來，cudaqx.solvers.get_operator_pool 函數從通用 ansatz 中提取所有運算符，并將每個運算符乘以初始參數列表，以形成完整的運算符池 (op_pool_uccsd)。在本例中，我們使用 UCCSD ansatz，但 CUDA-Q 求解器也支持廣義單雙 ansatz (GSD)。
# Extract operatorsoperators=solvers.get_operator_pool("uccsd", num_qubits=numQubits, num_electrons=numElectrons)# Retrieve number of operators count=len(operators)# Make a list of initial parametersinit_params=[0.05]*countprint(init_params)# Make final operator pool form operators and parametersop_pool_uccsd=[1j*coef*op for coef,op in zip(init_params, operators)] |
求解前的最后一步是準備一個初始 Hartree-Fock 狀態作為后續的 CUDA-Q 核，其中使用位翻轉運算來指定活動空間中的占用軌道。
@cudaq.kerneldef initState(q: cudaq.qview): for i in range(numElectrons): x(q[i]) |
ADAPT-VQE 求解器會獲取初始狀態核、使用 molecule.hamiltonian 構建的 Jordan-Wigner Hamiltonian 和一個經典優化器 (在本例中取自 SciPy)。默認情況下，該過程在單個 NVIDIA GPU 上進行模擬，但您也可以輕松切換到物理 QPU 后端。
energy, thetas, ops = solvers.adapt_vqe(initState, molecule.hamiltonian, op_pool_uccsd, optimizer=minimize, method='L-BFGS-B', jac='3-point', tol=1e-7)print('Adapt-VQE energy: ', energy)print('Optimum pool operators: ', [op.to_string(False) for op in ops]) |
CUDA-Q 求解器可輕松加速諸如 ADAPT-VQE 之類的應用程序，還可讓您跨多個 QPU 模擬并行計算。您可以使用 GPU 進行模擬。
要模擬跨多個 QPU 運行的計算，請使用 cudaq.set_target(‘nvidia’, mqpu=’True’) 和 cuadq.mpi.initialize 指定 MQPU 目標 。然后可以調用前面描述的相同 ADAPT-VQE 代碼，然后再調用 cuadq.mpi.finalize。
通過使用這種模擬的多 QPU 方法，16 量子位（8 個軌道中的 6 個電子）昂貴的梯度計算速度提高了 4.5 倍，而無需對代碼進行大量修改（圖 5）
圖 5、在多個 GPU 上使用 CUDA-Q 求解器加速 ADAPT-VQE 梯度計算 。
有關更多信息，請參閱 CUDA-Q 求解器文檔 中的此示例和其他示例的完整示例代碼。
開始使用 CUDA-QX 庫?
CUDA-QX 通過開箱即用和高度優化的庫，為量子研究人員提供 AI 超級計算模擬工具。CUDA-Q Solvers 和 CUDA-Q QEC 是日益壯大的庫集合中的第一個庫，為強大的工具箱奠定了基礎，該工具箱可加速混合量子經典應用的許多方面。
要開始使用 CUDA-QX 庫， 請參閱安裝說明以及 CUDA-Q 求解器和 CUDA-Q QEC 文檔 。
這些庫需要 CUDA-Q 作為先決條件。有關更多信息，請參閱 NVIDIA CUDA-Q 文檔 中的 本地安裝 主題。
?
