• <xmp id="om0om">
  • <table id="om0om"><noscript id="om0om"></noscript></table>
  • 數據中心/云端

    QHack 結果突出了 GPU 上的量子計算應用程序和工具

    ?

    QHack 是一個教育會議,也是世界上最大的量子機器學習( QML )黑客馬拉松。今年QHack 2023,來自 105 個不同國家的 2850 人參加了為期 8 天的比賽,為量子計算使用 NVIDIA 量子技術的應用程序。

    活動由組織Xanadu,NVIDIA 贊助 QHack 2023 NVIDIA 挑戰賽。作為挑戰的一部分,頂級團隊獲得了由 NVIDIA 量子軟件組成的 NVIDIA Quantum 平臺的訪問權限。其中包括 NVIDIAcuQuantum SDK以及 NVIDIA 的早期訪問版本CUDA Quantum,現在有開源版本。這兩個工具都針對世界上最強大的 NVIDIA GPU 進行了優化,與訓練時使用的 GPU 相同ChatGPT.

    QHack NVIDIA 挑戰

    為了支持 NVIDIA 挑戰賽,Cyxtera提供了三個位于全球各地的 DGX A100 電臺,以及Run:ai提供了用戶管理和編排界面。排名前 72 的團隊獲得了一個獨立的 NVIDIA A100 80 GB GPU ,每天 6 小時的使用權。

    活動開始幾天,團隊被要求提交他們正在進行的項目,以供考慮增加電源。此時,其中 36 個團隊獲得了 CUDA Quantum 的私人測試版訪問權限。此外,排名前 24 的團隊還獲得了第二個 NVIDIA A100 80 GB GPU

    NVIDIA 挑戰賽的參與者建造了 23 個令人難以置信的項目,包括但不限于:

    • 量子混合現實
    • 用于天氣預報的 QML
    • 基因組錯誤校正和重新測序
    • 機器學習( ML )設計更好的變分量子算法
    • 時空蟲洞的量子動力學模擬

    這些項目是根據創新理念、科學嚴謹性和基于 GPU 的模擬器和工作流程的能力進行評分的。

    獲獎項目強調量子計算用例

    NVIDIA 挑戰賽的前三名獲獎項目(詳見下文)授予了最嚴格的科學探索,并在允許的時間內進行了良好的性能優化和演示

    第一名:使用 PennyLane Lightning 和 NVIDIA cuQuantum SDK 加速噪聲算法研究

    MFC 團隊,由Lion Frangoulis,Cristian Emiliano Godínez Ramírez,Emily HaworthAaron Sander,在 NVIDIA 挑戰賽中獲得第一名。 MFC 團隊的項目,Accelerating Noisy Algorithm Research with PennyLane-Lightning and NVIDIA cuQuantum SDK使用 PennyLane Lightning-GPU 插件和 NVIDIA cuQuantum SDK 解決了噪聲模擬的計算復雜性

    這項工作對于任何有興趣在真實量子處理單元( QPU )上運行算法的人來說都至關重要。通過了解目標系統中存在的噪聲源,開發人員可能能夠設計模擬物來減輕噪聲,甚至利用噪聲

    MFC 團隊的工作依賴于 Trotter Suzuki 分解來近似哈密頓量的演化。通過在每次 CNOT 操作之后注入去極化噪聲通道來對噪聲進行建模。接下來,該團隊使用變分量子本征解器( VQE )探索了這種噪聲對尋找橫向場海森堡模型基態的影響。

    正如人們可能預期的那樣,高水平的噪聲導致了不穩定的解決方案。但最有趣的是,與圖 1 所示的無噪聲運行相比,中等水平的噪聲可以導致更快、更準確的收斂

    Graph showing convergence to the ground state energy with Variational Quantum Eigensolver on the PennyLane-Lightning-GPU plugin accelerated by cuQuantum (steps on x-axis and energy on y-axis). Better convergence is sometimes seen for noisy simulations over the perfect simulation.
    圖 1 。用變分量子特征解算器在由 cuQuantum 加速的 PennyLane Lightning- GPU 插件上收斂到基態能量

    MFC 團隊將他們的流程向前推進了一步,并進行了比較PennyLane Lightning Qubit( CPU – 狀態向量模擬器)PennyLane-Lightning-GPU( GPU – 支持的狀態向量模擬器cuQuantum) 與PennyLane default.mixed simulator后端通過本機密度矩陣后端

    為了進行蘋果對蘋果的比較,該團隊探索了改變軌跡數量對隨機噪聲算法保真度的影響。他們的探索表明,使用大約 200 條軌跡就足夠了。 MFC 隨后實現了不同量子位計數的各種后端的基準。很明顯, PennyLane Lightning- GPU 非常適合更大的模擬,其性能優于 15 個量子位以上的 CPU 模擬器

    Graph showing benchmark of PennyLane backends: default.mixed (density matrix backend), lightning.qubit, and lightning.gpu (state vector backends). State vector backends used 200 trajectories to build the density matrix. Users will see better performance for default.mixed until around eight qubits, where lightning.qubit will outperform until around 15 qubits where lightning.gpu powered by cuQuantum, outperforms the other backends the rest of the way.
    圖 2 : PennyLane default . mixed 密度矩陣后端與 PennyLaneLightning-Qubit 和 PennyLane-Lightning- GPU (由 cuQuantum 支持)的比較,每個有 200 個軌跡

    該項目表明,對噪聲量子電路的模擬是探索 NISQ 設備硬件高效替代品的寶貴工具

    第二名:用于恒星分類的量子增強支持向量機

    Louis Chen,Henry MakhanovFelix Xu的團隊因其對Quantum-Enhanced Support Vector Machines for Stellar Classification.

    恒星分類是一種基于恒星光譜數據的技術,用于對恒星進行分類。每種光譜類型都依賴于溫度和光度,并且可以進一步劃分為光度類別。還包括化學成分。由于數據的性質,人類分類很難標準化,這就是 ML 模型被廣泛用于該任務的原因

    Durchmusterung 團隊探討了這些最先進的方法與量子支持向量機( QSVM )的比較。赫羅圖是研究恒星演化及其分類的常用工具。請參見圖 3 ,了解由人類完成這一過程的復雜程度,有時是主觀的。

    This figure shows the Hertzsprung-Russell diagram, a chart that measures stellar objects by spectral class and effective temperature on the x-axis and absolute magnitude and luminosity relative to our sun on the y-axis. This process of classification can rely on human subjectivity and the data available. The diagram also shows clusters of stars in certain regimes of the chart, like the supergiants in the top right and white dwarfs in the bottom left.
    圖 3 。赫茲 – 羅素圖是一種常見但主觀的恒星分類工具

    雖然量子 SVM 很有前途,但這些方法仍然需要經典的預處理和后處理。為了實現該 ML 模型的量子核方法,需要特征工程來降低數據集的維數,并提取可能對計算負載或模型精度產生負面影響的某些特征。

    在為量子核學習準備好數據集后, Durchmusterung 在準確性、敏感性和特異性等多個指標上探索了其與經典 SVM 相比的有效性。這種方法的目標是確定量子核是否可以與正在研究的經典方法競爭

    很明顯,該模型具有競爭性的準確性,同時始終優于所研究的經典模型的特異性。量子模型的靈敏度也比經典模型略強,這表明這種方法在規模上是有用的

    This figure shows the runtime of the Quantum Support Vector Machine for various data sizes. This compares the scaling of the simulation done on an M1 CPU with cuQuantum running on the NVIDIA A100 80 GB GPU.
    圖 4 。在各種數據大小下,與 M1 CPU 相比,在 NVIDIA A100 GPU 上運行的 cuQuantum 的量子支持向量機加速

    Durchmusterung 還探索了其他經典的基準測試模型,如 k 近鄰( KNN )和邏輯回歸。他們發現,雖然這些方法在二元分類中取得了成功,準確率約為 86% ,但在多標記分類中,準確率降至約 78% 。量子核模型能夠實現大約 81% 的精度

    總的來說,這一探索證明了團隊的辛勤工作以及 NVIDIA 量子平臺為 QML 和量子電路模擬提供的價值。

    第三名:強化學習量子局部搜索

    2023 年 QHack NVIDIA 挑戰賽的三等獎授予了 TaipeiQCReinforcement Learning Quantum Local Search。兩人團隊,由Chen-Yu Liu和 Ya Chi Lu ,考慮了量子局部搜索( QLS ),它利用小型 QPU 來解決具有一些隨機起點的組合優化問題。他們研究了強化學習( RL )是否可以改善初始選擇過程,從而使量子局部搜索表現更好

    組合優化問題非常常見。路由優化(如旅行推銷員問題)和資源分配(如投資組合優化)是組合優化問題的好例子。有許多方法試圖用量子處理器來解決這些問題, QLS 就是其中之一

    TaipeiQC 選擇探索 32 、 64 和 128 個變量的組合 Ising 問題,每個問題都有一個五變量解算器。 TaipeiQC 利用近端策略優化( PPO )方法來培訓其代理,生成了問題圖和歷史配置數據,以幫助策略網絡了解其可以采取行動的狀態

    該團隊不僅限于此,他們還探索了重要性加權參與者學習架構( IMPALA )進行培訓

     Three charts are shown here for 32, 64, and 128 variable combinatorial Ising problems with a five-variable solver. Each of these charts shows how quickly the reinforcement learning agent trained on the NVIDIA A100 80 GB GPU optimizes for that particular problem. As expected, less complex problems are easier to learn more quickly.
    圖 5 。經過 NVIDIA A100 80 GB GPU 的培訓,該強化學習代理顯示,正如預期的那樣,不太復雜的問題更容易更快地學習

    平均回報越高越好,在所有這些情況下, RL-QLS 方法的性能都比 QLS 好,在每種情況下都有更好的近似率(圖 6 )。應用 ML 技術來設計更好的量子算法是 ML 和量子計算之間有趣的交叉點

    正如 TaipeiQC 項目所表明的那樣,將這些技術應用于量子算法設計是有希望的。 NVIDIA GPU 和 NVIDIA Quantum 平臺對于此類工作負載至關重要。

    Figure shows three graphs measuring the approximation ratio of each algorithm, reinforcement learning quantum local search and the traditional quantum local search. In all three problem sizes, 32, 64, and 128 variable combinatorial Ising problems with a five-variable solver, the reinforcement learning agent quickly outperforms the quantum local search implementation, showing the value that ML can provide to quantum computing algorithms.
    圖 6 。強化學習代理在所有三種問題大小上都迅速優于量子局部搜索實現,顯示了 ML 可以為量子計算算法提供的價值

    NVIDIA 量子計算

    我們很高興看到所有 QHack 2023 項目將進行哪些后續工作。 NVIDIA 提供的技術是加速此類算法開發和實現的關鍵。更快的吞吐量使研究人員和開發人員能夠以前所未有的規模和速度進行創新

    要了解更多關于量子計算應用程序和參與者在 QHack 2023 期間可訪問的技術的信息,請查看NVIDIA cuQuantumNVIDIA CUDA Quantum.

    ?

    0

    標簽

    人人超碰97caoporen国产