เครื่องจำลองประสิทธิภาพสูงแบบเปิดสำหรับวงจรควอนตัม

เครื่องจำลองประสิทธิภาพสูงแบบเปิดสำหรับวงจรควอนตัม

เครดิตฟรี

การปรับใช้ HPC ของ QISKit
ความสนใจที่เพิ่มขึ้นในการคำนวณควอนตัมเมื่อเร็ว ๆ นี้ส่วนใหญ่มาจากแนวทางของ “ข้อได้เปรียบของควอนตัม” ซึ่งเป็นจุดที่คอมพิวเตอร์ควอนตัมจะเกินความสามารถของซูเปอร์คอมพิวเตอร์คลาสสิกที่ใหญ่ที่สุดเมื่อนำไปใช้กับกรณีการใช้งานแอปพลิเคชันที่เกี่ยวข้องและสำคัญ ในทางกลับกัน การจำลองการคำนวณด้วยควอนตัมเป็นองค์ประกอบสำคัญในการพัฒนาแอปพลิเคชันและไลบรารีควอนตัม การจำลองขนาดใหญ่ของระบบควอนตัมในอุดมคติช่วยให้นักวิจัยสามารถดีบักแอปพลิเคชันของตนเพื่อใช้กับอุปกรณ์ซึ่งจะพร้อมใช้งานในอนาคต ในขณะที่การจำลองเสียงที่มีความเที่ยงตรงสูงช่วยให้นักวิจัยสามารถตรวจสอบ ภายใต้เงื่อนไขที่ควบคุมได้ พฤติกรรมและประสิทธิภาพของไลบรารี ระบบควอนตัมที่สมจริงและทันสมัย

สล็อต

เกือบหนึ่งปีที่ผ่านมา เพื่อเตรียมพร้อมสำหรับการใช้ระบบควอนตัมสำหรับการคำนวณอย่างกว้างขวางยิ่งขึ้น IBM Research ได้จัดทำQuantum Information Software Kit (QISKit)ให้กับทุกคนที่สนใจเรียนรู้วิธีเข้ารหัสและจำลองอัลกอริทึมที่ออกแบบมาสำหรับคอมพิวเตอร์ควอนตัม QISKit อนุญาตให้ผู้ใช้เรียกใช้โปรแกรมทดลองที่ใช้วงจรควอนตัมบนคอมพิวเตอร์ควอนตัมจริงหรือบนเครื่องจำลองวงจรควอนตัมที่ทำงานบนคอมพิวเตอร์แบบคลาสสิกในระบบคลาวด์หรือแล็ปท็อป
อย่างที่ใครๆ คาดคิด เมื่อพิจารณาถึงประสิทธิภาพที่เป็นไปได้ของคอมพิวเตอร์ควอนตัมและความแตกต่างระหว่างคอมพิวเตอร์ควอนตัมและคอมพิวเตอร์คลาสสิก ความต้องการด้านการคำนวณที่ค่อนข้างสูงสามารถนำไปใช้กับระบบที่ใช้การจำลองดังกล่าว งานล่าสุดของเรามุ่งเน้นไปที่การใช้ประโยชน์จากความสามารถขั้นสูงบางอย่างของสถาปัตยกรรมคอมพิวเตอร์ IBM POWER8 และ IBM POWER9 รวมถึงแบนด์วิดท์หน่วยความจำสูง ความจุมัลติเธรดที่มีประสิทธิภาพ และปริมาณการประมวลผลสูง ด้วยเหตุนี้
ข้อได้เปรียบของ HPC: 30+ Qubits เพียงปลายนิ้วสัมผัส
QISKit มีตัวจำลองหลายตัวที่ช่วยให้ทุกคนที่ต้องการพัฒนาแอปพลิเคชันคอมพิวเตอร์ควอนตัมสามารถทำได้บนคอมพิวเตอร์ส่วนบุคคลของตน จำลองเหล่านี้กลายเป็นใช้ได้โดยการติดตั้ง QISKit อย่างไรก็ตาม การจำลองวงจรควอนตัมที่มีความกว้างมาก (การนับ qubit) ต้องใช้หน่วยความจำและทรัพยากร CPU จำนวนมาก ตัวอย่างเช่น การจำลองการกำหนดค่า 26 คิวบิตโดยใช้เลขคณิตแบบ double-precision ต้องการหน่วยความจำ 1 GB และที่สำคัญกว่านั้นคือข้อกำหนดของหน่วยความจำจะเป็นไปตามเส้นโค้งเลขชี้กำลัง โดยจะเพิ่มเป็นสองเท่าด้วยแต่ละ qubit เพิ่มเติม ทรัพยากร CPU ที่สำคัญยังจำเป็นในการดำเนินการคำนวณที่จำเป็นและเพื่อจัดการโครงสร้างข้อมูล (ขนาดใหญ่) ที่เกี่ยวข้อง เป็นจุดข้อมูลเดียว ให้พิจารณาว่าต้องใช้เวลามากกว่า 160 วินาทีในการจำลองQuantum Fourier Transformขนาด 26 qubit บน MacBook Pro ต้นปี 2015 โดยใช้การติดตั้งซอฟต์แวร์มาตรฐาน
เพื่อหารือเกี่ยวกับการจำลองวงจรควอนตัม ควรมีตัวอย่างที่เป็นรูปธรรม เพื่อเป็นข้อมูลอ้างอิง เราใช้ตัวอย่างการจำลองวงจรสุ่มบางวงจรที่ใช้ในการเปรียบเทียบประสิทธิภาพของอุปกรณ์ควอนตัม ซึ่งเป็นเมตริกที่เรียกว่าQuantum Volumeซึ่งแสดงโดยใช้โครงสร้างพื้นฐาน QISKit ด้านล่างนี้ เราให้คำอธิบายสั้น ๆ ของโค้ด ชี้ให้เห็นคุณลักษณะเด่นบางประการของ QISKit ที่ใช้ประโยชน์จากตัวอย่างนี้ และตรวจสอบประสิทธิภาพของโค้ดในโปรแกรมจำลองแบบคลาสสิก
วงจรที่สร้างขึ้นในฟังก์ชัน quantum_volume ถูกจำลองโดยใช้เมธอด execute( ) การระบุแบ็กเอนด์ “local_qasm_simulator” จะเริ่มต้นการจำลอง CPU แบบมัลติเธรดบนคอมพิวเตอร์ที่เรียกใช้โปรแกรมนี้ ซอฟต์แวร์ QISKit มอบประสิทธิภาพการทำงานให้กับนักพัฒนาด้วยAPI แบบพกพาและได้รับการออกแบบมาอย่างดีและด้วยQISKit Simulator ที่รวมอยู่ด้วย ให้สภาพแวดล้อมที่เป็นมิตรกับผู้ใช้สำหรับโปรแกรมเมอร์ควอนตัมทั้งมือใหม่และที่มีประสบการณ์เพื่อพัฒนาและปรับใช้การทดลองจำลองควอนตัม
แม้ว่า QISKit Simulator มักจะถูกปรับใช้บนแล็ปท็อปหรือระบบเดสก์ท็อปส่วนบุคคล การจำลองโดยใช้สภาพแวดล้อม POWER8 หรือ POWER9 ภายในองค์กรก็สามารถใช้ได้เช่นกัน เนื่องจาก QISKit รองรับสถาปัตยกรรม POWER และสภาพแวดล้อม ทำให้นักพัฒนาสามารถติดตั้ง QISKit และเรียกใช้แอพพลิเคชั่นบน POWER SMP ขนาดใหญ่ได้ ระบบเหมือนกับที่ทำในแล็ปท็อป
ความสามารถในการปรับขนาดและแบนด์วิดท์หน่วยความจำของสถาปัตยกรรม IBM POWER มอบประสบการณ์ที่ได้รับการปรับปรุงและตอบสนองสำหรับผู้ใช้ QISKit ส่งผลให้มีประสิทธิผลมากขึ้น นอกเหนือจากความพร้อมใช้งานในสถานที่แล้ว IBM ยังให้บริการการจำลองที่มีประสิทธิภาพสูงบนคลาวด์โดยใช้ความสามารถที่สำคัญของสถาปัตยกรรม POWER อย่างเต็มที่ เวอร์ชันของตัวจำลองนี้มีให้ใช้งานแบบสาธารณะและไม่มีค่าใช้จ่าย เปิดใช้งานการจำลองบนระบบ POWER ระดับเซิร์ฟเวอร์โดยเพียงแค่แทนที่ “local_qasm_simulator” ด้วย “ibmq _qasm _simulator” ในตัวอย่างด้านบน ไม่ว่าโค้ดจะรันบนเวิร์กสเตชันส่วนตัวของคุณหรือในสภาพแวดล้อมคลาวด์ของ IBM ขีดจำกัดเพียงอย่างเดียวของการจำลองของคุณคือจำนวนหน่วยความจำที่มีอยู่ในทรัพยากรคอมพิวเตอร์ ระบบนี้ถูกใช้เพื่อเรียกใช้การจำลองที่เกิน 40 qubits
กราฟด้านบนแสดงข้อดีบางประการของการจำลองบนสถาปัตยกรรม POWER และขนาดหน่วยความจำที่ใหญ่ขึ้นสำหรับระบบระดับเซิร์ฟเวอร์ ในตัวอย่างข้างต้น เวลาดำเนินการของการวัดประสิทธิภาพปริมาณควอนตัมถูกวัดบนแล็ปท็อป (MacBook ต้นปี 2015) และเครื่อง POWER8 ที่มีเครื่องจำลองสองตัวที่แตกต่างกันจำนวน qubits ความจุหน่วยความจำสุดขีดของหน่วยความจำบนระบบ POWER (สูงสุด 32TB) ช่วยให้สามารถจำลองวงจรควอนตัมขนาดใหญ่ได้ ในขณะที่แบนด์วิดท์หน่วยความจำและประโยชน์ในการคำนวณจากเธรดและหน่วยคำนวณจำนวนมากที่มีอยู่ในระบบ SMP เหล่านี้ทำให้สามารถจำลองขนาดใหญ่ได้ เพื่อดำเนินการในระยะเวลาอันสมควร ดังที่เห็นได้ชัดในกราฟด้านบน มีความแตกต่างด้านประสิทธิภาพที่มองเห็นได้ระหว่างระบบในสถานที่และระบบบนคลาวด์ ทั้งนี้เนื่องจากซอฟต์แวร์การจำลองบนคลาวด์จะปรับการเข้าถึงหน่วยความจำให้เหมาะสมเพื่อเรียกใช้การจำลองอย่างมีประสิทธิภาพมากขึ้นบนสถาปัตยกรรม POWER การเพิ่มประสิทธิภาพการจำลองบนคลาวด์จะพร้อมใช้งานสำหรับผู้ใช้ QISKit ในสถานที่ในอนาคตอันใกล้

สล็อตออนไลน์

โปรเซสเซอร์ POWER9
ในปี 2560 IBM ได้ประกาศความพร้อมใช้งานของสถาปัตยกรรม POWER9 ซึ่งนำประสิทธิภาพสูงสุดมาสู่พื้นที่แอปพลิเคชันที่หลากหลาย โดยเน้นเป็นพิเศษในแอปพลิเคชัน AI ที่เร่งด้วย GPU เนื่องจากแบนด์วิดท์ที่เพิ่มขึ้นผ่าน NVLink ระหว่าง POWER9 CPU และ GPU ตลอดจนประสิทธิภาพของอุปกรณ์ PCIe Gen4 I/O, CAPI และความสามารถในการปรับขนาดของคอร์
การสนับสนุนภายในองค์กรสำหรับ POWER9 พร้อมใช้งานแล้ว และโปรแกรมจำลองระบบคลาวด์จะพร้อมใช้งานเร็วๆ นี้ เราได้เห็นการปรับปรุงที่สำคัญในความเร็วของการจำลองและวางแผนการปรับปรุงในอนาคต เพิ่มประสิทธิภาพสำหรับ POWER9 ที่เราจะนำเสนอในการอัปเดตของบทความนี้
บทสรุปและงานในอนาคต
ทั้งหมดของมาตรฐานที่กล่าวถึงในบทความนี้และคำแนะนำเกี่ยวกับวิธีการที่จะทำให้เกิดผลลัพธ์ที่ได้อธิบายไว้ข้างต้นที่มีอยู่ในพื้นที่เก็บข้อมูล OpenQASM ผู้อ่านที่สนใจจะพบอัลกอริทึม QFT, Quantum Volume, Bernstein-Vazirani และ Counterfeit-Coin Finding ในที่เก็บนั้น
QISKit เปิดประตูสู่การจำลองประสิทธิภาพสูงสำหรับวงจรควอนตัม ตัวจำลองได้พัฒนาไปพร้อมกับการปรับให้เหมาะสมสำหรับสถาปัตยกรรม POWER งานปัจจุบันของเรามุ่งเน้นไปที่การสร้างโปรแกรมจำลองประสิทธิภาพสูงที่จะใช้ประโยชน์จาก SMP และความเท่าเทียมของหน่วยความจำแบบกระจาย ตลอดจนโอกาสในการเร่งความเร็วที่มีในโปรเซสเซอร์ POWER ที่มี GPU หลายตัวเชื่อมต่อผ่าน NVLINK ผลลัพธ์เบื้องต้นเกี่ยวกับระบบดังกล่าวบ่งชี้ถึงความได้เปรียบด้านประสิทธิภาพมากกว่า 10 เท่า โปรแกรมจำลองนี้จะเปิดตัวในอนาคตอันใกล้นี้ และเราขอแนะนำให้ผู้ที่สนใจดูพื้นที่นี้เพื่อรับทราบความคืบหน้าของเรา
ครึ่งหนึ่งของนักศึกษาปี 2018 ของ IBM ได้รับการยกย่องจาก IBM Research
เป็นเวลากว่า 70 ปีที่IBM Researchได้กำหนดอนาคตของเทคโนโลยีสำหรับ IBM วันนี้ เราเป็นผู้นำในด้าน AI, บล็อกเชน, ควอนตัมคอมพิวติ้ง และความปลอดภัยทางไซเบอร์ ด้วยการวิจัยพื้นฐานที่สำคัญที่ดำเนินการในห้องปฏิบัติการทั่วโลกของเรา ช่วงเวลาที่กำหนดในการเปลี่ยนแปลงของ IBM เกิดขึ้นได้โดยผู้นำด้านเทคนิคที่ไม่ธรรมดา เช่นIBM Fellows ชั้นเรียนในปีนี้ซึ่งครึ่งหนึ่งมาจาก IBM Research ขอแสดงความยินดีกับ Jay Gambetta, Jianying Hu, Harry Kolar และ Vijay Narayanan นักวิจัยของ IBM สี่คนที่ได้รับเกียรติด้านเทคนิคสูงสุดของ IBM ซึ่งเป็นที่ยอมรับทั่วโลกว่าเป็นเครื่องหมายแห่งความโดดเด่นทางวิทยาศาสตร์

jumboslot

พบกับ Fellows ประจำปี 2018 ของ IBM Research
Ja yเป็นนักวิทยาศาสตร์เชิงทฤษฎีหลักที่อยู่เบื้องหลังความพยายามในการคำนวณควอนตัมของ IBM เขาเป็นผู้นำทีมทฤษฎีควอนตัมของไอบีเอ็ม ซึ่งได้คิดค้นเทคนิคสำคัญหลายประการ ซึ่งปัจจุบันใช้เป็นประจำในห้องปฏิบัติการควอนตัมทั่วโลก Jay เป็นผู้สนับสนุนชั้นนำของซอฟต์แวร์ ประสบการณ์อินเทอร์เฟซ และเนื้อหาด้านการศึกษาของIBM Q Experienceซึ่งช่วยให้สาธารณชนสามารถสำรวจควอนตัมคอมพิวติ้งได้ นอกจากนี้ เขายังเป็นผู้นำความพยายามของIBM Q™ในการพัฒนาแอปพลิเคชันและซอฟต์แวร์เชิงพาณิชย์สำหรับคอมพิวเตอร์ควอนตัมระยะใกล้
Jianying เป็นผู้บุกเบิกด้านคอมพิวเตอร์สุขภาพ เธอสนับสนุนการพัฒนาวิธีการคำนวณขั้นสูงที่ก้าวล้ำจากการเรียนรู้ของเครื่องที่ทันสมัย ​​การทำเหมืองข้อมูล การจดจำรูปแบบ และการวิเคราะห์ด้วยภาพเพื่อสร้างข้อมูลเชิงลึกจากข้อมูลด้านสุขภาพในโลกแห่งความเป็นจริงเพื่อสนับสนุนการแพทย์เฉพาะบุคคล ความเป็นผู้นำด้านเทคนิคของเธอนำไปสู่การสร้างแนวทางทางวิทยาศาสตร์ใหม่ๆ ในการวิเคราะห์สุขภาพที่ขับเคลื่อนด้วยข้อมูล ก่อตั้ง IBM Research ให้เป็นศูนย์กลางของความสามารถด้านสุขภาพเชิงคอมพิวเตอร์ และมีอิทธิพลอย่างมากในการก่อตั้ง IBM Watson Health
แฮร์รี่เป็นผู้เชี่ยวชาญที่ได้รับการยอมรับทั่วโลกในระบบ Internet of Things (IoT) ซึ่งรวมเทคโนโลยี IoT เข้ากับการสร้างแบบจำลองทางคอมพิวเตอร์ที่ซับซ้อนของระบบนิเวศทางธรรมชาติ ความเป็นผู้นำทางวิทยาศาสตร์และทางเทคนิคของเขาเป็นศูนย์กลางของโครงการต่างๆ รวมถึงโครงการเจฟเฟอร์สันที่เลกจอร์จซึ่งเขาเป็นผู้นำในการวิจัยและพัฒนาความสามารถพิเศษของ IoT บนแพลตฟอร์มมัลติเซ็นเซอร์สี่ประเภทที่แตกต่างกันทั้งในและรอบๆ ทะเลสาบ ทีมผู้เชี่ยวชาญสหวิทยาการของเขาประกอบด้วยนักวิทยาศาสตร์คอมพิวเตอร์ วิศวกร วิศวกรไฟฟ้า นักฟิสิกส์บรรยากาศ นักชีววิทยาทางทะเล นักลิมโนโลยี (limnology คือการศึกษาน้ำในแผ่นดิน) และศิลปินสร้างภาพ
วีเจย์มีส่วนสนับสนุนอย่างมากในด้านวิทยาศาสตร์และเทคโนโลยีของวัสดุที่มีออกไซด์คงที่ไดอิเล็กตริกสูงและทรานซิสเตอร์แบบเมทัลเกท (HKMG) ซึ่งเป็นนวัตกรรมวัสดุที่สำคัญที่สุดในอุตสาหกรรมเซมิคอนดักเตอร์ที่ใช้ซิลิกอนในช่วง 30 ปีที่ผ่านมา ความเต็มใจที่จะคิดแตกต่างและลองใช้แนวทางใหม่ๆ นำไปสู่นวัตกรรมในยุคแรกๆ ที่ทำให้ HKMG เป็นเทคโนโลยีกระแสหลัก
ในเอกสาร NeurIPS ของเรา เราได้ตรวจสอบ Sobolev Independence Criterion (SIC) กับข้อมูลทางชีววิทยาจริงและเกณฑ์มาตรฐานสังเคราะห์ และแสดงให้เห็นถึงประสิทธิภาพในการจับภาพการพึ่งพาที่ไม่ใช่เชิงเส้น ในชุดข้อมูลสังเคราะห์ชุดใดชุดหนึ่งที่เสนอโดย [6] คุณลักษณะที่เกี่ยวข้องกันเพียง 6 จาก 50 รายการเท่านั้นที่เกี่ยวข้องกับการทำนายตัวแปรการตอบสนองผ่านความสัมพันธ์แบบหลายตัวแปรที่ไม่เป็นเชิงเส้นสูง ด้านล่างนี้ เราแสดงผลของการปรับใช้ SIC บนอินสแตนซ์ 250 ตัวอย่างที่สุ่มตัวอย่างจากชุดข้อมูลสังเคราะห์นี้ เมื่อเปรียบเทียบกับอัลกอริธึมที่แข่งขันกันอย่าง Elastic Net และ Random Forest เราควบคุม FDR โดยใช้ HRT ในทุกกรณี SIC ซึ่งโดยพื้นฐานแล้วประกอบด้วยวิธีการ “ไฮบริด” ที่รวมการปรับความลาดชันของเราที่ใช้กับโครงข่ายประสาทเทียมที่คาดการณ์ไว้ แทนที่จะเป็นฟังก์ชันการเห็น ได้ประสิทธิภาพระดับกลาง อย่างไรก็ตาม ที่สำคัญคือ
[NPC5]เกณฑ์ความเป็นอิสระของ Sobolev อนุญาตให้ใช้แบบจำลองที่ไม่เชิงเส้นที่แสดงออกอย่างชัดเจนสำหรับการเลือกคุณสมบัติด้วยการควบคุม FDR เป็นก้าวแรกสู่การใช้โครงข่ายประสาทเทียมเชิงลึกสำหรับการสร้างแบบจำลองที่ตีความได้พร้อมการรับประกันทางสถิติ ในการทำงานในอนาคต เรารู้สึกตื่นเต้นที่จะได้สำรวจการใช้ Sobolev Independence Criterion สำหรับการเลือกคุณลักษณะที่ชาญฉลาดตามที่พัฒนาขึ้นใน ซึ่งขยายการใช้งานไปสู่การเรียนรู้ที่ตระหนักถึงความเป็นธรรมและความเป็นส่วนตัว