CUDA-Q Logical ma ułatwić projektowanie odpornych na błędy systemów kwantowych

NVIDIA ogłosiła podczas IEEE Quantum Week w Toronto rozszerzenie otwartoźródłowej platformy CUDA-Q o CUDA-Q Logical. To warstwa orkiestracji dla komputerów kwantowych odpornych na błędy, która ma umożliwić programowalne i weryfikowalne projektowanie aplikacji opartych na kubitach logicznych. 19

Najważniejsza idea jest prosta: użyteczny komputer kwantowy odporny na błędy nie powstaje przez niezależne wybranie algorytmu, kodu korekcji błędów i rodzaju kubitów. Każda z tych decyzji wpływa na pozostałe — od liczby potrzebnych kubitów fizycznych, przez sposób kompilacji operacji, po wymagania wobec sterowania i dekodowania błędów.

Po co potrzebne jest współprojektowanie

Kubit logiczny to kubit chroniony przed błędami za pomocą wielu kubitów fizycznych oraz mechanizmów kwantowej korekcji błędów (QEC). Ponieważ narzut zasobów może być bardzo duży, zespoły badawcze muszą oceniać cały stos technologiczny naraz, a nie optymalizować jego warstwy w oderwaniu od reszty.

CUDA-Q Logical rozszerza CUDA-Q o narzędzia językowe do opisywania i łączenia elementów QEC oraz do szacowania zasobów potrzebnych w różnych architekturach systemu. Ma to pozwolić zmieniać założenia, porównywać warianty i wcześniej weryfikować projekt. 24

Sama platforma CUDA-Q służy do integrowania i programowania procesorów kwantowych (QPU), GPU oraz CPU w jednym hybrydowym systemie kwantowo-klasycznym. 18

Co ma umożliwić nowa warstwa

Według NVIDIA badacze mogą z użyciem CUDA-Q Logical między innymi:

• zapisywać algorytmy odporne na błędy wraz z operacjami QEC;
• testować różne kody korekcji błędów i metody kompilacji;
• modelować warianty sprzętu oraz architektury QPU;
• szacować zasoby wymagane do osiągnięcia zakładanego celu dla kubitów logicznych;
• zestawiać kompromisy dotyczące wydajności całego systemu przed wyborem konkretnej implementacji. 124

Nie oznacza to, że problem niezawodnego sprzętu kwantowego został rozwiązany. Warstwa ma raczej stworzyć wspólny język programowy, w którym założenia projektowe można jasno wyrazić, sprawdzić i porównać z alternatywami.

Przykłady podane przy premierze

Zaprezentowane wyniki dotyczą określonych przepływów pracy, modeli lub integracji. Nie są więc jedną, uniwersalną miarą obecnych możliwości komputerów kwantowych odpornych na błędy.

Fermilab: ocena projektu zamiast miesięcy — tygodnie

Fermilab wykorzystał CUDA-Q Logical w powtarzalnym i weryfikowalnym procesie tworzenia architektury odpornej na błędy. NVIDIA podaje, że czas prac skrócił się z około pięciu miesięcy do trzech tygodni, czyli mniej więcej siedmiokrotnie. 1

Iceberg Quantum i Diraq: model dla 1000 kubitów logicznych

Iceberg Quantum oraz Diraq modelowały architekturę zakładającą uzyskanie 1000 kubitów logicznych z około 150 000 fizycznych kubitów krzemowych Diraq. To wynik modelowania i walidacji architektury, a nie deklaracja, że taki tysiąckubitowy system logiczny już działa na tym sprzęcie. 121

Infleqtion: korekcja błędów qLDPC

Infleqtion zintegrował swoją otwartoźródłową bibliotekę qLDPC z CUDA-Q Logical na potrzeby badań nad QEC. Firma poinformowała o skonstruowaniu i zwalidowaniu kodu wykorzystującego około sześciu fizycznych kubitów danych na jeden kubit logiczny. Według jej porównania może to oznaczać do pięciu razy mniej fizycznych kubitów danych niż w dominujących podejściach opartych na kodzie powierzchniowym. Jest to jednak porównanie dotyczące konkretnego podejścia i jego założeń, a nie uniwersalna liczba dla wszystkich systemów odpornych na błędy. 192031

Qedma: łagodzenie błędów dla systemów Quantinuum

Qedma zintegrowała swoją technologię łagodzenia błędów QESEM z CUDA-Q dla przepływów pracy kierowanych na systemy Quantinuum. Łagodzenie błędów i odporna na błędy korekcja kwantowa to różne techniki, lecz ta integracja pokazuje rolę CUDA-Q jako miejsca łączenia komponentów oprogramowania kwantowego z konkretnymi środowiskami sprzętowymi. 26

Quantum Machines: sterowanie w czasie rzeczywistym

Quantum Machines zintegrował funkcję NVIDIA cudaq-realtime ze swoim Open Acceleration Stack. NVIDIA podaje, że interfejs API obsługuje wywołania zwrotne między GPU a kontrolerami kwantowymi z opóźnieniem rzędu mikrosekund, co ma umożliwić ściśle sprzężoną pracę aktywnych kubitów, GPU i CPU. 30

Sandia: benchmark gotowości sprzętu

Sandia National Laboratories udostępniło w CUDA-Q benchmark QUOPS. NVIDIA opisuje go jako narzędzie do oceny, czy sprzęt dla komputerów kwantowych odpornych na błędy jest gotowy do praktycznych zastosowań. Benchmark ma wspierać porównania między platformami, zamiast oceniać sprzęt według pojedynczej metryki dostawcy. 122

Dlaczego to istotne

Znaczenie CUDA-Q Logical nie polega na ogłoszeniu, że komputery kwantowe odporne na błędy są już gotowe. Chodzi o stworzenie otwartej, rozszerzalnej warstwy do badania trudnej przestrzeni decyzji między aplikacją a fizyczną maszyną.

W praktyce pytanie nie brzmi tylko: „Która technologia kubitów jest najlepsza?”. Kluczowe jest to, czy pełne połączenie algorytmu, kodu QEC, kompilatora, architektury, sterowania oraz klasycznego przyspieszenia może spełnić wymagania dotyczące zasobów i wydajności. CUDA-Q Logical ma ułatwić modelowanie, porównywanie i weryfikowanie takich konfiguracji. 124

Dostępność

CUDA-Q Logical jest dostępne w ramach otwartoźródłowego projektu CUDA-Q na GitHubie. NVIDIA podaje też następującą komendę instalacji pakietu CUDA-Q dla Pythona:

pip install cudaq

Informacje o wydaniu na GitHubie określają CUDA-Q Logical jako otwartą i rozszerzalną warstwę logiczną dla obliczeń kwantowych odpornych na błędy. 182437