NVIDIA’nın vizyonu, hızlandırılmış kuantum süper bilgisayarları entegre ederek, günümüzün kuantum işlemcilerini geleceğin kullanışlı kuantum bilgisayarlarına dönüştürmektir.
2024 Supercomputing 2024 (SC24) etkinliğinde, NVIDIA, mevcut teknolojiler ile bu hızlandırılmış kuantum süper bilgisayarları arasındaki engelleri aşmak için ortaklarıyla birçok projeyi duyurdu. Bu yazıda, kuantum donanımı, algoritmalar ve sistem entegrasyonlarını kapsayan bu projelerin bazılarına değineceğiz.
AI Yenilikleri ve Kuantum Bilgisayarı
Üretken AI, kuantum bilgisayarlarının karşılaştığı zorluklarla başa çıkmak için en umut verici araçlardan biridir. NVIDIA, endüstri ve akademi uzmanlarıyla iş birliği yaparak, Kuantum Bilgisayarı İçin Yapay Zeka başlıklı yeni bir araştırma makalesi yayınladı. Bu makalede AI’nın kuantum bilgisayarlarını nasıl dönüştüreceği ele alınıyor (Şekil 1).
Makale, GPT modellerinin kuantum devrelerini sentezlemesi ve dönüştürücülerin kuantum hata düzeltme kodlarını çözmesi gibi konuları kapsayarak, bilgisayar biliminin iki en devrimci disiplininin kesiştiği önemli çalışmaları taramaktadır.
Çoklu QPU, Çoklu GPU ve Çoklu Kullanıcı
Poznan Süper Bilgisayar ve Ağ Merkezi (PSNC) ile ORCA Computing, NVIDIA ile iş birliği yaparak yapay zeka destekli kuantum projelerini duyurdu. Ekip, NVIDIA H100 Tensor Core GPU’ları, NVIDIA CUDA-Q platformu ve iki ORCA PT-1 fotonik kuantum bilgisayarının kullanıldığı tamamen işlevsel bir çoklu QPU, çoklu GPU, çoklu kullanıcı altyapısını başarıyla gösterdi.
CUDA-Q platformu, fotonik kuantum işlemcilerinin tasarımını geliştirmek için AI kullanan yeni bir Kaynak Durum Üretici ile Önceden Eğitilmiş Dönüştürücüler (RS-GPT) algoritmasını geliştirmek ve çalıştırmak için kullanıldı. Bu iş birliği ayrıca, insan yüzlerini tanıyan hibrit kuantum-klasik karşıt ağ iş akışını üretti. Ayrıca, tıbbi teşhis uygulamalarına yönelik biyolojik görüntü sınıflandırması için bir hibrit kuantum sinir ağı geliştirildi.
Kuantum ile Klasik Entegrasyonu
SC24’te yapılan bir dizi duyuru, CUDA-Q’nun kuantum donanım sağlayıcıları ile entegrasyonuna devam ettiğini ve hızlandırılmış kuantum süper bilgisayarlarına daha fazla erişim sağladığını göstermektedir.
QuEra, Anyon ve Fermioniq CUDA-Q’da Kullanımda
Kubitsiz olan CUDA-Q geliştirme platformu, şimdi üç yeni ortakla entegre olmuştur: Anyon (süper iletken QPU), Fermioniq (kuantum devre emülatörü) ve QuEra (nötr atom QPU). CUDA-Q kuantum-klasik iş akışı ile kuantum geliştiricileri artık bu kaynakları hibrit algoritmalarına entegre edebilir.
Kuantum Brilliance ve Almanya Süper Bilgisayarları Entegrasyonu
Kuantum Brilliance, diamond tabanlı QPU’larını Fraunhofer Uygulamalı Katı Hal Fiziği Enstitüsü IAF’nın mevcut süper bilgisayar altyapısına entegre edeceğini açıkladı. Bu sistem, CUDA-Q ile uyumlu olup, bu yeni hibrit kuantum klasik süper bilgisayar sisteminde uygulama geliştirmek ve test etmek için kullanılabilir.
Kuantum Donanım Tasarımını Geliştirmek
CUDA-Q platformu, 이제 kuantum donanım geliştiricilerinin tasarım sürecini hızlandırmak için AI süper bilgisayarcılığından yararlanmalarını sağlıyor.
Dynamik Simülasyonlar, CUDA-Q 0.9’da
CUDA-Q 0.9, kuantum sistemlerinin yüksek doğrulukta ve ölçeklenebilir dinamik simülasyonlarını gerçekleştirmeye olanak tanıyan yeni dinamik simülasyon yeteneklerini içermektedir. Bu simülasyonlar, QPU tedarikçilerinin donanımlarının fiziğini anlamalarına ve qubit tasarımlarını geliştirmelerine önemli bir araçtır. CUDA-Q’daki dinamik simülasyonlar, yerleşik çözücülerden yararlanabilir ve artık QuEra’nın analog kuantum işlemcisinde doğrudan çalıştırılabilir.
Google’ın Daha İyi Qubitler Üretmesini Sağlamak
NVIDIA, Google Quantum AI ile iş birliği yaparak, transmon qubitlerinin büyük ölçekli, yüksek doğruluklu kuantum dinamik simülasyonlarını gerçekleştirmektedir. Bu çalışma, cuQuantum ve CUDA-Q’da mevcut olan yeni dinamik API’ler kullanılarak gerçekleştirilmektedir. 40-qubit Google simülasyon verisi ve diğer ayrıntılı kriterler hakkında daha fazla bilgi almak için, Google’ın QPU Geliştirilmesinde Yenilikçi Bir Yaklaşım bağlantısını takip edebilirsiniz.
Gelecek Nesil Algoritma Tasarımını Genişletmek
CUDA-QX, GPU hızlandırma için optimize edilmiş uygulamaya özel bir kütüphaneler topluluğudur. CUDA-Q’nun gücüne daha yüksek düzeyde erişim sunarak, araştırmacıların kuantum bilişimde son nesil konuları keşfetmeye başlamasını kolaylaştırır.
CUDA-Q QEC (kuantum hata düzeltme) kütüphanesi, özelleştirilmiş iş akışları oluşturmak ve hata toleransı algoritmalarının performansını test etmek için kullanılabilecek birçok yerleşik QEC kodu sunar.
CUDA-Q Çözücüler kütüphanesi, kara kutu kuantum çözücüleri ve ön işleme yetenekleri sağlayarak, kimyasal simülasyonlar gibi uygulamaların inşasını neredeyse zahmetsiz hale getirir. Bu simülasyonlar, yalnızca GPU süper bilgisayarlarından yararlanarak mümkün olan ölçeklerde çalışmaktadır.
Her bir kütüphane hakkında daha fazla bilgi için NVIDIA CUDA-QX Kütüphaneleri sayfasına göz atabilirsiniz.
Konut Dışında Yüksek Performansa Ulaşmak için İş Birlikleri
NVIDIA, kuantum ekosistemi genelinde uzman geliştiriciler ve araştırmacılar ile iş birliği yapmaktadır. SC24’te duyurulan çeşitli iş birliklerinin önemli noktaları aşağıda yer almaktadır.
Yale Üniversitesi ile Kuantum Dönüştürücüler
Yale Üniversitesi ve NVIDIA, belirli fizikokimyasal özelliklere sahip yeni moleküller üretmek üzere yeni bir kuantum dönüştürücü modeli geliştirmek için iş birliği yapmaktadır. Ekip, CUDA-Q ve onun MQPU arka planını kullanarak dikkat mekanizmasını kuantum devreleri ile uygulayan bir kuantum dönüştürücü modeli geliştirmiştir. CUDA-Q’nın hızlandırması sayesinde eğitim süresi, CPU ile bir haftadan, dört GPU sisteminde sadece birkaç saate düşmüştür (Şekil 2).
Çok sayıda QPU ve NVIDIA A100 GPU’ları kullanarak Perlmutter süper bilgisayarında, QM9 küçük molekül eğitim seti ile tam eğitim yapılmış ve batch boyutu 256 olarak belirlenmiştir. Bu sayede kuantum dönüştürücü modellerin, klasik makine öğrenimi (ML) modelleri ile karşılaştırılmasına olanak tanınmıştır.
Moderna ile Bağlanma Affiniti Sınıflandırması
Klasik ML modelleri, sağlık ve hastalığı anlamak için kritik öneme sahip protein dizilerinden bağlanma motiflerini etkili bir şekilde tanımlayabilir. Ancak, bu modeller ölçeklendikçe eğitim zorlaşır, bu da giderek daha karmaşık biyolojik verilerle başa çıkma yeteneklerini kısıtlar.
Kuantum Sinir Ağları (QNN), daha ifade edici ML modelleri oluşturmak için kuantum işlemcisinin yüksek boyutlu hesaplama alanını kullanarak ilgi çekici, doğru ve verimli bir alternatif sunar. Ancak böyle modellerin eğitimi son derece zordur.
Bu zorlukları azaltmanın bir yolu, bir QNN ile basit bir klasik çıktı katmanını birleştiren kuantum aşırı öğrenme makineleri (QELM) kullanmaktır. Şekil 3, Kuantum Aşırı Öğrenme Makinelerinin Potansiyeli ve Sınırlamaları başlıklı makaleden uyarlanmış bir QELM model mimarisi şemasını göstermektedir.
CUDA-Q platformunu kullanarak, NVIDIA ve Moderna, biyomolekül bağlanma affinitiesini tahmin etmek için bir QELM iş akışı geliştirmektedir. CUDA-Q’nın hızlandırmalı simülasyonları, QELM test seti doğruluklarında iyileştirmeler görmek için gereken büyük qubit sayılarını kullanmamıza olanak tanır. Gelecekteki çalışmalar, QELM yöntemlerinin gerçekçi gürültü koşullarındaki performansını test etmek için yeni CUDA-Q dinamik yeteneklerini kullanacaktır.
Hewlett Packard Enterprise ile Paralel Devre Dokuma Hızı
Kuantum uygulamalarını ölçeklendirmek için bir yaklaşım, kuantum devrelerini çoklu işlemciler arasında paralelleştirip, ardından sonuçları devre dokuma adı verilen bir prosedürle birleştirmektir. NVIDIA, Hewlett Packard Enterprise (HPE) ile birlikte, adaptif devre dokuma doğruluğunu ve verimliliğini artırmak için bir tensor ağı temelli teknik geliştirmeyi amaçlayan yüksek performanslı bir uygulama üzerinde çalışmaktadır (Şekil 4). HPE’den gelen erken sonuçlar, bunun mevcut devre dokuma yöntemlerinin örnekleme verimliliğini bir veya iki mertebe daha iyi performans gösterebilir hale getirdiğine dair güçlü bir potansiyel sergilemiştir.
Ayrık Hataların Giderilmesi ile Algorithmiq İş Birliği
Kuantum hata azaltma, gürültülü kuantum bilgisayarlarının çıktısını işleyerek sonuçları iyileştirmektedir. NVIDIA, Algorithmiq ile birlikte tensor ağları hata azaltma (TEM) tekniklerini hızlandırmak için çalışmaktadır. İlk testler, önceki CPU uygulamalarına göre 300 kat hızlanma göstermiştir. Algorithmiq, önümüzdeki aylarda malzeme bilimi ve siber güvenlik gibi alanlarda hızlandırılmış TEM uygulamalarını sergilemeyi planlamaktadır.
Kuantum Algoritmalarında Eğitim
NVIDIA, Arizona Eyalet Üniversitesi ve Carnegie Mellon Üniversitesi gibi çeşitli üniversiteler ile birlikte CUDA-Q Akademik modülleri geliştirmektedir. Bu modüller, GPU’ların hibrit uygulamaları hızlandırmak için nasıl kullanılacağını vurgulayan ve daha önce yayınlanan Böl ve Fethet MaxCut QAOA ve Kuantum Bilimine Hızlı Giriş modüllerinin devamıdır.
Başlayın
NVIDIA, AI uygulamalarının kuantum bilgisayarlara entegre edilmesi, kuantum donanım simülasyonları, hibrit kuantum-klasik uygulama geliştirme ve sistem entegrasyonu konularında projelerle kuantum ekosisteminin ilerlemesine katkıda bulunmaktadır. Daha fazla bilgi edinmek ve CUDA-Q’yu indirmek için NVIDIA’nın kuantum bilişim sayfasını ziyaret edin ve kendi projeleriniz için hızlandırılmış kuantum süper bilgisayarı ile denemelere başlayın.
