Quantum işlemci birimleri (QPU) üreticileri ve algoritma geliştiricileri, ticari olarak uygulanabilir büyük ölçekli kuantum süper bilgisayarlar oluşturma çabalarında, kuantum hata düzeltme (QEC) konusuna yoğunlaşmaktadır. Bu alan, mevcut kuantum bilgisayar araştırmalarında en büyük fırsat ve en büyük zorluğu temsil etmektedir.
CUDA-Q QEC, araştırmacıların QEC deneylerini hızlandırmak amacıyla, tamamen hızlandırılmış, uçtan uca iş akışlarının hızlı bir şekilde oluşturulmasına olanak tanır. İş akışı, yeni kodların tanımlanması ve simülasyonu ile başlar; devre seviyesinde gürültü modelleri oluşturulur ve gerçekçi çözücüler yapılandırılır. Tüm bu bileşenlerin kullanıcı tanımlı olmasını sağlayan kapsamlı bir API ile CUDA-Q QEC geliştirilmiştir. CUDA-QX 0.4 sürümünde bu iş akışının ana bileşenlerini oluşturdum.
Bu blogda en büyük yeni özellikleri sizlerle paylaşacağız. Ayrıca, kapsamlı sürüm notlarını GitHub’da bulabilirsiniz; burada devam eden gelişmeleri takip edebilir, geri bildirim verebilir ve katkıda bulunabilirsiniz.
Belirleyici Hata Modeli (DEM) Oluşturma
QEC iş akışındaki ilk adım, ilişkili bir gürültü modeli ile birlikte bir QEC kodu tanımlamaktır.
QEC kodları, nihayetinde stabilizör ölçümleri aracılığıyla uygulanır ve bu ölçümler kendileri gürültülü kuantum devreleridir. Birçok stabilizör turunun etkili bir şekilde dekodlanması, bu devrelerin bilgisine, her ölçümün bir stabilizörle (belirleyici) eşleştirilmesine ve her devrede ortaya çıkabilecek fiziksel hataların olasılığının önceden tahmin edilmesine ihtiyaç duyar. Belirleyici hata modeli (DEM), Stim (Quantum, 2021) aracılığıyla geliştirilen, bu kurulumu tanımlamak için faydalı bir yöntem sunmaktadır.
CUDA-QX 0.4 sürümü itibarıyla, belirlenen bir QEC devresi ve gürültü modelinden otomatik olarak DEM oluşturabilirsiniz. Bu DEM, hem devre örnekleme simülasyonunda hem de oluşan sendromları çözmek için standard CUDA-Q QEC çözücü arayüzü kullanılarak kullanılabilir. Bellek devreleri için gereken tüm mantık, zaten CUDA-Q QEC API’si ile sağlanmıştır.
CUDA-Q QEC’deki DEM’ler hakkında daha fazla bilgi için C++ API ve Python API dokümantasyonuna ve örneklere göz atabilirsiniz.
Tensor Ağı ile Maksimum Olasılık Çözümü
Kuantum hata düzeltme çözümlerinde tensor ağlarının kullanımı birçok avantaj sunmaktadır. Diğer algoritmik ve yapay zeka çözücülerine kıyasla, tensor ağ çözücüleri anlaşılması kolaydır. Bir kod için tensor ağı, Tanner grafi üzerine kuruludur ve bir sendroma göre bir mantıksal gözlemin tersine dönme olasılığını hesaplamak için sıkıştırılabilir. Bu çözücülerin doğruluğu garantilidir ve eğitim gerektirmemektedir (ancak eğitimden yararlanabilirler). Mevcut durumda, araştırmalar için standart bir tensor ağı çözümü sunan açık erişimli bir uygulama bulunmamaktadır.
CUDA-QX 0.4, Python 3.11 ve sonrası için destek sunan bir tensor ağı çözücüyü tanıtmaktadır. Bu çözücü, aşağıdaki özelliklere sahiptir:
- Esneklik: Tek gerekli girdi, bir parite kontrol matrisidir; bu, kullanıcıların devre seviyesi gürültü ile farklı kodları çözmelerine olanak tanır.
- Doğruluk: Tensor ağları tam olarak sıkıştırılır. Bu nedenle, çözücü teorik optimum çözüme ulaşır (aşağıdaki Şekil 2’ye bakın).
- Performans: GPU hızlandırmalı cuQuantum kütüphanelerinden yararlanarak, kullanıcılar sıkıştırma ve yol optimizasyonları performansını önceki boyutların ötesine taşıyabilir.
Aşağıdaki Şekil 2’de, CUDA-Q QEC tensor ağı çözücüsünün, açık kaynak verileri kullanarak mantıksal hata oranını (LER) gösteriyoruz. NVIDIA tensor ağı çözücüsü, açık kaynak olan Google’ın çözücüsü ile LER paritesine ulaşmaktadır.
Tensor ağı çözücüsü ile ilgili daha fazla bilgi için Python API dokümantasyonuna ve örneklere bakabilirsiniz.
BP+OSD Çözücüsünde Yeni Gelişmeler
CUDA-QX 0.4, GPU hızlandırmalı Belief Propagation + Sıralı İstatistiksel Çözümleme (BP+OSD) uygulamasında birkaç iyileştirme sunmaktadır. Bu iyileştirmeler, kullanım esnekliği ve izleme yeteneklerini artırmaktadır:
Uyarlanabilir Yakınsama İzleme
Iter_per_check, BP yakınsama kontrol aralıklarını yapılandırılabilir hale getirir. Varsayılan olarak bir iterasyona ayarlı olan bu parametre, kullanıcı tarafından belirlenen maksimum iterasyon limitine kadar artırılabilir, böylece sık sık yakınsama kontrollerinin gerekli olmadığı durumlarda yük azaltılabilir.
Sayısal Kararlılık için Mesaj Kırpma
clip_value, BP’de olası sayısal belirsizlikleri ele alır; bu özellik, kullanıcıların mesajların aşırı büyümesine neden olabilecek büyük değerlerin oluşumunu önlemek için negatif olmayan bir eşik değeri belirlemelerine olanak tanır. 0.0 (varsayılan) olarak ayarlandığında, kırpma devre dışı bırakılır ve geriye dönük uyumluluk korunur. Kırpmanın aşırı olmasının BP’nin performansını etkileyebileceğini unutmayın.
BP Algoritma Seçimi
bp_method, kullanıcılara iki BP algoritmasından birini seçme şansı sunar. sum-product, çoğu senaryo için sağlam bir performans sunan geleneksel bir yaklaşımdır. min-sum, belirli durumlarda daha hızlı yakınsama sağlayabilen hesaplamalı olarak verimli bir alternatiftir.
Min-Sum Optimizasyonu için Dinamik Ölçekleme
scale_factor, min-sum algoritmasını uyarlanabilir ölçekleme yetenekleri ile geliştirmektedir. Kullanıcılar sabit bir ölçek faktörü belirleyebilir (varsayılan 1.0) veya dinamik hesaplama için 0.0 olarak ayarlayabilir; bu durumda değişkenler, iterasyon sayısına göre otomatik olarak belirlenir.
Sonuç İzleme
opt_results ile bp_llr_history, araştırmacıların ve geliştiricilerin BP’nin dekodlama süreci boyunca log-likelihood oranlarının (LLR) evrimini takip etmelerini sağlayan günlüğe alma yetenekleri sunmaktadır. Kullanıcılar, tarihçe derinliğini 0 ile maksimum iterasyon sayısı arasında yapılandırabilir.
CUDA-Q QEC’nin BP+OSD çözümü hakkında daha fazla bilgi için en son Python API veya C++ API dökümanlarına ve detaylı örneklere göz atabilirsiniz.
AI Destekli Kuantum Devre Tasarımı için Üretken Kuantum Eigensolver (GQE)
CUDA-QX 0.4, Solvers kütüphanesine Üretken Kuantum Eigensolver (GQE) için kutudan çıkar çıkmaz bir uygulama ekler. Bu algoritma, kayıp fonksiyonu ile ilgili devam eden araştırmaların konusudur. Mevcut örnek, küçük ölçekli simülasyon için uygun bir maliyet fonksiyonu sunar.
GQE, üretken yapay zeka modelleri kullanarak kuantum Hamiltonyanlarının öz durumu (özellikle taban durumları) bulmak için hybrid bir algoritmadır. Variational Quantum Eigensolver (VQE) ile karşılaştırıldığında, bu yöntem tüm program tasarımını klasik bir AI modeline aktarır ve geleneksel VQE yaklaşımlarındaki yakınsama sorunlarını hafifletme potansiyeline sahiptir. Bu durum, barren plateaus gibi sorunları çözebilme anlamında önemli bir avantaj sağlar.
Uygulamamız, Üretken Kuantum Eigensolver (GQE) ve Yeraltı Durumu Arayışı için Uygulamaları başlıklı çalışmaya dayanan bir Transformer modeli kullanmaktadır ve daha önceki bir NVIDIA teknik blogunda GPT ile Kuantum Algoritma Tasarımını İlerletmek başlığıyla detaylandırılmıştır.
GQE algoritması aşağıdaki adımları takip eder:
- İlkin veya önceden eğitilmiş bir üretken model yükleyin.
- Aday kuantum devreleri oluşturun.
- Devre performansını hedef Hamiltonyan üzerinde değerlendirin.
- Sonuçlara göre üretken modeli güncelleyin.
- Üretim ve optimizasyon süreçlerini yakınsamaya ulaşana kadar tekrarlayın.
GQE’nin Solvers uygulamasındaki detaylı bilgileri için Python API dökümantasyonuna ve örneklere göz atabilirsiniz.
Sonuç
CUDA-QX 0.4 sürümü, Solvers ve QEC kütüphanelerinde birçok yeni özellik sunmaktadır. Bunlar arasında geliştirilen Üretken Kuantum Eigensolver (GQE), yeni bir tensor ağı çözücü ve gürültülü CUDA-Q bellek devrelerinden otomatik olarak belirleyici hata modelleri oluşturan yeni bir API yer almaktadır.
Daha fazla detay için GitHub depolama alanına ve belgelere göz atabilirsiniz.
