SON DAKİKA

Nvdia

“NVIDIA CUDA-Q ile Kuantum Uygulamaları Araştırmalarını Güçlendirme”

NVIDIA CUDA-Q platformu, hibrit, hızlandırılmış kuantum süperbilgisayarları için yazılım ve donanım geliştirmeyi kolaylaştırmak üzere tasarlanmıştır. Kullanıcılar, kodlarını bir kez yazıp herhangi bir QPU veya simülatörde test edebilir ve iş akışının her aşamasını hızlandırabilir. Bu durum, sonuçları beklemek yerine bilimsel atılımlar yapmaya daha fazla zaman kazandırır.

CUDA-Q v0.10, daha fazla özellik ve artırılmış performans sunarak, önceki sürümlerine kıyasla daha da vazgeçilmez ve esnek hale gelmiştir. Örneğin, kullanıcılar artık Pasqal’ın nötr atom QPU üzerinde işler çalıştırabilir, bu da toplamda dört farklı kuantum bit modülü ile sekiz QPU arka ucu desteklemektedir. CUDA-Q v0.10 ayrıca, NVIDIA Blackwell GPU’ları için de destek sunuyor.

CUDA-Q ile Performans ve Ölçek Kazanma

CUDA-Q performansı, v0.10 sürümü ile NVIDIA GB200 NVL72 desteğiyle daha da ileriye taşınabilir. Bu, Quantum Economic Development Consortium (QED-C) benchmark uygulamaları üzerinden elde edilen performans verileri ile gösterilmektedir. Bu, NVIDIA ile QED-C arasındaki daha geniş bir iş birliğinin parçasıdır ve kuantum bilgisayarların değerlendirilmesi için sanayi metriklerini geliştirmeyi amaçlamaktadır.

QED-C Standartlar ve Performans Metrikleri Teknik Danışma Komitesinin kurucu başkanı Tom Lubinski, “Kuantum değerlendirme çabalarının şeffaf ve önyargısız metriklere doğru ilerlemesi kritik öneme sahip ve NVIDIA ile daha iyi endüstri standartları yönünde çalışmaktan mutluluk duyuyoruz.” dedi. QED-C benchmarking GitHub deposu artık CUDA-Q’yu içeriyor, böylece kullanıcılar, hazırlanmış bir dizi standart uygulama üzerinde simülasyon performansını test edebilirler.

Tüm platformun, CUDA-Q ile Blackwell üzerinden sunduğu güç, HamLib datasetinden Hamiltonyan simülasyonları için QED-C benchmarklarıyla gösterilmektedir. HamLib, kimya ve optimizasyon problemleri gibi çeşitli sorunlar için Hamiltonyan’lar içermektedir. 33-qubit bir durum vektörü simülasyonu, tek bir NVIDIA GB200 (her çip başına iki Blackwell GPU) üzerinde, bir 192-core 2-socket EPYC CPUya göre 34 kat daha hızlıdır. Ayrıca, önceki nesil NVIDIA GH200 Grace Hopper Superchip‘e göre 2 kat daha hızlıdır. Bu, bir haftalık simülasyonların birkaç saat içinde gerçekleştirilebileceği anlamına gelir, böylece verimlilik önemli ölçüde artar.

A graph of NVIDIA GB200 with NVLink and NVIDIA GH200 with InfiniBand speedups versus a 196-core CPU with increasing number of GPUs. With 32 GPUs, GB200 is 4x faster than GH200.
Şekil 1. CUDA-Q durum vektörü simülasyon performansı

GB200’ün en büyük avantajları, GPU’lar arasında tam bağlantı sağlanmasıdır. Bu, NVIDIA GB200 NVL72 platformunun, tüm 72 GPU ile CUDA-Q simülasyonlarını hızlandırıp ölçeklendirmesine olanak tanır.

32 GPU ile yapılan benchmarklara dayalı olarak, kullanıcılar 33-qubit simülasyonlarının hızını 10 kat artırabilir ve tek bir Blackwell GPU’da geçirdikleri süreyi dakikalarla sınırlı bir süreye düşürebilirler. Alternatif olarak, 32 GPU hafızasını bir havuzda toplayarak 38 qubit’e kadar daha etkili büyük ölçekli simülasyonlar yapabilirler. Bu durumda, yüksek bant genişliğine sahip NVLink bağlantılarının avantajları belirginleşir; zira GB200 NVL72 sistemi, önceki InfiniBand bağlantılı GH200 çiplerine göre 6 kat daha hızlıdır.

Yeni duyurulan NVIDIA Hızlandırılmış Kuantum Araştırma Merkezi (NVAQC), sekiz GB200 NVL72 sistemini birleştirerek toplamda 576 GPU’dan oluşan güçlü bir süperbilgisayar oluşturma amacındadır. Bu, CUDA-Q ile önemli kuantum bilgisayarları atılımlarını kolaylaştırmaya yardımcı olacaktır.

Kuantum araştırmacıları ve geliştiricileri, endüstri ve akademi çevrelerinde CUDA-Q‘nun gücünü fark ederek, şu ana kadar geliştirilen en ileri kuantum uygulamalarını yaratmaktadırlar. Bu yazıda, NVIDIA ortaklarının, kimyasal simülasyondan görüntü işlemeye kadar geniş bir yelpazede nasıl CUDA-Q ile çalışmalarını hızlandırdığına dair bilgiler sunulmaktadır.

CUDA-Q ile Sorunsuz Uçtan Uca İş Akışları

NVIDIA, IonQ, Amazon ve AstraZeneca, CUDA-Q kullanarak Amazon Braket içinde hızlandırılmış bir kuantum kimyası iş akışı oluşturmuşlardır. Amaç, ilaç moleküllerinin sentezinde önemli bir reaksiyon olan nickel-katalizli Suzuki-Miyaura Çapraz Bağlama reaksiyonu‘nu modellemektir.

Quantum-Classical Auxiliary Field Quantum Monte Carlo (QC-AFQMC) adı verilen bir teknik kullanarak, bu sorun, kuantum donanımı ile AI süperbilgisayarlarının gücünü birleştirerek ele alınabilir. CUDA-Q‘nun bu tür çalışmaları desteklemesi, AstraZeneca‘nın kimyasal reaktivite ve kuantum hesaplamaları üzerine daha geniş soruları araştırmasına önemli bir keşif zemin sağlamaktadır.

İş akışı, CUDA-Q, IonQ Forte kuantum bilgisayarı ve NVIDIA H200 Tensor Core GPU’ları ile Amazon Braket ve AWS ParallelCluster aracılığıyla çalışmaktadır. Kuantum ve klasik olarak iki şekilde ayrılmıştır. İlk olarak, yaklaşık bir temel durum hazırlamak için 32-qubit varyasyonel kuantum özdeğeri çözücü (VQE) kullanılmaktadır. Bu durumun klasik temsilinin, Matchgate Shadows adı verilen bir tomografi tekniği ile çıkarılması gerekmektedir. Bu çıktı daha sonra klasik olarak işlenir ve temel durum enerjisini daha da rafine etmek için bir AFQMC prosedüründe kullanılır.

A plot demonstrating the AFQMC workflow for a 32-qubit system. VQE is run first and begins to converge. The AFQMC procedure then refines the ground state energy.
Şekil 2. VQE konverjansını (mavi) ve AFQMC prosedürü ile ince ayar yapılmasını (turuncu) gösteren örnek grafik

Klasik kısmın hızlandırılması, ekibin tüm iş akışında iyileştirmeleri test etme hızını önemli ölçüde artırmıştır.

Benzer bir iş akışı, kuantum uygulamalarına yönelik AI geliştirirken de avantajlıdır. Bu uygulamalar arasında, generative quantum eigensolver (GQE) ve yeni yayımlanan çalışmalar, GQE‘yi kombinatoriyel optimizasyon problemleri için devreler üretmek üzere genişletmektedir.

CUDA-Q, bu tür hibrit algoritmalar araştırması için hem topluluk donanım entegrasyonlarını, hem de gerekli performansı sunan tek platformdur. CUDA-Q‘nun genişlemesi, sürekli artan yazılım ve donanım entegrasyonları ile, yeni uygulamaları hızlandırmayı giderek daha erişilebilir hale getiriyor.

Çoklu GPU Hızlandırması ile Ölçekleme

CUDA-Q, hibrit uygulama geliştirmekte sınırları zorluyor. CUDA-Q kernel tabanlı programlama modeli, denemeleri hem paralelleştirmeye hem de ölçeklemeye olanak tanır. Bu da daha hızlı geliştirme döngüleri ve daha etkili sonuçlar elde edilmesini sağlar. Bu nedenle, sanayi ve akademik ortaklar iş yüklerini CUDA-Q’ya taşımaktadır.

Aramco, görüntü işleme uygulamaları için hibrit iş akışları geliştirmektedir. Amaç, üç boyutlu görüntüler içinde nesne sınırlarını tanımlayabilecek bir kuantum iş akışına sahip olmaktır; bu, büyük coğrafi görüntülerin analizi gibi birçok uygulama için önemli bir araçtır.

Klasik kenar tespiti, her pikselin ayrı ayrı işlenmesi gerektiği için üssel olarak ölçeklenir. Kuantum yaklaşımları, bir 2N piksel görüntünün yalnızca n+1 qubit kullanılarak verimli bir şekilde kodlanabilmesine olanak tanır (Şekil 3). Bu, yüksek çözünürlüklü görüntüleri işlemek için potansiyel olarak üssel hız artışı sağlar.

Flow diagram showing how an image is encoded as a set of qubits from which QHED can be simulated on multiple GPUs in parallel, one simulation for each spatial dimension. Postprocesses result in a visualization of object boundaries in the original image.
Şekil 3. Bir görüntü qubitler olarak kodlandığında QHED, her uzaysal boyutu paralel olarak tanımlamak için kullanılabilir. Görüntü kredisi: Derin Ağlar Olmadan Uydu Görüntüleri için Kenar Tespiti

CUDA-Q MQPU arka ucu, bu algoritmanın birden fazla GPU simülasyonlu QPU ile paraleleştirilmesine olanak tanır; böylece her bir uzaysal boyut için bir sanal QPU kullanılır. Bu, algoritma testlerinin geliştirme döngülerini önemli ölçüde kısaltır.

CUDA-Q MQPU arka ucu, kullanıcıların uygulamalarını gelecekteki farklılaştırılmış hızlandırılmış kuantum süperbilgisayarları için geliştirirken, çoklu QPU içerecek şekilde tasarlamalarına imkan tanır. Bu ön görüş, NVIDIA ve HPE arasında devam eden diğer projelerin kilit motivasyonudur.

NVIDIA GTC 2025‘te, Hewlett Packard Enterprise (HPE) büyük kuantum devrelerinin hızlandırılmış kuantum süperbilgisayarları arasında dağıtım yöntemlerini araştırdığı sonuçları duyurdu. Bu, Nasıl Bir Kuantum Süperbilgisayarı Yapılır: Yüzlerce Kuantum Bitinden Milyonlarca Qubit’e Ölçeklenme başlıklı yeni yayımlanan bir pozisyon belgesinin merkezi bir temasını oluşturmaktadır.

HPE ekibi, büyük devreleri küçük QPU’lar arasında dinamik bir şekilde bölmek için en iyi kesimlerin yapılmasına olanak sağlayan adaptif devre kesimi (ACK) yöntemleri geliştiriyor. Bu, devre kesiminden kaynaklanan maliyetleri minimize eden bir yöntemdir ve alt devrelerin birden fazla kuantum işlemcisi veya AI süperbilgisayarları üzerinde çalıştırılmasına olanak tanır (Şekil 4).

A Diagram demonstrating how ACK can cut a quantum circuit and distribute it across CPUs, GPUs, and QPUs before knitting the results back together.
Şekil 4. Devre kesimi, kuantum devre değerlendirmelerinin CPU’lar, GPU’lar ve QPU’lar arasında dağıtımına olanak tanır. Görüntü kaynağı: Nasıl Bir Kuantum Süperbilgisayarı Yapılır: Yüzlerce Kuantum Bitinden Milyonlarca Qubit’e Ölçeklenme

ACK algoritmasını ölçeklendirerek test etmek için büyük ölçekli durum vektörü simülasyonları gereklidir. Bu simülasyonlar, alt devrelerden gelen sonuçların başlangıçta niyet edilen devre ile uyumlu olmasını sağlamak için gereklidir. Bu doğrulama, CUDA-Q MGPU arka ucu tarafından desteklenmektedir; böylece HPE, NERSC’nin Perlmutter süperbilgisayarında 1024 GPU üzerinde 40 qubit simülasyonları gerçekleştirebilir. Tüm bu simülasyonlar, 34 dakikada tamamlanmakta olup bazıları 12 dakika gibi hızlı bir süre alabilmektedir ve bu simülasyonlar bir CPU üzerinde gerçekleştirilmesi mümkün olmayan işlemlerdir.

CUDA-Q, ayrıca ACK testinin, birçok alt devreyi birden fazla GPU-simüle edilmiş QPU arasında dağıtımını kolaylaştırarak hızlandırılmasına imkan tanır.

CUDA-Q ile Hızla Başlayın

CUDA-Q tasarımının önemli bir özelliği, kullanım kolaylığıdır. Performansı, ölçeklenebilirliği ve esnekliği, kuantum uzmanlarıyla sınırlı olmayıp, ilk kez kuantum öğrenen herkesin erişimine açıktır. NVIDIA CUDA-Q Akademik girişimi, başlamayı daha da kolaylaştırmaktadır.

CUDA-Q Akademik, 25’ten fazla önde gelen üniversiteyle ortaklık kurarak, nitelikli bir kuantum iş gücünün geliştirilmesine yardımcı olmaktadır. King Abdullah Bilim ve Teknoloji Üniversitesi (KAUST) ile yapılan son bir işbirliği, önceden belirlenmiş bir çalışma ile etkinliğini göstermiştir. Bu, sembolik analizin temel konseptlerinin uygulamalı olarak keşfedilmesini sağlayan etkileşimli bir atölye kapsamında gerçekleştirilmiştir.

Bu atölye, CUDA-Q ile GPU’lar üzerinde uygulamalar çalıştırmaya kadar bilgiye sahip olmadan kuantum hesaplamayı öğrenmeye olanak tanıyan NVIDIA’nın Hızlı Kuantum Hesaplama serisi temelinde yapılandırılmıştır.

An animation of a quantum quantum walk with a dynamically updated distribution of results and converging optimization error plot.
Şekil 5. NVIDIA’nın Hızlı Kuantum Hesaplama serisi, başlangıç seviyesindeki öğrencilere ileri düzey kuantum kavramlarını öğretmek için etkileşimli materyaller içerir.

KAUST Uygulamalı Matematik ve Hesaplama Bilimleri Profesörü olan ve KAUST Ekstrem Hesaplama Araştırma Merkezi’nin direktörü David Keyes, NVIDIA’nın Hızlı Kuantum Hesaplama serisini “Hiçbir kuantum bilgisine sahip olmadan, birkaç kısa oturum içinde GPU’lar üzerinde uygulamalar çalıştırmaya geçiş yapabilmenin tatmin edici bir deneyimi olduğunu” belirtmiştir. NVIDIA CUDA-Q kullanımıyla, hibrit uygulamaları hızlandırmanın pratik yönlerini anlama konusunda harika bir kaynak sağlamaktadır.

Bu eğitici materyallerin yanı sıra, QAOA ile max cut’a ilişkin devre kesimi gibi daha ileri düzey materyaller de, açık bir şekilde CUDA-Q Akademik GitHub deposunda bulunmaktadır. Bu depo, yüksek performanslı hesaplama ve kuantum hesaplama becerilerini geliştirmeye yönelik değerli yollar sağlar.

Daha Fazla Bilgi Edinin

NVIDIA CUDA-Q platformu, hibrit uygulamalar geliştirmede performansı, esnekliği ve kolaylığıyla endüstri standardı haline gelmektedir. Bu durum, NVIDIA GTC 2025’te çeşitli sonuçlar üreten kuantum topluluğu üyeleri tarafından yapılan birçok duyurudan da net bir şekilde görülmektedir.

Kendi hibrit uygulamalarınızı tasarlamak ve CUDA-Q belgeleri içinde yer alan birçok örneği denemek için CUDA-Q yükleyebilirsiniz. Kuantum hesaplama geliştirmeyi hızlandırmak için üzerinde çalıştığınız tüm araçlar hakkında daha fazlasını öğrenmek için NVIDIA Kuantum sayfasını ziyaret edebilirsiniz.

Kaynak

Nvdia Blog

Düşüncenizi Paylaşın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

İlgili Teknoloji Haberleri