Художнє відтворення процесора Google. Авторство: Форест Стернс, Google AI Quantum Artist in Residence
Лабораторія квантової обробки інформації CPQM співпрацювала з командою суперкомп’ютерів CDISE “Жорес” для емуляції квантового процесора Google. Відтворюючи безшумні дані за тією ж статистикою, що й нещодавні експерименти Google, команда змогла вказати на тонкий ефект, що приховується в даних Google. Цей ефект, який називається дефіцитом досяжності, був виявлений командою Сколтеху у своєму минула робота. Цифри підтвердили, що дані Google були на межі так званої лавини, що залежить від щільності, що означає, що майбутні експерименти вимагатимуть значно більше квантових ресурсів для виконання квантової наближеної оптимізації. Результати опубліковані в провідному журналі галузі Квантова.
З перших днів чисельних обчислень квантові системи було надзвичайно важко імітувати, хоча точні причини цього залишаються предметом активних досліджень. Тим не менш, ця, очевидно, притаманна класичному комп’ютеру складність емуляції квантової системи спонукала кількох дослідників перевернути наратив.
Такі вчені, як Річард Фейнман і Юрій Манін, на початку 1980-х років припустили, що невідомі інгредієнти, які, здається, ускладнюють імітацію квантових комп’ютерів за допомогою класичного комп’ютера, самі по собі можуть бути використані як обчислювальний ресурс. Наприклад, квантовий процесор повинен добре моделювати квантові системи, оскільки вони керуються тими самими основними принципами.
Такі перші ідеї зрештою призвели до того, що Google та інші технологічні гіганти створили прототипні версії довгоочікуваних квантових процесорів. Ці сучасні пристрої схильні до помилок, вони можуть виконувати лише найпростіші квантові програми, і кожен розрахунок потрібно повторювати кілька разів, щоб усереднити помилки, щоб зрештою сформувати наближення.
Серед найбільш вивчених застосувань цих сучасних квантових процесорів — алгоритм квантової наближеної оптимізації, або QAOA (вимовляється як «kyoo-ay-oh-AY»). У серії драматичних експериментів Google використовував свій процесор, щоб перевірити продуктивність QAOA за допомогою 23 кубітів і трьох настроюваних кроків програми.
У двох словах, QAOA — це підхід, який спрямований на наближене вирішення проблем оптимізації на гібридній установці, що складається з класичного комп’ютера та квантового співпроцесора. Прототипи квантових процесорів, таких як Sycamore від Google, наразі обмежені для виконання шумних і обмежених операцій. Використовуючи гібридну установку, ми сподіваємося пом’якшити деякі з цих систематичних обмежень і все ж відновити квантову поведінку, щоб скористатися перевагами, роблячи такі підходи, як QAOA, особливо привабливими.
Вчені Сколтеху нещодавно зробили низку відкриттів, пов’язаних із QAOA, див., наприклад, опис тут. Основним серед них є ефект, який фундаментально обмежує застосовність QAOA. Вони показують, що щільність оптимізаційної проблеми — тобто співвідношення між її обмеженнями та змінними — виступає основною перешкодою для досягнення наближених рішень. Для подолання цього обмеження продуктивності потрібні додаткові ресурси з точки зору операцій, які виконуються на квантовому співпроцесорі. Ці відкриття були зроблені за допомогою ручки та паперу та дуже маленьких емуляцій. Вони хотіли побачити, чи ефект, який вони нещодавно виявили, проявляється в недавньому експериментальному дослідженні Google.
Тоді лабораторія квантових алгоритмів Сколтеху звернулася до команди суперкомп’ютерів CDISE під керівництвом Олега Панаріна щодо значних обчислювальних ресурсів, необхідних для емуляції квантового чіпа Google. Співробітник лабораторії Quantum, старший науковий співробітник доктор Ігор Захаров разом із кількома іншими працював над перетворенням існуючого програмного забезпечення для емуляції у форму, яка дозволяє паралельні обчислення на Zhores. Через кілька місяців команді вдалося створити емуляцію, яка виводить дані з тим самим статистичним розподілом, що й Google, і продемонструвала діапазон щільності екземплярів, при якому продуктивність QAOA різко знижується. Крім того, вони виявили, що дані Google лежать на межі цього діапазону, за яким поточний рівень техніки не буде достатнім для отримання будь-якої переваги.
Команда Сколтеху спочатку виявила, що дефіцит досяжності — обмеження продуктивності, спричинене співвідношенням обмеження до змінної проблеми — був присутній для проблеми, що називається максимальною задовільністю обмежень. Google, однак, розглянув мінімізацію графіків енергетичних функцій. Оскільки ці проблеми належать до одного класу складності, це дало команді концептуальну надію, що проблеми, а згодом і ефект, можуть бути пов’язані. Ця інтуїція виявилася вірною. Дані були згенеровані, і результати чітко показали, що дефіцит доступності створює ефект лавини, ставлячи дані Google на край цього швидкого переходу, за яким довші та потужніші схеми QAOA стають необхідністю.
Олег Панарін, менеджер з обробки даних та інформаційних служб Сколтеху, прокоментував: «Ми дуже раді бачити, що наш комп’ютер досяг такого екстремуму. Проект був тривалим і складним, і ми працювали рука об руку з квантовою лабораторією, щоб розробити цю структуру. Ми вважаємо, що цей проект закладає основу для майбутніх демонстрацій такого типу з використанням Жореса».
Ігор Захаров, старший науковий співробітник Сколтеху, додав: «Ми взяли існуючий код від Акшая Вішванатахана, першого автора цього дослідження, і перетворили його на програму, яка працює паралельно. Безумовно, це був хвилюючий момент для всіх нас, коли нарешті з’явилися дані, і ми мали таку саму статистику, як Google. У цьому проекті ми створили програмний пакет, який тепер може емулювати різноманітні найсучасніші квантові процесори з цілих 36 кубітами та дюжиною рівнів».
Акшай Вішванатахан, аспірант Сколтеху, зробив висновок: «Пройти повз кілька кубітів і шарів у QAOA було надзвичайно складним завданням у той час. Внутрішнє програмне забезпечення для емуляції, яке ми розробили, могло працювати лише з іграшковими моделями, і я спочатку відчув, що цей проект, незважаючи на захоплююче завдання, виявиться майже неможливим. На щастя, я був серед групи оптимістичних і бадьорих однолітків, і це ще більше спонукало мене дотримуватись і відтворювати безшумні дані Google. Безумовно, це був момент великого хвилювання, коли наші дані збіглися з даними Google із подібним статистичним розподілом, з чого ми нарешті змогли побачити наявність ефекту».
Довідка: «Дефіцити досяжності в квантово-наближеній оптимізації графових задач», В. Акшай, Х. Філатонг, І. Захаров і Дж. Біамонте, 30 серпня 2021 р., Квантовий.
DOI: 10.22331/q-2021-08-30-532
