.svg)
Podcast mit Sam Stanwyck, Produktmanager für Quantum Software, NVIDIA
Mein heutiger Gast ist Sam Stanwyck, Senior Product Manager für Quantum Computing bei NVIDIA. Sam und ich sprachen über NVIDIAs Vorstoß in das Quantencomputing, darüber, ob ihr Simulator obsolet wird, wenn größere Quantencomputer auf den Markt kommen, über neue Enterprise-Computing-Architekturen und vieles mehr.
Hier können Sie weitere Podcasts anhören
DIE VOLLSTÄNDIGE ABSCHRIFT FINDEN SIE UNTEN
Yuval Boger (CMO, Classiq): Hallo, Sam. Und danke, dass Sie heute bei mir sind.
Sam Stanwyck (Senior Product Manager, Quanten-Software, NVIDIA): Hallo, Yuval. Schön, hier zu sein.
Yuval: Wer sind Sie und was machen Sie?
Sam: Mein Name ist Sam Stanwyck und ich bin Produktmanager für Quantencomputer bei NVIDIA. NVIDIA entwickelt Tools, um die Simulation von Quantenschaltkreisen zu beschleunigen, und damit auch die Forschung an Quantenalgorithmen und die Quanteninformatik im Allgemeinen.
Yuval: Ist das also die Hauptstoßrichtung im Quantenbereich? Sie bauen keine Computer, richtig? Oder geht es wirklich um die Simulatoren?
Sam: Ja, das ist richtig. Wir bauen also nicht unseren eigenen Quantencomputer. Unser Ziel ist es, das gesamte Ökosystem zu ermöglichen, also Leute, die Quantencomputer bauen, und Leute, die versuchen zu verstehen, was man damit machen kann.
Yuval: Als Sie sich entschlossen haben, dies zu tun, müssen Sie gewisse Herausforderungen für Unternehmen gesehen haben, die in das Quantencomputing einsteigen wollen. Können Sie uns mitteilen, was Sie herausgefunden haben, bevor Sie sich entschlossen haben, dieses Projekt zu starten?
Sam: Sicher. Nun, es gibt, wie Sie wissen, einige Herausforderungen. Da ist zunächst einmal die Tatsache, dass Quantencomputer noch sehr viel besser werden müssen, bevor wir etwas Wertvolles mit ihnen anfangen können. Wir müssen also die Anzahl der Qubits bei Quantencomputern erhöhen. Und, was noch wichtiger ist, die Fehlerraten reduzieren, um nützliche Algorithmen ausführen zu können.
Sam: Aber es gibt auch eine Reihe von Herausforderungen, wenn es darum geht zu verstehen, was wir mit diesen leistungsfähigeren Quantencomputern machen werden, wenn sie erst einmal da sind. Und es wäre bedauerlich, wenn wir große Fortschritte bei der Hardware machen würden und dann nicht wüssten, welche Algorithmen am besten geeignet sind, um den Quantenvorteil zu nutzen.
Sam: Und unser Produkt heißt cuQuantum. Die Idee ist, den Menschen die Möglichkeit zu geben, einfacher Fragen zu beantworten, wie z. B. welche Quantenalgorithmen am besten für den Quantenvorteil bei einem bestimmten Problem geeignet sind. Wie skalieren sie im Vergleich zu den besten klassischen Algorithmen? Wie hoch sind die Anforderungen an die Quantenhardware in Bezug auf Skalierung und Fehlerraten? Und welche Quantenprozessorarchitekturen eignen sich am besten für welche Probleme? Ich denke, das sind die Schlüsselprobleme in diesem Bereich, bei deren Beantwortung wir bei NVIDIA helfen wollen.
Yuval: Wenn ich also die cuQuantum-Bibliothek von NVIDIA verwende, sagen die Leute, dass je nach Verschränkungsgrad und einigen anderen Faktoren etwa 50 Qubits die Grenze sind, ab der man Quantensoftware nicht mehr auf einem klassischen Computer simulieren kann. Ändert sich diese Grenze also mit einer NVIDIA-Bibliothek? Oder sind die Ergebnisse nur ein bisschen schneller als auf einem klassischen Simulator?
Sam: Das ist eine gute Frage. Es gibt also verschiedene Möglichkeiten, einen Quantenschaltkreis zu simulieren. Das, womit die meisten Leute vertraut sind, nennt sich State-Vector-Simulation. Das ist im Grunde eine klassische Brute-Force-Emulation eines Quantencomputers, bei der man den gesamten Zustand des Systems im Speicher hält. Wenn der Zustand also aus N Qubits besteht, ist ein Vektor der Größe zwei mal N erforderlich. Das ist also sehr leistungsfähig, um perfekte oder verrauschte Qubits in beliebiger Tiefe zu simulieren und die Flexibilität zu haben, Dinge wie Messungen in der Mitte des Schaltkreises durchzuführen.
Sam: Aber wie Sie in Ihrer Frage andeuten, liegt die Beschränkung beim Speicher. Auf einem einzelnen Grafikprozessor können normalerweise etwa dreißig Qubits simuliert werden. Und selbst auf einem Supercomputer sind es in der Regel irgendwo in den Vierzigern, nicht mehr als 50 Qubits.
Sam: Aber es gibt alternative Möglichkeiten, Quantenschaltungen zu simulieren. Eine andere Bibliothek in cuQuantum ist auf die Beschleunigung der so genannten Tensornetzwerksimulation ausgerichtet. Die Idee bei der Tensornetzwerksimulation ist es, den Quantenschaltkreis als ein Netzwerk von Tensoren zu modellieren, im Vorfeld eine Optimierung durchzuführen, um einen optimalen Pfad für die Kontraktion dieser Tensoren herauszufinden, und dann den Schaltkreis zu simulieren, indem man die Tensoren einen nach dem anderen kontrahiert. Es stellt sich heraus, dass sich dadurch die Skalierung von der harten Speicheranforderung zur Schwierigkeit in Abhängigkeit von der Tiefe des Schaltkreises und der Verschränkung des Schaltkreises ändert. So stellt sich heraus, dass viele praktische Quantenschaltungen, die für einen kurzfristigen Quantenvorteil in Frage kommen - ich denke dabei insbesondere an Variations-Quantenalgorithmen -, eine ziemlich geringe Tiefe und eine ziemlich geringe Verschränkung aufweisen. Daher kann die Zustandsvektor-Simulation oft überflüssig sein. Und Tensornetzwerke ermöglichen eine Skalierung auf Hunderte oder manchmal sogar Tausende von Qubits, je nach Schaltung.
Yuval: Es gibt einen Zweig der Informatik, der als quanteninspiriert bezeichnet wird und bei dem man sagt: "Nun, wir haben einige Konzepte aus der Quanteninformatik gelernt. Und jetzt werden wir sie auf klassischen Maschinen ausführen." Ist es das, was Sie hier versuchen, nämlich die Notwendigkeit von Quantencomputern für eine bestimmte Reihe von Problemen zu umgehen, wie z. B. die von Ihnen beschriebene VQE?
Sam: Wenn etwas in dieser Richtung dabei herauskommt, wäre das natürlich großartig, aber das ist wirklich nicht unser Ziel. Unser Ziel ist es, Werkzeuge für Menschen zu entwickeln, die Quantencomputer erforschen und entwickeln. Sowohl die Zustandsvektorsimulation als auch die Tensornetzwerksimulation sehe ich als Mittel, um wichtige Fragen schon im Voraus zu beantworten. Wenn wir also 35 perfekte logische Qubits hätten, mit denen wir etwas in beliebiger Tiefe ausführen könnten, was könnten wir dann tun und wie wäre das im Vergleich zu klassischen Methoden? Oder was könnten wir tun, wenn wir Hunderte oder Tausende von verrauschten Qubits hätten und etwas bis zu einer geringen Tiefe ausführen könnten? Und wie würde das im Vergleich zu klassischen Methoden aussehen? Es geht also eher darum, das Ökosystem der Quantenforschung zu beschleunigen.
Yuval: Kann diese Tensornetzwerk-Simulation auch auf nicht-NVIDIA-Hardware ausgeführt werden? Ich meine, könnten wir den gleichen Ansatz wählen und sie einfach klassisch auf einer klassischen CPU laufen lassen?
Sam: Es kann ausgeführt werden. Diese Art von Problemen sind sehr gut für unsere GPUs geeignet. Wenn wir also cuStateVec oder cuTensorNet verwenden, sehen wir im Vergleich zu einem Simulator, der auf einer klassischen oder einer CPU läuft, eine Beschleunigung um mindestens eine Größenordnung und oft mehr. Ich denke also, für einfache Tests, wie das Ausprobieren von Quantenalgorithmen, das Testen kleiner Schaltungen, ist das für CPUs in Ordnung. Aber wenn man die Leistung steigern will, sind GPUs für diese Art von Arbeit sehr gut geeignet, und zwar aus demselben Grund, aus dem sie für Deep Learning geeignet sind.
Yuval: Sehen Sie diese Produktlinie als vorübergehend an? Das heißt, in ein paar Jahren wird es, so hoffen wir, Quantencomputer mit Hunderten oder Tausenden von Qubits geben. Die Qubit-Treue wird besser sein. Der Gatterfehler wird besser sein. Wird es also in ein paar Jahren noch einen Bedarf für eine Bibliothek wie cuQuantum von NVIDIA geben?
Sam: Ja, das ist eine gute Frage. In Bezug auf cuQuantum sehe ich, dass es sogar noch wichtiger wird, aber vielleicht noch gezielter. Im Moment sind wir zwar noch ziemlich weit von den Vorteilen und der Praxis von Quantencomputern entfernt, aber es gibt eine Menge wichtiger Fragen, über die wir gesprochen haben und die die Simulation von Quantenschaltkreisen zu beantworten hilft, da sie den heutigen Quantencomputern in Bezug auf Umfang und Leistung weit voraus ist. Ich denke, mit der Verbesserung der Quantencomputer wird sich dieses Bild allmählich klären, und wir werden ein viel besseres Verständnis dafür haben, wo wir in diesem Bereich wahrscheinlich einen Nutzen sehen werden.
Sam: Und dann wird die Simulation von Quantenschaltkreisen sehr wichtig für spezifischere Probleme sein, z. B. um zu verstehen, welche Optimierung eines Variations-Quantenalgorithmus dazu führen könnte, dass er besser skaliert oder besser für eine bestimmte Molekularsimulation geeignet ist. Oder welche Variante eines Fehlerkorrekturalgorithmus bei einer bestimmten durchschnittlichen kubischen Gattertreue am besten für eine fehlertolerante Quantenberechnung geeignet ist. Ganz zu schweigen davon, dass die Verfügbarkeit von Quantenprozessoren im Vergleich zu klassischen Ressourcen noch lange Zeit begrenzt sein wird. Daher sehe ich, dass Forscher und Entwickler noch lange Zeit den Großteil ihrer Arbeit an Simulatoren verrichten werden.
Yuval: Viele der Quantenalgorithmen, und Sie haben VQE erwähnt, sind hybride Algorithmen, bei denen ein Teil klassisch und der andere auf Quantenbasis läuft. Erlaubt mir cuQuantum dies zu tun, im Grunde den Quanten-Teil auf Ihrem Simulator zu simulieren, aber immer noch klassisch auf einer Allzweck-CPU zu laufen?
Sam: Ja, eine nette Sache an cuQuantum, über die wir noch nicht wirklich gesprochen haben, ist, dass es sehr niedrigschwellig ist. Was also die Simulation von Zustandsvektoren angeht, ist die API für cuQuantum auf der Ebene der Multiplikation der Gattermatrix mit einem Zustandsvektor. Das macht sie sehr flexibel und agnostisch. cuQuantum ist also kein eigener Simulator. Es fügt sich in Simulatoren von Cirq oder Qiskit oder Pennylane ein und beschleunigt sie, ohne zu viel über die Schaltung zu wissen. cuQuantum kann also hybride Algorithmen gut ausführen. Es funktioniert auch mit verrauschten Gattern, und Sie müssen nicht wirklich etwas an Ihrem Code ändern, um es zu nutzen.
Yuval: Um cuQuantum heute zu nutzen, könnte ich also einfach eine Instanz auf AWS bereitstellen und sie wie jede andere GPU-Arbeitslast ausführen?
Sam: Ja. Das ist richtig. Wir haben also eine Integration mit dem Cirq-Framework und dem QSim-Simulator von Google, der heute öffentlich verfügbar ist. Sie können also durch Cirq laufen. Und seit ein paar Wochen bieten wir auch einen Container an, in dem das alles zusammen verpackt ist. Sie können diesen Container also einfach abrufen, bei Ihrem bevorzugten Cloud-Anbieter bereitstellen und ihn wie Cirq ausführen, ohne Änderungen vorzunehmen.
Yuval: Wenn von der Quantenprozessoreinheit QPU die Rede ist, wird oft die Analogie zur GPU verwendet: Wir erwarten nicht, dass Zoom-Meetings auf Quantenprozessoren laufen, aber wir erwarten, dass sie in der Lage sind, bestimmte Rechenaufgaben von der Allzweck-CPU zu übernehmen. Sind Sie mit dieser Analogie einverstanden? Glauben Sie, dass es in Zukunft Dreiergruppen von CPU, GPU und QPU geben wird? Oder wie soll das funktionieren? Wie wird das Ihrer Meinung nach in einer Unternehmensarchitektur aussehen?
Sam: Das ist eine weitere gute Frage. Es gibt also sicherlich einige Parallelen zwischen einer GPU und einer QPU in Bezug auf die Art und Weise, wie sie in eine Unternehmensarchitektur passen, aber auch einige wichtige Unterschiede, die es zu verstehen gilt.
Sam: Und ich schätze, es gibt natürlich eine Reihe von Aufgaben, für die unsere GPU viel besser geeignet ist als eine CPU. Sie kann einen dramatischen Geschwindigkeitszuwachs erzielen. Wir erwarten etwas Ähnliches für eine QPU. Eine weitere Parallele ist, dass es in dem Maße, in dem die Menschen beginnen, Quantencomputer als Teil eines hybriden Rechenzentrums zu nutzen, wirklich wichtig sein wird, über das Modell nachzudenken, wie Quantencomputer zusammen mit klassischen Hochleistungsrechenressourcen programmiert werden, wie es bei GPUs der Fall war, um das Beste aus ihnen herauszuholen.
Sam: Aber bei GPUs sprechen wir auf der Ebene der grundlegenden Physik immer noch über dasselbe Rechenmodell wie bei einer CPU. Die Anwendungen, bei denen ein Grafikprozessor eine Verbesserung bewirken kann, sind also eine extrem breite Palette rechenintensiver Aufgaben. Quantencomputer hingegen sind ein grundlegend anderes Rechenmodell, das auf einer grundlegend anderen Physik beruht. Auf der einen Seite ist das also extrem spannend. Andererseits sind wir noch dabei zu verstehen, wie groß der Raum ist, in dem wir einen praktischen Vorteil von Quantencomputern erwarten, aber wir erwarten, dass er viel kleiner ist. Wir gehen also nicht davon aus, dass QPUs ein Ersatz für Dinge sind, für die GPUs gut sind. Wir sehen sie als eine Art Ergänzung im Rechenzentrum.
Yuval: Das klingt alles faszinierend. Wie kann man mit Ihnen in Kontakt treten, um mehr über Ihre Arbeit zu erfahren?
Sam: Ich bin also am ehesten auf LinkedIn zu finden. Ich glaube, ich bin der einzige Sam Stanwyck auf der Welt. Wenn Sie also meinen Namen suchen, sollte er auftauchen. Und ich würde, ja, gerne mit jedem in Kontakt treten.
Yuval: Das ist großartig. Vielen Dank, dass Sie heute bei mir sind.
Sam: Danke Yuval, es war toll, hier zu sein.
Mein heutiger Gast ist Sam Stanwyck, Senior Product Manager für Quantum Computing bei NVIDIA. Sam und ich sprachen über NVIDIAs Vorstoß in das Quantencomputing, darüber, ob ihr Simulator obsolet wird, wenn größere Quantencomputer auf den Markt kommen, über neue Enterprise-Computing-Architekturen und vieles mehr.
Hier können Sie weitere Podcasts anhören
DIE VOLLSTÄNDIGE ABSCHRIFT FINDEN SIE UNTEN
Yuval Boger (CMO, Classiq): Hallo, Sam. Und danke, dass Sie heute bei mir sind.
Sam Stanwyck (Senior Product Manager, Quanten-Software, NVIDIA): Hallo, Yuval. Schön, hier zu sein.
Yuval: Wer sind Sie und was machen Sie?
Sam: Mein Name ist Sam Stanwyck und ich bin Produktmanager für Quantencomputer bei NVIDIA. NVIDIA entwickelt Tools, um die Simulation von Quantenschaltkreisen zu beschleunigen, und damit auch die Forschung an Quantenalgorithmen und die Quanteninformatik im Allgemeinen.
Yuval: Ist das also die Hauptstoßrichtung im Quantenbereich? Sie bauen keine Computer, richtig? Oder geht es wirklich um die Simulatoren?
Sam: Ja, das ist richtig. Wir bauen also nicht unseren eigenen Quantencomputer. Unser Ziel ist es, das gesamte Ökosystem zu ermöglichen, also Leute, die Quantencomputer bauen, und Leute, die versuchen zu verstehen, was man damit machen kann.
Yuval: Als Sie sich entschlossen haben, dies zu tun, müssen Sie gewisse Herausforderungen für Unternehmen gesehen haben, die in das Quantencomputing einsteigen wollen. Können Sie uns mitteilen, was Sie herausgefunden haben, bevor Sie sich entschlossen haben, dieses Projekt zu starten?
Sam: Sicher. Nun, es gibt, wie Sie wissen, einige Herausforderungen. Da ist zunächst einmal die Tatsache, dass Quantencomputer noch sehr viel besser werden müssen, bevor wir etwas Wertvolles mit ihnen anfangen können. Wir müssen also die Anzahl der Qubits bei Quantencomputern erhöhen. Und, was noch wichtiger ist, die Fehlerraten reduzieren, um nützliche Algorithmen ausführen zu können.
Sam: Aber es gibt auch eine Reihe von Herausforderungen, wenn es darum geht zu verstehen, was wir mit diesen leistungsfähigeren Quantencomputern machen werden, wenn sie erst einmal da sind. Und es wäre bedauerlich, wenn wir große Fortschritte bei der Hardware machen würden und dann nicht wüssten, welche Algorithmen am besten geeignet sind, um den Quantenvorteil zu nutzen.
Sam: Und unser Produkt heißt cuQuantum. Die Idee ist, den Menschen die Möglichkeit zu geben, einfacher Fragen zu beantworten, wie z. B. welche Quantenalgorithmen am besten für den Quantenvorteil bei einem bestimmten Problem geeignet sind. Wie skalieren sie im Vergleich zu den besten klassischen Algorithmen? Wie hoch sind die Anforderungen an die Quantenhardware in Bezug auf Skalierung und Fehlerraten? Und welche Quantenprozessorarchitekturen eignen sich am besten für welche Probleme? Ich denke, das sind die Schlüsselprobleme in diesem Bereich, bei deren Beantwortung wir bei NVIDIA helfen wollen.
Yuval: Wenn ich also die cuQuantum-Bibliothek von NVIDIA verwende, sagen die Leute, dass je nach Verschränkungsgrad und einigen anderen Faktoren etwa 50 Qubits die Grenze sind, ab der man Quantensoftware nicht mehr auf einem klassischen Computer simulieren kann. Ändert sich diese Grenze also mit einer NVIDIA-Bibliothek? Oder sind die Ergebnisse nur ein bisschen schneller als auf einem klassischen Simulator?
Sam: Das ist eine gute Frage. Es gibt also verschiedene Möglichkeiten, einen Quantenschaltkreis zu simulieren. Das, womit die meisten Leute vertraut sind, nennt sich State-Vector-Simulation. Das ist im Grunde eine klassische Brute-Force-Emulation eines Quantencomputers, bei der man den gesamten Zustand des Systems im Speicher hält. Wenn der Zustand also aus N Qubits besteht, ist ein Vektor der Größe zwei mal N erforderlich. Das ist also sehr leistungsfähig, um perfekte oder verrauschte Qubits in beliebiger Tiefe zu simulieren und die Flexibilität zu haben, Dinge wie Messungen in der Mitte des Schaltkreises durchzuführen.
Sam: Aber wie Sie in Ihrer Frage andeuten, liegt die Beschränkung beim Speicher. Auf einem einzelnen Grafikprozessor können normalerweise etwa dreißig Qubits simuliert werden. Und selbst auf einem Supercomputer sind es in der Regel irgendwo in den Vierzigern, nicht mehr als 50 Qubits.
Sam: Aber es gibt alternative Möglichkeiten, Quantenschaltungen zu simulieren. Eine andere Bibliothek in cuQuantum ist auf die Beschleunigung der so genannten Tensornetzwerksimulation ausgerichtet. Die Idee bei der Tensornetzwerksimulation ist es, den Quantenschaltkreis als ein Netzwerk von Tensoren zu modellieren, im Vorfeld eine Optimierung durchzuführen, um einen optimalen Pfad für die Kontraktion dieser Tensoren herauszufinden, und dann den Schaltkreis zu simulieren, indem man die Tensoren einen nach dem anderen kontrahiert. Es stellt sich heraus, dass sich dadurch die Skalierung von der harten Speicheranforderung zur Schwierigkeit in Abhängigkeit von der Tiefe des Schaltkreises und der Verschränkung des Schaltkreises ändert. So stellt sich heraus, dass viele praktische Quantenschaltungen, die für einen kurzfristigen Quantenvorteil in Frage kommen - ich denke dabei insbesondere an Variations-Quantenalgorithmen -, eine ziemlich geringe Tiefe und eine ziemlich geringe Verschränkung aufweisen. Daher kann die Zustandsvektor-Simulation oft überflüssig sein. Und Tensornetzwerke ermöglichen eine Skalierung auf Hunderte oder manchmal sogar Tausende von Qubits, je nach Schaltung.
Yuval: Es gibt einen Zweig der Informatik, der als quanteninspiriert bezeichnet wird und bei dem man sagt: "Nun, wir haben einige Konzepte aus der Quanteninformatik gelernt. Und jetzt werden wir sie auf klassischen Maschinen ausführen." Ist es das, was Sie hier versuchen, nämlich die Notwendigkeit von Quantencomputern für eine bestimmte Reihe von Problemen zu umgehen, wie z. B. die von Ihnen beschriebene VQE?
Sam: Wenn etwas in dieser Richtung dabei herauskommt, wäre das natürlich großartig, aber das ist wirklich nicht unser Ziel. Unser Ziel ist es, Werkzeuge für Menschen zu entwickeln, die Quantencomputer erforschen und entwickeln. Sowohl die Zustandsvektorsimulation als auch die Tensornetzwerksimulation sehe ich als Mittel, um wichtige Fragen schon im Voraus zu beantworten. Wenn wir also 35 perfekte logische Qubits hätten, mit denen wir etwas in beliebiger Tiefe ausführen könnten, was könnten wir dann tun und wie wäre das im Vergleich zu klassischen Methoden? Oder was könnten wir tun, wenn wir Hunderte oder Tausende von verrauschten Qubits hätten und etwas bis zu einer geringen Tiefe ausführen könnten? Und wie würde das im Vergleich zu klassischen Methoden aussehen? Es geht also eher darum, das Ökosystem der Quantenforschung zu beschleunigen.
Yuval: Kann diese Tensornetzwerk-Simulation auch auf nicht-NVIDIA-Hardware ausgeführt werden? Ich meine, könnten wir den gleichen Ansatz wählen und sie einfach klassisch auf einer klassischen CPU laufen lassen?
Sam: Es kann ausgeführt werden. Diese Art von Problemen sind sehr gut für unsere GPUs geeignet. Wenn wir also cuStateVec oder cuTensorNet verwenden, sehen wir im Vergleich zu einem Simulator, der auf einer klassischen oder einer CPU läuft, eine Beschleunigung um mindestens eine Größenordnung und oft mehr. Ich denke also, für einfache Tests, wie das Ausprobieren von Quantenalgorithmen, das Testen kleiner Schaltungen, ist das für CPUs in Ordnung. Aber wenn man die Leistung steigern will, sind GPUs für diese Art von Arbeit sehr gut geeignet, und zwar aus demselben Grund, aus dem sie für Deep Learning geeignet sind.
Yuval: Sehen Sie diese Produktlinie als vorübergehend an? Das heißt, in ein paar Jahren wird es, so hoffen wir, Quantencomputer mit Hunderten oder Tausenden von Qubits geben. Die Qubit-Treue wird besser sein. Der Gatterfehler wird besser sein. Wird es also in ein paar Jahren noch einen Bedarf für eine Bibliothek wie cuQuantum von NVIDIA geben?
Sam: Ja, das ist eine gute Frage. In Bezug auf cuQuantum sehe ich, dass es sogar noch wichtiger wird, aber vielleicht noch gezielter. Im Moment sind wir zwar noch ziemlich weit von den Vorteilen und der Praxis von Quantencomputern entfernt, aber es gibt eine Menge wichtiger Fragen, über die wir gesprochen haben und die die Simulation von Quantenschaltkreisen zu beantworten hilft, da sie den heutigen Quantencomputern in Bezug auf Umfang und Leistung weit voraus ist. Ich denke, mit der Verbesserung der Quantencomputer wird sich dieses Bild allmählich klären, und wir werden ein viel besseres Verständnis dafür haben, wo wir in diesem Bereich wahrscheinlich einen Nutzen sehen werden.
Sam: Und dann wird die Simulation von Quantenschaltkreisen sehr wichtig für spezifischere Probleme sein, z. B. um zu verstehen, welche Optimierung eines Variations-Quantenalgorithmus dazu führen könnte, dass er besser skaliert oder besser für eine bestimmte Molekularsimulation geeignet ist. Oder welche Variante eines Fehlerkorrekturalgorithmus bei einer bestimmten durchschnittlichen kubischen Gattertreue am besten für eine fehlertolerante Quantenberechnung geeignet ist. Ganz zu schweigen davon, dass die Verfügbarkeit von Quantenprozessoren im Vergleich zu klassischen Ressourcen noch lange Zeit begrenzt sein wird. Daher sehe ich, dass Forscher und Entwickler noch lange Zeit den Großteil ihrer Arbeit an Simulatoren verrichten werden.
Yuval: Viele der Quantenalgorithmen, und Sie haben VQE erwähnt, sind hybride Algorithmen, bei denen ein Teil klassisch und der andere auf Quantenbasis läuft. Erlaubt mir cuQuantum dies zu tun, im Grunde den Quanten-Teil auf Ihrem Simulator zu simulieren, aber immer noch klassisch auf einer Allzweck-CPU zu laufen?
Sam: Ja, eine nette Sache an cuQuantum, über die wir noch nicht wirklich gesprochen haben, ist, dass es sehr niedrigschwellig ist. Was also die Simulation von Zustandsvektoren angeht, ist die API für cuQuantum auf der Ebene der Multiplikation der Gattermatrix mit einem Zustandsvektor. Das macht sie sehr flexibel und agnostisch. cuQuantum ist also kein eigener Simulator. Es fügt sich in Simulatoren von Cirq oder Qiskit oder Pennylane ein und beschleunigt sie, ohne zu viel über die Schaltung zu wissen. cuQuantum kann also hybride Algorithmen gut ausführen. Es funktioniert auch mit verrauschten Gattern, und Sie müssen nicht wirklich etwas an Ihrem Code ändern, um es zu nutzen.
Yuval: Um cuQuantum heute zu nutzen, könnte ich also einfach eine Instanz auf AWS bereitstellen und sie wie jede andere GPU-Arbeitslast ausführen?
Sam: Ja. Das ist richtig. Wir haben also eine Integration mit dem Cirq-Framework und dem QSim-Simulator von Google, der heute öffentlich verfügbar ist. Sie können also durch Cirq laufen. Und seit ein paar Wochen bieten wir auch einen Container an, in dem das alles zusammen verpackt ist. Sie können diesen Container also einfach abrufen, bei Ihrem bevorzugten Cloud-Anbieter bereitstellen und ihn wie Cirq ausführen, ohne Änderungen vorzunehmen.
Yuval: Wenn von der Quantenprozessoreinheit QPU die Rede ist, wird oft die Analogie zur GPU verwendet: Wir erwarten nicht, dass Zoom-Meetings auf Quantenprozessoren laufen, aber wir erwarten, dass sie in der Lage sind, bestimmte Rechenaufgaben von der Allzweck-CPU zu übernehmen. Sind Sie mit dieser Analogie einverstanden? Glauben Sie, dass es in Zukunft Dreiergruppen von CPU, GPU und QPU geben wird? Oder wie soll das funktionieren? Wie wird das Ihrer Meinung nach in einer Unternehmensarchitektur aussehen?
Sam: Das ist eine weitere gute Frage. Es gibt also sicherlich einige Parallelen zwischen einer GPU und einer QPU in Bezug auf die Art und Weise, wie sie in eine Unternehmensarchitektur passen, aber auch einige wichtige Unterschiede, die es zu verstehen gilt.
Sam: Und ich schätze, es gibt natürlich eine Reihe von Aufgaben, für die unsere GPU viel besser geeignet ist als eine CPU. Sie kann einen dramatischen Geschwindigkeitszuwachs erzielen. Wir erwarten etwas Ähnliches für eine QPU. Eine weitere Parallele ist, dass es in dem Maße, in dem die Menschen beginnen, Quantencomputer als Teil eines hybriden Rechenzentrums zu nutzen, wirklich wichtig sein wird, über das Modell nachzudenken, wie Quantencomputer zusammen mit klassischen Hochleistungsrechenressourcen programmiert werden, wie es bei GPUs der Fall war, um das Beste aus ihnen herauszuholen.
Sam: Aber bei GPUs sprechen wir auf der Ebene der grundlegenden Physik immer noch über dasselbe Rechenmodell wie bei einer CPU. Die Anwendungen, bei denen ein Grafikprozessor eine Verbesserung bewirken kann, sind also eine extrem breite Palette rechenintensiver Aufgaben. Quantencomputer hingegen sind ein grundlegend anderes Rechenmodell, das auf einer grundlegend anderen Physik beruht. Auf der einen Seite ist das also extrem spannend. Andererseits sind wir noch dabei zu verstehen, wie groß der Raum ist, in dem wir einen praktischen Vorteil von Quantencomputern erwarten, aber wir erwarten, dass er viel kleiner ist. Wir gehen also nicht davon aus, dass QPUs ein Ersatz für Dinge sind, für die GPUs gut sind. Wir sehen sie als eine Art Ergänzung im Rechenzentrum.
Yuval: Das klingt alles faszinierend. Wie kann man mit Ihnen in Kontakt treten, um mehr über Ihre Arbeit zu erfahren?
Sam: Ich bin also am ehesten auf LinkedIn zu finden. Ich glaube, ich bin der einzige Sam Stanwyck auf der Welt. Wenn Sie also meinen Namen suchen, sollte er auftauchen. Und ich würde, ja, gerne mit jedem in Kontakt treten.
Yuval: Das ist großartig. Vielen Dank, dass Sie heute bei mir sind.
Sam: Danke Yuval, es war toll, hier zu sein.
Über "Der Podcast des Qubit-Typen"
Der Podcast wird von The Qubit Guy (Yuval Boger, unser Chief Marketing Officer) moderiert. In ihm diskutieren Vordenker der Quanteninformatik über geschäftliche und technische Fragen, die das Ökosystem der Quanteninformatik betreffen. Unsere Gäste geben interessante Einblicke in Quantencomputer-Software und -Algorithmen, Quantencomputer-Hardware, Schlüsselanwendungen für Quantencomputer, Marktstudien der Quantenindustrie und vieles mehr.
Wenn Sie einen Gast für den Podcast vorschlagen möchten, kontaktieren Sie uns bitte .
