NVIDIA 推动混合量子/HPC 数据中心

在德国汉堡举行的 ISC 高性能 HPC 活动期间，NVIDIA 提供的众多教程之一侧重于量子计算，或者更具体地说，是混合量子计算机。 NVIDIA 专注于量子计算，并于 XNUMX 月在 GTC 上发布了几项公告。 他们在 ISC 延续了这一趋势，展示了 cuQuantum。

量子计算有可能突破严峻的挑战，在从药物发现到天气预报的各个领域取得进步。 HPC 的未来在很大程度上取决于量子计算所扮演的角色。

量子模拟

今天的超级计算机正在大规模模拟量子计算工作，其性能水平超出了当今相对较小、容易出错的量子系统的范围。 许多量子组织使用 NVIDIA cuQuantum 软件开发套件来加速他们在 GPU 上的量子电路模拟。

最近，AWS 宣布在其 Braket 服务中提供 cuQuantum，并展示了 cuQuantum 如何在量子机器学习工作负载上提供高达 900 倍的加速。

cuQuantum 支持在主要量子框架上加速通勤，包括谷歌的 qsim、IBM 的 Qiskit Aer、Xanadu 的 Penny Lane 和 Classiq 的量子算法设计平台。 这些框架的用户无需额外编码即可访问 GPU 加速。

作为一个实际示例，药物发现初创公司 Menten AI 将使用 cuQuantum 的张量网络库来模拟蛋白质相互作用并优化新药物分子。 Menten AI 旨在利用量子计算的潜力来加速药物设计，并正在开发一套量子计算算法，包括量子机器学习，以突破治疗设计中的计算要求高的问题。

打造量子链接

量子系统发展的下一步是转向混合系统，开发协同工作的量子计算机和经典计算机。 研究人员对系统级量子处理器 (QPU) 有着共同的愿景，它可以充当一类功能强大的新型加速器。

将经典系统和量子系统连接成混合量子计算机包括两个主要部分。

首先是开发 GPU 和 QPU 之间的低延迟、快速连接，让混合系统使用 GPU 进行电路优化、校准和纠错等经典工作。 GPU 在这方面表现出色，可以加快这些步骤的执行时间，并减少经典计算机和量子计算机之间的通信延迟。

其次，行业需要一个统一的编程模型和高效易用的工具。 HPC 和 AI 方面的经验表明了可靠软件堆栈的价值。

适合工作的工具

目前，对 QPU 进行编程意味着使用低级汇编代码的量子等价物，这通常是科学家无法企及的。 此外，开发人员缺乏统一的编程模型和编译器工具链来让他们在任何 QPU 上运行他们的工作。

NVIDIA 在 XNUMX 月份的博客中讨论了其为更好的编程模型所做的初步工作。

科学家需要能够首先将部分 HPC 应用程序移植到模拟 QPU，然后再移植到真实 QPU。 这将需要一个编译器来使它们能够以高性能水平和熟悉的方式工作。 结合 GPU 加速模拟工具、编程模型和编译器工具链，HPC 研究人员将能够开始构建面向未来的混合量子数据中心。

如果您有兴趣了解更多信息，NVIDIA 提供了教程和视频。 看一个 GTC 会议 并参加 国际学习中心教程
关于这个话题。 阅读有关 NVIDIA 的信息 状态向量 和 张量网络 库，深入了解您可以使用 GPU 做什么。