Representación artística del procesador de Google. Crédito: Forest Stearns, Google AI Quantum Artist in Residence
El Laboratorio de Procesamiento de Información Cuántica del CPQM colaboró con el equipo de supercomputación «Zhores» del CDISE para emular el procesador cuántico de Google. Al reproducir datos silenciosos siguiendo las mismas estadísticas que los experimentos recientes de Google, el equipo pudo señalar un sutil efecto oculto en los datos de Google. Este efecto, llamado déficit de accesibilidad, fue descubierto por el equipo de Skoltech en su trabajo anterior. Los números confirmaron que los datos de Google estaban al borde de una avalancha dependiente de la densidad, lo que implica que los experimentos futuros requerirán muchos más recursos cuánticos para realizar una optimización cuántica aproximada. Los resultados se publican en la revista líder del campo. Cuántico.
Desde los primeros días de la computación numérica, los sistemas cuánticos han parecido extremadamente difíciles de emular, aunque las razones precisas de esto siguen siendo un tema de investigación activa. Aún así, esta dificultad aparentemente inherente para que una computadora clásica emule un sistema cuántico ha llevado a varios investigadores a invertir la narrativa.
Científicos como Richard Feynman y Yuri Manin especularon a principios de la década de 1980 que los ingredientes desconocidos que parecen hacer que las computadoras cuánticas sean difíciles de emular usando una computadora clásica podrían usarse como un recurso computacional. Por ejemplo, un procesador cuántico debe ser bueno para simular sistemas cuánticos, ya que se rigen por los mismos principios subyacentes.
Estas ideas iniciales eventualmente llevaron a Google y otros gigantes tecnológicos a crear versiones prototipo de los tan esperados procesadores cuánticos. Estos dispositivos modernos son propensos a errores, solo pueden ejecutar los programas cuánticos más simples y cada cálculo debe repetirse varias veces para promediar los errores y finalmente formar una aproximación.
Entre las aplicaciones más estudiadas de estos procesadores cuánticos contemporáneos se encuentra el algoritmo de optimización cuántica aproximada, o QAOA (pronunciado “kyoo-ay-oh-AY”). En una serie de experimentos dramáticos, Google usó su procesador para probar el rendimiento de QAOA usando 23 qubits y tres pasos de programa ajustables.
En pocas palabras, QAOA es un enfoque que tiene como objetivo resolver problemas de optimización aproximadamente en una configuración híbrida que consiste en una computadora clásica y un coprocesador cuántico. Los procesadores cuánticos prototípicos, como Sycamore de Google, actualmente están obligados a realizar operaciones ruidosas y limitadas. Usando una configuración híbrida, la esperanza es aliviar algunas de estas limitaciones sistemáticas y aún así recuperar el comportamiento cuántico para aprovecharlo, lo que hace que los enfoques como QAOA sean particularmente atractivos.
Los científicos de Skoltech han realizado una serie de descubrimientos recientes relacionados con QAOA, por ejemplo, consulte el artículo aquí. Entre ellos destaca un efecto que limita fundamentalmente la aplicabilidad del QAOA. Muestran que la densidad de un problema de optimización, es decir, la relación entre sus restricciones y variables, actúa como una barrera importante para alcanzar soluciones aproximadas. Se necesitan recursos adicionales, en términos de operaciones realizadas en el coprocesador cuántico, para superar esta limitación de rendimiento. Estos descubrimientos se realizaron utilizando lápiz y papel y emulaciones muy pequeñas. Querían ver si el efecto que descubrieron recientemente se manifestaba en el reciente estudio experimental de Google.
El laboratorio de algoritmos cuánticos de Skoltech se acercó al equipo de supercomputación de CDISE dirigido por Oleg Panarin para obtener los importantes recursos informáticos necesarios para emular el chip cuántico de Google. Miembro del Laboratorio Cuántico, Científico Investigador Principal Dr. Igor Zacharov trabajó con varios otros para transformar el software de emulación existente en una forma que permita la computación paralela en Zhores. Después de varios meses, el equipo logró crear una emulación que genera datos con las mismas distribuciones estadísticas que Google y mostró una variedad de densidades de instancias donde el rendimiento de QAOA cae drásticamente. Además, revelaron que los datos de Google se encuentran en el borde de este rango, más allá del cual el estado actual de la técnica no sería suficiente para producir ninguna ventaja.
El equipo de Skoltech descubrió originalmente que los déficits de accesibilidad, una limitación de rendimiento inducida por la relación entre la restricción de un problema y la variable, estaban presentes en un tipo de problema llamado satisfacción de la restricción máxima. Sin embargo, Google consideró minimizar las funciones de potencia del gráfico. Dado que estos problemas están en la misma clase de complejidad, esto le dio al equipo la esperanza conceptual de que los problemas y, posteriormente, el efecto, podrían estar relacionados. Esta intuición resultó ser correcta. Se generaron los datos y los hallazgos mostraron claramente que los déficits de accesibilidad crean una especie de efecto de avalancha, poniendo los datos de Google al borde de esta rápida transición, más allá de la cual los circuitos QAOA más largos y potentes se vuelven una necesidad.
Oleg Panarin, Gerente de Servicios de Información y Datos de Skoltech, comentó: “Estamos muy contentos de ver que nuestra computadora ha llegado a este extremo. El proyecto fue largo y desafiante, y trabajamos en estrecha colaboración con Quantum Lab para desarrollar esta estructura. Creemos que este proyecto establece una base para futuras demostraciones de este tipo utilizando Zhores”.
Igor Zacharov, investigador principal de Skoltech, agregó: “Tomamos el código existente de Akshay Vishwanatahan, el primer autor de este estudio, y lo convertimos en un programa que se ejecuta en paralelo. Ciertamente fue un momento emocionante para todos nosotros cuando finalmente llegaron los datos y teníamos las mismas estadísticas que Google. En este proyecto, creamos un paquete de software que ahora puede emular múltiples procesadores cuánticos de alta gama, hasta 36 qubits y una docena de capas de profundidad”.
Akshay Vishwanatahan, estudiante de doctorado en Skoltech, concluyó: “Ir más allá de unos pocos qubits y capas en QAOA fue una tarea significativamente desafiante en ese momento. El software de emulación interno que desarrollamos solo podía manejar casos de modelos de juguete e inicialmente sentí que este proyecto, aunque era un desafío emocionante, sería casi imposible. Afortunadamente, estaba en medio de un grupo de colegas optimistas y emocionados y eso me motivó aún más para seguir adelante y jugar con los datos silenciosos de Google. Sin duda fue un momento de gran emoción cuando nuestros datos coincidieron con los de Google, con una distribución estadística similar, a partir de la cual finalmente pudimos confirmar la presencia del efecto”.
Referencia: «Déficits de accesibilidad en la optimización cuántica aproximada de problemas gráficos» por V. Akshay, H. Philathong, I. Zacharov y J. Biamonte, 30 de agosto de 2021, cuántico.
DOI: 10.22331/q-2021-08-30-532
