Resumen Ejecutivo
- Dos nuevos estudios demuestran que trasladar el paso clásico más lento en los algoritmos cuánticos híbridos a las GPUs puede reducir los tiempos de ejecución de horas a minutos, acortando la brecha entre el procesamiento clásico y la ejecución cuántica.
- El trabajo se centra en la diagonalización cuántica basada en muestras, donde la diagonalización clásica –y no el muestreo cuántico– ha sido el principal cuello de botella, y demuestra que los enfoques nativos de GPU y con descarga a GPU pueden reducir drásticamente este costo.
- Los resultados sugieren un cambio en la computación cuántica híbrida hacia las GPUs como infraestructura central, al tiempo que destacan las limitaciones existentes relacionadas con la capacidad de memoria, los requisitos de escalabilidad y la necesidad continua de una estrecha integración con sistemas clásicos de alto rendimiento.
La computación cuántica híbrida ha prometido durante mucho tiempo ampliar los límites de lo que las primeras máquinas cuánticas actuales pueden lograr. Sin embargo, estos esfuerzos se han topado repetidamente con un problema persistente: las computadoras clásicas deben procesar y refinar los resultados cuánticos, un proceso que a menudo lleva mucho más tiempo que los propios experimentos cuánticos.
Ahora, dos nuevos estudios de investigadores de IBM y sus colaboradores sugieren que este cuello de botella está comenzando a superarse.
Los artículos –GPU-Accelerated Selected Basis Diagonalization with Thrust for SQD-based Algorithms y Scaling Sample-Based Quantum Diagonalization on GPU-Accelerated Systems using OpenMP Offload– informan de importantes ganancias de rendimiento al trasladar el paso clásico más exigente de un algoritmo cuántico híbrido ampliamente utilizado a los procesadores gráficos modernos, reduciendo los tiempos de cálculo de horas a minutos y acercando los tiempos de ejecución clásicos al ritmo de la ejecución cuántica. Los resultados de ambos estudios apuntan a un cambio en la forma en que se diseñan las cargas de trabajo cuánticas híbridas, posicionando a las GPUs como infraestructura central en lugar de aceleradores opcionales.
El trabajo se centra en la diagonalización cuántica basada en muestras (SQD, por sus siglas en inglés), un método híbrido utilizado en química cuántica y ciencia de materiales para calcular los estados de energía de moléculas complejas. SQD se basa en un bucle de retroalimentación: un procesador cuántico genera muestras de posibles configuraciones electrónicas, mientras que un sistema clásico filtra esos resultados y realiza cálculos numéricos a gran escala para refinar la respuesta. Ese post-procesamiento clásico, y no el muestreo cuántico, ha surgido como el costo dominante.
Los nuevos resultados del equipo muestran que rediseñar este paso clásico para supercomputadoras basadas en GPU puede reducir drásticamente ese costo, lo que podría ampliar el rango de sistemas químicos que se pueden estudiar con hardware cuántico de corto plazo.
Un Problema Clásico en el Corazón de los Algoritmos Cuánticos
En SQD, el papel del procesador cuántico es limitado pero crucial. Muestrea un circuito cuántico que codifica información sobre los electrones de una molécula, produciendo configuraciones candidatas que probablemente sean importantes para los estados de energía más bajos del sistema. Estas configuraciones se entregan luego a una computadora clásica, que construye un modelo matemático reducido de la molécula y resuelve sus energías utilizando un método iterativo.
Ese paso clásico implica aplicar repetidamente un gran operador matemático, conocido como Hamiltoniano, a vectores que representan estados electrónicos. Incluso cuando el operador completo nunca se almacena explícitamente, evaluar su efecto puede requerir miles de millones de cálculos pequeños. A medida que los sistemas crecen, este paso de diagonalización domina rápidamente el tiempo de ejecución.
Las demostraciones a gran escala anteriores de SQD dependieron de supercomputadoras masivas basadas en CPU, incluido el sistema Fugaku de Japón, para manejar esta carga de trabajo. Si bien fue efectivo, esas ejecuciones requirieron extensos recursos informáticos y largos tiempos de ejecución, lo que limitó la frecuencia con la que se podían realizar dichos cálculos.
Al mismo tiempo, las supercomputadoras más rápidas del mundo se han desplazado cada vez más hacia diseños acelerados por GPU. Sistemas como Frontier y Aurora dependen de miles de GPU para ofrecer su máximo rendimiento, lo que coloca a los algoritmos centrados en la CPU en desventaja a menos que se reelaboren para adaptarse a esa arquitectura.
Los nuevos estudios de IBM abordan directamente esta discrepancia.
Reconstruyendo la Diagonalización para GPUs
Uno de los estudios, liderado por investigadores de IBM Research en Tokio en colaboración con el instituto de investigación RIKEN de Japón, se centra en una rediseño nativo de GPU del paso de diagonalización utilizado en SQD. En lugar de utilizar herramientas de software para trasladar automáticamente el código de la CPU a las GPU, el equipo reescribió las partes más exigentes para que los datos y los cálculos se organizaran de manera que las GPU puedan manejar de manera eficiente.
La diagonalización, un método matemático estándar utilizado para determinar los estados de energía de un sistema, es una de las rutinas clásicas centrales en SQD. Los investigadores reorganizaron la forma en que se almacenan las configuraciones electrónicas en la memoria, aplanaron las estructuras de datos anidadas y reestructuraron los bucles para exponer el paralelismo fino adecuado para miles de hilos de GPU. La implementación utiliza bibliotecas de programación GPU estándar para administrar la memoria y la ejecución paralela mientras mantiene los datos residentes en el dispositivo.
En pruebas en clústeres de GPU modernos, el enfoque ofreció aceleraciones de hasta aproximadamente 40 veces en comparación con la ejecución de la CPU para el paso de diagonalización. Las ganancias provinieron principalmente de la explotación del gran número de hilos concurrentes disponibles en las GPU, incluso si los cálculos subyacentes involucran relativamente poca aritmética de punto flotante y están dominados por operaciones enteras y movimiento de datos.
El estudio también enfatizó la portabilidad. Si bien está diseñado para GPU de Nvidia, las técnicas subyacentes se pueden adaptar a otras arquitecturas con modificaciones modestas, una consideración importante a medida que los sistemas de computación de alto rendimiento se diversifican.
Al centrarse en el cuello de botella clásico en lugar del hardware cuántico en sí, el trabajo replantea dónde puede provenir el progreso en la computación cuántica de corto plazo. Un procesamiento clásico más rápido permite que los experimentos cuánticos iteren más rápidamente y aborden problemas más grandes sin esperar pasos de post-procesamiento prohibitivamente largos.
Escalabilidad en Sistemas Exaescala
Un segundo estudio, liderado por IBM Research en los Estados Unidos con colaboradores de Advanced Micro Devices y Oak Ridge National Laboratory, examina el mismo desafío de diagonalización desde un ángulo diferente: cómo escalarlo de manera eficiente y portátil en sistemas exaescala completos.
En lugar de reescribir el algoritmo desde cero, el equipo utilizó técnicas modernas de descarga de OpenMP, un estándar de programación para ejecutar cálculos en paralelo, para trasladar la parte más intensiva en computación de SQD a las GPU mientras mantenía intacta la base de código más amplia. El objetivo era mantener una única base de código que pudiera ejecutarse de manera eficiente tanto en sistemas solo con CPU como en sistemas acelerados por GPU.
Los investigadores se centraron en la multiplicación matriz-vector, el paso donde grandes tablas de números se aplican repetidamente a largas listas de valores, que representa la mayor parte del tiempo dedicado en cada ciclo de diagonalización. Al reorganizar la forma en que se almacenan los datos, manteniendo la información utilizada con frecuencia en la GPU y trasladando allí este cálculo central, lograron grandes ganancias de rendimiento sin reescribir todo el algoritmo.
Las pruebas comparativas en la supercomputadora Frontier en Oak Ridge mostraron aceleraciones de aproximadamente 95 veces por nodo en comparación con la implementación original de la CPU, lo que redujo los tiempos de diagonalización de horas a minutos para sistemas moleculares representativos. Las pruebas en otras plataformas de GPU, incluido el hardware más nuevo de AMD y NVIDIA, mostraron ganancias adicionales a medida que evolucionaron las arquitecturas de GPU.
Es importante destacar que el estudio demostró que estas mejoras se escalaron a cientos o miles de GPU con alta eficiencia. La sobrecarga de comunicación siguió siendo una pequeña fracción del tiempo de ejecución total, lo que indica que el enfoque podría admitir cálculos aún más grandes a medida que aumente el tamaño del sistema.
Según los investigadores, en última instancia, los resultados sugieren que la diagonalización acelerada por GPU no es solo una optimización de laboratorio, sino un camino práctico para ejecutar algoritmos cuánticos híbridos a escala en las máquinas más grandes de la actualidad.
Por Qué las Aceleraciones Importan para la Computación Cuántica
Si bien reconocer la mejora del rendimiento es importante, la importancia real de los estudios puede residir en lo que estos nuevos métodos pueden permitir.
Los algoritmos híbridos como SQD están diseñados para funcionar dentro de los límites del hardware cuántico actual, que sigue siendo ruidoso y relativamente pequeño. Su valor depende de ejecutar muchas iteraciones, refinando los resultados a medida que las muestras cuánticas y los cálculos clásicos se informan mutuamente. Si el lado clásico es lento, ese bucle de retroalimentación se detiene.
Al reducir los tiempos de ejecución clásicos para que coincidan o incluso superen los tiempos de ejecución cuánticos, los nuevos enfoques hacen factible ejecutar más iteraciones, explorar espacios de configuración más grandes y estudiar moléculas más complejas. Eso podría ampliar el alcance práctico de las aplicaciones de química cuántica en áreas como la catálisis, el diseño de materiales y la investigación energética.
El trabajo también subraya una tendencia más amplia en la computación cuántica: el progreso depende cada vez más de la integración con sistemas clásicos de alto rendimiento en lugar de los avances cuánticos independientes. A medida que los procesadores cuánticos mejoran de forma incremental, las ganancias de mejores algoritmos clásicos y la infraestructura pueden tener un impacto desproporcionado en lo que los usuarios pueden lograr.
Al mismo tiempo, los estudios destacan las limitaciones restantes. Los límites de memoria de la GPU aún limitan el tamaño de los problemas que se pueden manejar de manera eficiente, y los métodos dependen de tener suficiente trabajo paralelo para mantener ocupados miles de hilos de GPU. Los sistemas más pequeños aún pueden funcionar de manera más efectiva en las CPU.
Ambos estudios son complejos. Para una inmersión más profunda y más técnica, más allá del alcance de este artículo, consulte los artículos –GPU-Accelerated Selected Basis Diagonalization with Thrust for SQD-based Algorithms y Scaling Sample-Based Quantum Diagonalization on GPU-Accelerated Systems using OpenMP Offload– en arXiv. Es importante tener en cuenta que arXiv es un servidor de preimpresiones, que permite a los investigadores recibir comentarios rápidos sobre su trabajo. Sin embargo, no es –ni lo es este artículo– una publicación revisada por pares oficial. La revisión por pares es un paso importante en el proceso científico para verificar los resultados.
