NVIDIA impulsa la computación cuántica mediante bibliotecas CUDA-X, abordando desafíos como la corrección de errores y la optimización de circuitos, acelerando avances en aplicaciones útiles.
La computación cuántica se perfila como una tecnología revolucionaria con el potencial de transformar diversas industrias. Sin embargo, su avance depende de la superación de desafíos significativos, como la corrección de errores, las simulaciones de diseños de qubits y la optimización de la compilación de circuitos. Estos obstáculos son críticos para llevar el hardware cuántico a una era donde sus aplicaciones sean realmente útiles.
En este contexto, surge la computación acelerada, que mediante el procesamiento paralelo proporciona la potencia necesaria para lograr los avances en computación cuántica tanto en el presente como en el futuro.
Las bibliotecas NVIDIA CUDA-X constituyen la base del trabajo investigativo en este campo. Desde la decodificación más rápida de errores cuánticos hasta el diseño de sistemas más grandes de qubits, los investigadores están utilizando herramientas aceleradas por GPU para expandir la computación clásica y acercar aplicaciones cuánticas útiles a la realidad.
La corrección de errores cuánticos (QEC) es fundamental para manejar el ruido inevitable en los procesadores cuánticos. Este proceso permite a los investigadores destilar miles de qubits físicos ruidosos en unos pocos qubits lógicos sin ruido, mediante la decodificación de datos en tiempo real y corrigiendo errores a medida que surgen.
Entre las estrategias más prometedoras para la QEC se encuentran los códigos cuánticos de paridad baja (qLDPC), capaces de mitigar errores con un bajo costo en qubits. No obstante, su decodificación requiere algoritmos convencionales que son computacionalmente costosos y deben operar a latencias extremadamente bajas con un alto rendimiento.
La Universidad de Edimburgo utilizó la biblioteca NVIDIA CUDA-Q QEC para desarrollar un nuevo método de decodificación qLDPC llamado AutoDEC, logrando un aumento del 200% en velocidad y precisión. Este avance fue posible gracias a las funcionalidades aceleradas por GPU del CUDA-Q, que paralelizan el proceso de decodificación y mejoran las probabilidades de éxito en la corrección de errores.
Una forma eficaz de mejorar un algoritmo que funcione incluso sin QEC es compilarlo utilizando los qubits más óptimos disponibles en un procesador. Este proceso implica mapear qubits desde un circuito cuántico abstracto hacia una disposición física específica sobre un chip, lo cual está relacionado con un problema computacionalmente desafiante conocido como isomorfismo gráfico.
En colaboración con Q-CTRL y Oxford Quantum Circuits, NVIDIA desarrolló un método acelerado por GPU llamado ?-Motif, logrando hasta 600 veces más rapidez en aplicaciones como la compilación cuántica, que involucra isomorfismo gráfico. Para escalar esta metodología, NVIDIA y sus colaboradores emplearon cuDF —una biblioteca acelerada por GPU para ciencia de datos— permitiendo realizar operaciones gráficas y construir disposiciones potenciales basadas en patrones predefinidos según el diseño físico del chip cuántico.
Estas configuraciones pueden ser construidas eficientemente y en paralelo al fusionar motivos, habilitando por primera vez la aceleración por GPU en problemas relacionados con isomorfismo gráfico.
La simulación numérica de sistemas cuánticos es crucial para comprender la física detrás de los dispositivos cuánticos y desarrollar mejores diseños de qubits. QuTiP, una herramienta ampliamente utilizada y de código abierto, es esencial para analizar las fuentes de ruido presentes en el hardware cuántico.
Un caso clave es la simulación altamente fiel de sistemas cuánticos abiertos, modelando qubits superconductores acoplados a otros componentes dentro del procesador cuántico, como resonadores y filtros, para predecir con precisión el comportamiento del dispositivo.
A través de una colaboración con la Universidad de Sherbrooke y Amazon Web Services (AWS), QuTiP fue integrado con el kit de desarrollo software NVIDIA cuQuantum, mediante un nuevo complemento denominado qutip-cuquantum. AWS proporcionó infraestructura computacional acelerada por GPU a través del servicio Amazon Elastic Compute Cloud (Amazon EC2) para llevar a cabo las simulaciones. En sistemas grandes, los investigadores observaron mejoras del rendimiento hasta 4,000 veces al estudiar un qubit transmon acoplado a un resonador.