Le Laboratoire national Lawrence Berkeley a annoncé que des chercheurs de laboratoires et d'universités nationaux ont récemment publié deux articles introduisant de nouvelles méthodes de stockage et d'analyse de données pour rendre l'informatique quantique plus pratique et explorant comment la visualisation aide à comprendre l'informatique quantique.

"Ce travail représente des progrès significatifs dans la compréhension et l'exploitation des dispositifs quantiques actuels pour le codage, le traitement et la visualisation des données", a déclaré Talita Perciano, chercheuse scientifique à la division des données scientifiques du laboratoire national Lawrence Berkeley et responsable de cet effort.

« Ces contributions s'appuient sur nos précédentes efforts pour mettre en évidence l’exploration en cours et le potentiel des technologies quantiques dans l’élaboration de l’analyse et de la visualisation des données scientifiques. La réalisation de ces projets souligne le rôle essentiel du travail d’équipe, puisque chaque membre a apporté son expertise et son point de vue uniques. Cette collaboration témoigne du fait que dans le domaine quantique, comme dans de nombreux aspects de la vie, le progrès n'est pas seulement une question de réalisations individuelles, mais aussi d'effort collectif et de vision partagée de l'équipe.

Selon un article sur le site LBNL de Carol Pott, les contributeurs à ce projet — aux côtés de Perciano — comprennent des chercheurs de la Division des données scientifiques, de la Division des mathématiques appliquées et de la recherche informatique et du National Energy Research Scientific Computing Center (NERSC), en collaboration avec des équipes de Université d'État de San Francisco (SFSU) et Université Case Western Reserve.

Équilibrer le classique et le quantique

L'accent mis par l'équipe sur le codage des données classiques destinées à être utilisées par des algorithmes quantiques constitue un tremplin vers des progrès dans l'exploitation des méthodes de science et technologie de l'information quantique (QIST) dans le cadre des graphiques et de la visualisation, qui sont historiquement coûteux en calcul. « Trouver le bon équilibre entre les capacités de QIST et l’informatique classique constitue un défi de taille pour la recherche. D’un côté, les systèmes quantiques peuvent gérer des problèmes exponentiellement plus importants à mesure que nous ajoutons davantage de qubits. D’un autre côté, les systèmes classiques et les plates-formes HPC bénéficient de décennies de recherche et d’infrastructures solides, mais ils atteignent des limites technologiques en termes de mise à l’échelle », a déclaré Bethel. « Une voie probable est l’idée d’une informatique hybride classique-quantique, mélangeant des processeurs classiques avec des unités de traitement quantique (QPU). Cette approche combine le meilleur des deux mondes, offrant des possibilités passionnantes pour des applications scientifiques spécifiques.

Le premier article, récemment publié dans Nature Scientific Reports, explore comment coder et stocker des données classiques dans des systèmes quantiques pour améliorer les capacités analytiques et couvre les deux nouvelles méthodes et leur fonctionnement. QCrank fonctionne en codant des ensembles de nombres réels en rotations continues de qubits sélectionnés, permettant la représentation de plus de données en utilisant moins d'espace. QBArt, d'autre part, représente directement les données binaires comme une série de zéros et de uns mappés à des états purs de zéro et un qubit, ce qui facilite les calculs sur les données.

Dans le deuxième article, l'équipe s'est penchée sur l'interaction entre la visualisation et l'informatique quantique, montrant comment la visualisation a contribué à l'informatique quantique en permettant la représentation graphique d'états quantiques complexes et en explorant les avantages et les défis potentiels de l'intégration de l'informatique quantique dans le domaine de l'exploration et de l'analyse des données visuelles. . Dans l’exploration scientifique, la visualisation permet aux chercheurs d’explorer l’inconnu et de « voir l’invisible », en transférant efficacement des informations abstraites en images facilement compréhensibles.

L’équipe a testé ses méthodes sur du matériel quantique NISQ en utilisant plusieurs types de tâches de traitement de données, telles que la correspondance de modèles dans l’ADN, le calcul de la distance entre des séquences d’entiers, la manipulation d’une séquence de nombres complexes et l’écriture et la récupération d’images constituées de pixels binaires. L'équipe a effectué ces tests à l'aide d'un processeur quantique appelé Quantinuum H1-1, ainsi que sur d'autres processeurs quantiques disponibles via IBMQ et IonQ. Souvent, les algorithmes quantiques traitant des échantillons de données aussi volumineux qu’un seul circuit sur les appareils NISQ fonctionnent très mal ou produisent une sortie complètement aléatoire. Les auteurs ont démontré que leurs nouvelles méthodes obtenaient des résultats remarquablement précis en utilisant un tel matériel.

Gérer le codage des données et la diaphonie

Lors de la conception et de la mise en œuvre d'algorithmes quantiques traitant des données classiques, un défi important se pose, connu sous le nom de problème de codage des données, qui consiste à savoir comment convertir les données classiques sous une forme avec laquelle un ordinateur quantique peut fonctionner. Au cours du processus de codage, il existe un compromis entre l’utilisation efficace des ressources quantiques et le maintien de la complexité informatique des algorithmes suffisamment simple à gérer.

« L’accent était mis sur l’équilibre entre les contraintes matérielles quantiques actuelles. Certaines méthodes de codage mathématiquement solides utilisent tellement d’étapes, ou portes quantiques, que le système quantique perd les informations initiales avant même d’atteindre la porte finale. Cela ne laisse aucune possibilité de calculer correctement les données codées », a déclaré Jan Balewski, consultant au NERSC et premier auteur de l'article Scientific Reports. "Pour résoudre ce problème, nous avons imaginé un système consistant à diviser une longue séquence en plusieurs flux de codage parallèles."

Malheureusement, cette méthode a conduit à un nouveau problème, la diaphonie entre les flux, qui déformait les informations stockées. « C'est comme essayer d'écouter plusieurs conversations dans une salle bondée ; lorsqu’ils se chevauchent, la compréhension de chaque message devient un défi. Dans les systèmes de données, la diaphonie déforme les informations, rendant les informations moins précises », a déclaré Balewski. « Nous avons abordé la diaphonie de deux manières : pour QCrank, nous avons introduit une étape d'étalonnage ; pour QBArt, nous avons simplifié le langage utilisé dans les messages. Réduire le nombre de jetons utilisés, c'est comme passer de l'alphabet latin au code Morse : plus lent à envoyer mais moins affecté par les distorsions.

Cette recherche introduit deux avancées significatives, rendant le codage et l’analyse des données quantiques plus pratiques. Premièrement, les circuits parallèles à rotation uniformément contrôlée (pUCR) réduisent considérablement la complexité des circuits quantiques par rapport aux méthodes précédentes. Ces circuits permettent d'effectuer plusieurs opérations simultanément, ce qui les rend bien adaptés aux processeurs quantiques, tels que le dispositif H1-1 de Quantinuum, avec une connectivité élevée et une prise en charge de l'exécution de portes parallèles. Deuxièmement, l'étude présente QCrank et QBArt, les deux techniques de codage de données qui utilisent des circuits pUCR : QCrank code des données réelles continues sous forme d'angles de rotation et QBArt code des données entières sous forme binaire. La recherche présente également une série d'expériences menées à l'aide de processeurs quantiques IonQ et IBMQ, démontrant le succès du codage et de l'analyse des données quantiques à une plus grande échelle que celle obtenue auparavant. Ces expériences intègrent également de nouvelles stratégies d’atténuation des erreurs pour corriger les résultats matériels bruyants, améliorant ainsi la fiabilité des calculs.

Les expériences menées avec QCrank montrent des résultats prometteurs, encodant et récupérant avec succès 384 pixels en noir et blanc sur 12 qubits avec un haut niveau de précision dans la récupération des informations (Figure 1). Cette image représente notamment la plus grande image jamais codée avec succès sur un appareil quantique, ce qui en fait une réalisation révolutionnaire. Stocker cette même image sur un ordinateur classique nécessiterait 384 bits, ce qui la rendrait 30 fois moins efficace qu’un ordinateur quantique. Étant donné que la capacité du système quantique augmente de façon exponentielle avec le nombre de qubits, seuls 35 qubits sur un ordinateur quantique idéal pourraient, par exemple, contenir la totalité des 150 gigaoctets d’informations sur l’ADN présents dans le génome humain.

Les expériences menées avec QBArt ont montré ses prouesses remarquables dans le codage et le traitement de diverses séquences de données, depuis des séquences d'ADN complexes (Figure 2) jusqu'à des nombres complexes, avec une fidélité presque parfaite. De plus, l'étude se penche sur l'évaluation des performances de différents processeurs quantiques dans le codage de données binaires, dévoilant les capacités exceptionnelles des processeurs basés sur des pièges à ions pour les tâches reposant sur les circuits pUCR. Ces découvertes ouvrent non seulement la voie à des recherches plus approfondies sur les applications de circuits compacts et parallèles à travers différents algorithmes quantiques et algorithmes hybrides quantiques-classiques ; ils ouvrent également la voie à des avancées passionnantes dans les futures tâches d’apprentissage automatique quantique et de traitement des données.

« À l'avant-garde de l'informatique quantique, notre équipe, dynamisée par des talents émergents, explore les avancées théoriques en tirant parti de nos méthodes de codage de données pour aborder un large éventail de tâches d'analyse. Ces nouvelles approches promettent de débloquer des capacités analytiques à une échelle jamais vue auparavant avec les appareils NISQ », a déclaré Perciano. « En tirant parti à la fois du HPC et du matériel quantique, nous visons à élargir les horizons de la recherche en informatique quantique, en envisageant comment le quantique peut révolutionner les méthodes de résolution de problèmes dans divers domaines scientifiques. À mesure que le matériel quantique évolue, nous tous, membres de l’équipe de recherche, croyons en son potentiel pratique et utile en tant qu’outil puissant pour l’analyse et la visualisation de données scientifiques à grande échelle.

Avec l'appel récent à constituer et à former une main-d'œuvre quantique, de nombreuses organisations, y compris le Département américain de l'énergie (DOE), recherchent des moyens de faire progresser la recherche et de développer de nouveaux algorithmes, systèmes et environnements logiciels pour QIST. À cette fin, la collaboration continue du Berkeley Lab avec la SFSU, une institution au service des minorités, exploite les efforts du laboratoire dans le QIST et élargit les programmes d'études existants de la SFSU pour inclure de nouveaux cours et opportunités de formation axés sur le QIST. Ancien informaticien principal du laboratoire de Berkeley, le professeur agrégé de la SFSU, Wes Bethel, a mené la charge vers la production d'une nouvelle génération d'étudiants diplômés de la maîtrise en sciences informatiques de la SFSU, dont beaucoup sont issus de groupes sous-représentés, avec des thèses axées sur des sujets QIST.

Mercy Amankwah, titulaire d'un doctorat. étudiante à l'Université Case Western, fait partie de cette collaboration depuis juin 2021, consacrant chaque année 12 semaines de ses vacances d'été à participer au programme Sustainable Research Pathways, un partenariat entre Berkeley Lab et le Sustainable Horizons Institute. Amankwah a mis à profit son expertise en algèbre linéaire pour innover dans la conception et la manipulation de circuits quantiques afin d'atteindre l'efficacité que l'équipe espérait dans deux nouvelles méthodes, QCrank et ABArt. Les méthodes utilisent les techniques innovantes de l’équipe pour coder les données des ordinateurs quantiques. « Le travail que nous accomplissons est vraiment captivant », a déclaré Amankwah. « C'est un voyage qui nous pousse constamment à envisager les prochaines grandes avancées. J'ai hâte d'apporter des contributions plus marquantes à ce domaine alors que j'entre dans mes études postdoctorales. aventure professionnelle.

Cette recherche a été soutenue par l'Office of Advanced Scientific Computing Research (ASCR) Exploratory Research for Extreme-Scale Science du Département américain de l'énergie (DOE), le Sustainable Horizons Institute et le programme de recherche et de développement dirigé par le laboratoire de Berkeley et a utilisé des ressources informatiques du NERSC. et l'installation informatique de leadership d'Oak Ridge.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/