La computación cuántica se perfila como un cambio de paradigma en diversas industrias, pero su avance depende de la superación de desafíos críticos. Entre estos se encuentran la corrección de errores, las simulaciones de diseños de qubits y la optimización de tareas de compilación de circuitos. Estos obstáculos son esenciales para que el hardware cuántico entre en una fase donde pueda ofrecer aplicaciones útiles.
En este contexto, surge la computación acelerada. El procesamiento paralelo que ofrece esta tecnología es fundamental para facilitar los avances necesarios en computación cuántica, tanto en el presente como en el futuro.
Las bibliotecas NVIDIA CUDA-X constituyen la base del estudio cuántico. Desde una 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.
Acelerando Decodificadores de Corrección Cuántica con NVIDIA CUDA-Q QEC y cuDNN
La corrección de errores cuánticos (QEC) es una técnica esencial para lidiar con el ruido inevitable en los procesadores cuánticos. Este método permite a los investigadores transformar miles de qubits físicos ruidosos en unos pocos qubits lógicos sin ruido al decodificar datos en tiempo real y corregir errores a medida que surgen.
Entre las estrategias más prometedoras para la QEC se encuentran los códigos cuánticos de paridad baja (qLDPC), que pueden mitigar errores con un bajo costo en qubits. Sin embargo, su decodificación requiere algoritmos convencionales costosos que deben operar con latencia extremadamente baja y alta capacidad de procesamiento.
La Universidad de Edimburgo implementó la biblioteca NVIDIA CUDA-Q QEC para desarrollar un nuevo método de decodificación qLDPC llamado AutoDEC, logrando un incremento del 200% en velocidad y precisión. Este avance fue posible gracias a la funcionalidad acelerada por GPU BP-OSD de CUDA-Q, que paraleliza el proceso de decodificación y mejora las probabilidades de éxito en la corrección de errores.
Optimizando la Compilación de Circuitos Cuánticos con cuDF
Una forma efectiva de mejorar un algoritmo que funcione sin necesidad de QEC es compilarlo utilizando los qubits más óptimos disponibles en un procesador. Este proceso, que mapea qubits desde un circuito cuántico abstracto a una disposición física sobre un chip, está vinculado a un problema computacionalmente desafiante conocido como isomorfismo gráfico.
En colaboración con Q-CTRL y Oxford Quantum Circuits, NVIDIA desarrolló un método acelerado por GPU para selección de disposiciones denominado ?-Motif, logrando hasta 600 veces más rapidez en aplicaciones como la compilación cuántica, que involucra isomorfismo gráfico. Para escalar este enfoque, NVIDIA y sus colaboradores utilizaron cuDF —una biblioteca científica acelerada por GPU— para realizar operaciones gráficas y construir disposiciones potenciales basadas en patrones predefinidos (conocidos como “motivos”) según el diseño físico del chip cuántico.
Dichas disposiciones pueden ser construidas eficientemente y en paralelo mediante la fusión de motivos, lo que permite por primera vez acelerar problemas de isomorfismo gráfico utilizando GPUs.
Acelerando Simulaciones Cuánticas Altamente Fiables con cuQuantum
La simulación numérica de sistemas cuánticos es crucial para comprender la física detrás de los dispositivos cuánticos y desarrollar mejores diseños de qubits. QuTiP, un kit ampliamente utilizado y abierto, es fundamental para entender las fuentes de ruido presentes en el hardware cuántico.
Un caso clave es la simulación altamente fiable 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 llamado qutip-cuquantum. AWS proporcionó infraestructura computacional acelerada por GPU a través del servicio Amazon Elastic Compute Cloud (Amazon EC2) para llevar a cabo estas simulaciones. En sistemas grandes, los investigadores observaron mejoras del rendimiento hasta 4,000 veces al estudiar un qubit transmon acoplado a un resonador.
Para más información sobre la plataforma NVIDIA CUDA-Q, consulta este blog técnico que detalla cómo CUDA-Q impulsa investigaciones sobre aplicaciones cuánticas.
No te pierdas las sesiones sobre computación cuántica durante el evento NVIDIA GTC Washington D.C., programado del 27 al 29 de octubre.
Si (
No(
