انویدیا لایهٔ CUDA-Q Logical را برای رایانش کوانتومی معرفی کرد
انویدیا نسخهٔ توسعهیافتهای از پلتفرم متنباز CUDA-Q را با نام CUDA-Q Logical معرفی کرده است؛ لایهای که برای برنامهنویسی و مدیریت رایانش کوانتومی مقاوم در برابر خطا طراحی شده است. هدف این پروژه آن است که برنامهنویس بتواند الگوریتم کوانتومی را با ابزارهای آشناتر بسازد و همزمان، پیچیدگی کنترل کیوبیتهای فیزیکی، خطاهای خوانش و منطق تصحیح خطا را در سطحی قابل مدیریت نگه دارد. اعلام این قابلیت نشان میدهد انویدیا میخواهد نقش خود را از تأمینکنندهٔ GPU به هماهنگکنندهٔ زنجیرهٔ محاسبات کلاسیک و کوانتومی گسترش دهد.
چرا تصحیح خطا اینقدر مهم است؟
کیوبیت برخلاف بیت معمولی بسیار حساس است. نویز محیطی، تغییر دما، نقص کنترل یا برهمکنش ناخواسته میتواند حالت آن را تغییر دهد. در یک رایانهٔ کوانتومی واقعی، اجرای یک مدار طولانی بدون نظارت بر این خطاها نتیجهای قابل اعتماد ایجاد نمیکند. تصحیح خطای کوانتومی با استفاده از چند کیوبیت فیزیکی برای ساخت یک کیوبیت منطقی، احتمال خطا را کاهش میدهد؛ اما تعداد عملیات و دادهٔ کنترلی را بالا میبرد. نرمافزار باید بداند چه زمانی اندازهگیری کند، کدام خطا محتمل است و چگونه مدار را بدون نابودکردن محاسبه اصلاح کند.
CUDA-Q Logical روی همین فاصله میان الگوریتم و سختافزار تمرکز دارد. توسعهدهنده به جای نوشتن همهٔ دستورهای سطح پایین، منطق یک کیوبیت منطقی و عملیات مورد نیاز را تعریف میکند. لایهٔ ارکستراسیون سپس میتواند منابع کلاسیک، شبیهساز و پردازندهٔ کوانتومی را کنار هم قرار دهد. این رویکرد شبیه نقش کامپایلر در رایانش کلاسیک است، با این تفاوت که محدودیتهای فیزیکی و آماری کوانتوم باید در زمان اجرا هم پایش شوند.
برنامهنویسی قابلراستیآزمایی
انویدیا بر واژهٔ قابلراستیآزمایی تأکید کرده است. در رایانش کوانتومی، یک خروجی بهتنهایی کافی نیست، زیرا نتیجهٔ اجرا معمولاً احتمالی است و باید بارها تکرار شود. ابزار توسعه باید نشان دهد مدار چگونه به عملیات سختافزاری تبدیل شده، چه مدل خطایی فرض شده و آیا نتیجه با انتظار نظری سازگار است یا نه. اگر این اطلاعات از ابتدا در اختیار پژوهشگر باشد، تشخیص تفاوت میان اشکال الگوریتم و محدودیت دستگاه آسانتر میشود.
ارکستراسیون همچنین به مدیریت چند نوع دستگاه نیاز دارد. پژوهشگر ممکن است الگوریتم را ابتدا روی شبیهساز GPU اجرا کند، بعد بخش کوچکی را به یک پردازندهٔ کوانتومی واقعی بفرستد و در مرحلهٔ دیگر، اندازهگیریها را با پردازندهٔ کلاسیک تحلیل کند. جابهجایی داده و زمان انتظار میان این اجزا بر تجربهٔ توسعه اثر دارد. CUDA-Q تلاش میکند این مسیر را در یک مدل برنامهنویسی واحد نگه دارد تا تیم مجبور نباشد برای هر سختافزار، کد کاملاً جدا بنویسد.
رابطهٔ GPU و رایانهٔ کوانتومی
GPUها برای شبیهسازی مدارهای کوانتومی، تولید نمونههای آماری و پردازش حجم بزرگی از دادهٔ اندازهگیری مناسباند. رایانهٔ کوانتومی قرار نیست همهٔ محاسبات کلاسیک را جایگزین کند؛ در بسیاری از کاربردها، CPU و GPU مسئله را آماده میکنند، دستگاه کوانتومی بخشی از مدار را اجرا میکند و سامانهٔ کلاسیک نتیجه را تحلیل میکند. هرچه این حلقه سریعتر و قابل پیشبینیتر باشد، آزمایشهای بیشتری در زمان مشخص انجام میشود.
در عمل، تعداد زیادی از پروژههای کوانتومی هنوز به مرحلهٔ برتری تجاری نرسیدهاند. شبیهسازی روی GPU به پژوهشگر اجازه میدهد فرضیه را قبل از دسترسی به سختافزار گران آزمایش کند. از طرف دیگر، شبیهساز هم محدودیت حافظه و زمان دارد و نمیتواند رفتار همهٔ دستگاههای واقعی را بازنمایی کند. پلتفرمی که میان این دو محیط پل بزند، میتواند چرخهٔ طراحی، اجرا و مقایسه را کوتاهتر کند؛ ولی ادعاهای عملکرد باید با سنجههای مستقل و دستگاههای مختلف بررسی شود.
کاربردهای احتمالی
محاسبهٔ ساختار مولکولی، بهینهسازی، رمزنگاری و طراحی مواد از حوزههایی هستند که پژوهشگران برای آنها الگوریتم کوانتومی بررسی میکنند. CUDA-Q Logical میتواند در این پروژهها به تعریف مدار منطقی و مدیریت اجرای تکراری کمک کند. برای مثال، یک تیم شیمی محاسباتی ممکن است مدل سادهای را روی شبیهساز بسازد، پارامترها را با الگوریتم کلاسیک تغییر دهد و سپس بخش حساس را روی دستگاه کوانتومی بسنجد. ثبت خطا و وضعیت هر اجرا به تیم کمک میکند دادهٔ قابل مقایسه تولید کند.
در صنایع، عامل اصلی پذیرش چنین ابزاری تعداد کیوبیت خام نیست؛ توانایی ساخت آزمایش قابل تکرار و اتصال آن به نرمافزار موجود است. یک شرکت دارویی به گردشکار مدیریت داده، کنترل نسخه و گزارشپذیری نیاز دارد. اگر کد کوانتومی در کنار کتابخانههای معمول پایتون، ابزارهای آزمایش و زیرساخت ابری قرار بگیرد، ورود مهندسان غیرمتخصص آسانتر میشود. بااینحال، سادهشدن رابط نباید پیچیدگی فیزیکی را پنهان کند؛ کاربر باید بداند خروجی به کدام فرضها وابسته است.
رقابت پلتفرمها
شرکتهای مختلف از سختافزارهای ابررسانا، یون بهدامافتاده، فوتونیک و معماریهای دیگر استفاده میکنند و هر کدام نرمافزار مخصوص خود را دارند. یک پلتفرم چندسختافزاری اگر بخواهد فراگیر شود، باید با تفاوت دستورها، نرخ خطا و مدل دسترسی آنها کنار بیاید. مزیت CUDA-Q این است که انویدیا در ابزارهای محاسبات موازی و توسعهدهندگان GPU سابقه دارد. چالش آن، حفظ بیطرفی نسبت به فروشندگان کوانتومی و ارائهٔ عملکرد واقعی در خارج از اکوسیستم انویدیا خواهد بود.
متنبازبودن بخشی از پلتفرم میتواند به شکلگیری جامعهٔ توسعهدهندگان کمک کند. پژوهشگران میتوانند خطاهای پیادهسازی را بررسی کنند، افزونه بسازند و الگوریتمها را به اشتراک بگذارند. در عین حال، پروژههای صنعتی به پشتیبانی تجاری، تضمین نسخه و امنیت زنجیرهٔ نرمافزار نیاز دارند. ترکیب جامعهٔ باز با خدمات سازمانی مدل رایجی است، اما موفقیت آن به کیفیت مستندات و سرعت پاسخگویی سازنده وابسته خواهد بود.
معنای خبر برای آیندهٔ محاسبات
معرفی CUDA-Q Logical به معنی آمادهبودن رایانهٔ کوانتومی برای استفادهٔ عمومی نیست. اما نشان میدهد صنعت بهتدریج از نمایش آزمایشگاهی به مهندسی چرخهٔ کامل حرکت میکند. تصحیح خطا، مدیریت منابع، شبیهسازی و راستیآزمایی، بخشهایی هستند که باید پیش از رسیدن به سامانههای بزرگ حل شوند. توسعهدهندهای که امروز با این ابزار کار میکند، تجربهای به دست میآورد که در نسلهای بعدی سختافزار هم قابل انتقال است.
ارزش پلتفرم در نهایت با تعداد آزمایشهای قابل تکرار، کیفیت ادغام با دستگاههای مختلف و توانایی کاهش زمان توسعه سنجیده میشود. اگر CUDA-Q Logical بتواند این مسیر را ساده کند، انویدیا در لایهٔ نرمافزار رایانش کوانتومی جایگاه مهمی میگیرد. اگر وعدهٔ قابلراستیآزماییبودن فقط به نمایش تبلیغاتی محدود شود، پژوهشگران به ابزارهای تخصصی فروشندگان سختافزار بازمیگردند. خبر فعلی بیش از آنکه پایان راه باشد، نشانهٔ رقابت برای ساخت ابزارهای پایهٔ عصر کوانتومی است.
در این مسیر، همکاری میان دانشگاه، سازندگان دستگاه و شرکتهای نرمافزاری اهمیت دارد. استانداردهای قابل حمل برای مدار، تعریف مشترک مدل خطا و روشهای روشن گزارش نتیجه میتواند از چندپارگی بازار جلوگیری کند. CUDA-Q Logical بخشی از این گفتوگو را به سمت ابزارهای عملی میبرد و به تیمها اجازه میدهد هزینهٔ آزمون ایدههای خود را پایین بیاورند. پاسخ نهایی را اما آزمایشهای مستقل و کاربردهای واقعی مشخص خواهند کرد.
تاریخ انتشار: ۲۵ شهریور ۱۴۰۵
منبع: NVIDIA Newsroom
