NVIDIA 的 CUDA-Q 减少了量子聚类算法的资源

NVIDIA 宣布其 CUDA-Q 平台（原名为 CUDA Quantum）在量子计算方面取得了重大进展。据 NVIDIA 技术博客称，CUDA-Q 在降低量子聚类算法的资源需求方面发挥了重要作用，使其更适合近期的量子计算应用。

量子聚类算法

量子计算机利用叠加、纠缠和干涉的独特性质从数据中获取见解，理论上比传统计算方法更快。然而，由于缺乏高效的量子随机存取存储器 (QRAM)，早期的量子计算机预计在计算密集型任务方面会表现优异，而不是数据密集型任务。

爱丁堡大学量子软件实验室的副教授 Petros Wallden 博士及其团队利用 CUDA-Q 模拟了新的量子机器学习 (QML) 方法。这些方法显著减少了分析大型数据集所需的量子比特数。他们的研究扩展了 Harrow 在核心集（一种经典的降维技术）方面的工作，使 QML 应用程序在不需要 QRAM 的情况下更加可行。

什么是核心集？

核心集是完整数据集的一个较小的加权子集，它近似于完整数据集的特征。这种方法允许使用明显更少的量子比特来执行数据密集型 QML 任务。Petros 的团队根据可用的量子比特选择了核心集的大小，然后在量子计算后评估了产生的误差。

使用核心集进行聚类的量子方法

随着输入数据减少到可管理的大小，我们探索了三种量子聚类算法：

• 分裂聚类： 对点进行连续二分，直到每个点都属于自己的聚类。
• 3均值聚类： 根据点与演化质心的关系，将点划分为三个簇。
• 高斯混合模型（GMM）聚类： 根据高斯分布的混合将点分类为集合。

每种方法输出一组核心集，将初始数据集映射到这些核心集，从而对数据集进行近似聚类和降维。

使用 CUDA-Q 克服可扩展性问题

探索这些 QML 聚类方法需要进行模拟，CUDA-Q 通过提供对 GPU 硬件的轻松访问来促进这一过程。这使得 Petros 的团队能够对高达 25 个量子比特的问题进行全面的模拟。CUDA-Q 的基元（例如硬件高效的 ansatz 内核和自旋汉密尔顿算子）对于基于汉密尔顿算子的优化过程至关重要。

早期模拟在 CPU 硬件上运行，但由于内存限制，仅限于 10 个量子比特。切换到 NVIDIA DGX H100 GPU 系统后，得益于 CUDA-Q 的兼容性和可扩展性功能，团队无需修改初始代码即可将量子比特扩展到 25 个。

CUDA-Q 模拟的价值

模拟这三种聚类算法可以与 Lloyd 算法等经典方法进行对比。结果表明，量子算法在 GMM（K=2）和分裂聚类方法中表现最佳。

Petros 团队计划继续与 NVIDIA 合作，使用 CUDA-Q 开发和扩展新的量子加速超级计算应用程序。

探索 CUDA-Q

CUDA-Q 支持新型 QML 实现的开发和模拟，其代码可移植，以进行进一步的大规模模拟或部署在物理量子处理单元 (QPU) 上。

如需了解更多信息并开始使用 CUDA-Q，请访问 NVIDIA 技术博客。

图片来源：Shutterstock