Multi-GPU-Enabled Hybrid Quantum-Classical Workflow in Quantum-HPC Middleware: Applications in Quantum Simulations

在量子系统上实现高性能计算是一个艰巨的挑战，需要弥合量子硬件和经典计算资源之间的能力差距。本研究介绍了一种创新的分布感知的量子-经典-量子(QCQ)架构，该架构将尖端的量子软件框架与高性能的经典计算资源相结合，以解决材料和凝聚态物理中的量子模拟挑战。该架构的核心是将在QPUs上运行的VQE算法与张量网络状态和QCNNs在经典硬件上分类量子状态进行无缝集成。 为了对量子模拟器进行基准测试，QCQ架构利用cuQuantum SDK来利用多GPU加速，集成了PennyLane的Lightning插件，相对于传统的基于CPU的方法，展示了复杂相变分类任务的计算速度增加了十倍。这种显著的加速使得横向场Ising和XXZ系统等模型能够以99.5%的准确率准确预测相变。架构的计算分布能力解决了量子-HPC中的关键瓶颈，为可扩展的量子模拟铺平了道路。 QCQ框架体现了量子算法、机器学习和量子-HPC能力的协同组合，增强了其在不同尺度的量子系统行为方面提供变革性见解的潜力。随着量子硬件的不断改进，这种混合分布感知框架将在无缝集成分布式量子资源和最先进的经典计算基础设施方面发挥关键作用，实现量子计算的全部潜力。

本论文旨在解决量子仿真中的高性能计算挑战，提出了一种分布感知的量子-经典-量子（QCQ）架构，以整合量子软件框架和高性能经典计算资源，应对材料和凝聚态物理中的量子仿真挑战。

QCQ架构将VQE算法在QPUs上运行与Tensor Network状态和QCNNs在经典硬件上分类量子状态无缝集成，通过分布计算解决了量子高性能计算中的瓶颈，实现了可扩展的量子仿真。

论文使用cuQuantum SDK和PennyLane的Lightning插件进行基准测试，实现了复杂相变分类任务的计算速度提高了10倍，能够准确预测相变，并且在分布计算中具有可扩展性。该框架结合了量子算法、机器学习和量子高性能计算的能力，具有提供量子系统行为不同尺度上的转化性洞见的潜力。

近期的相关研究包括：1.《Quantum Computing for the Determination of Molecular Properties》；2.《Quantum Machine Learning》；3.《Tensor Network Contractions for the Prediction of Molecular Properties》等。