HybriD-GM: parallel model for quantum computing targeted to hybrid architectures

• Autor(a) principal: Avila, Anderson Braga de
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFPel - Guaiaca
• Texto Completo: http://guaiaca.ufpel.edu.br/handle/prefix/6892
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Computação; Quantum computing; Hybrid simulation; GPU

Uma grande quantidade de pesquisas científicas e desenvolvimentos tecnológicos ainda depende de simulações de computação quântica, uma vez que os computadores quânticos ainda são limitados por implementações físicas. Atualmente, o desenvolvimento de algoritmos de computação quântica tem sido realizado por procedimentos analíticos ou de simulação enquanto os computadores quânticos não estão amplamente disponíveis. Embora a simulação de computação quântica seja paralela por natureza, a complexidade espacial e temporal são os maiores riscos de desempenho, pois os estados quânticos e as transformações quânticas aumentam exponencialmente com o número de qubits simulados. Esta proposta contribui desde a concepção até a consolidação do modelo HybriD-GM, bem como introduz a extensão do ambiente D-GM, proporcionando execuções paralelas eficientes para computação quântica, que neste trabalho é voltada para arquiteturas híbridas, considerando tanto CPU quanto GPU. O modelo HybriD-GM explora as potencialidades da Computação de Alto Desempenho, fornecendo funcionalidades e explorando operadores de projeção que atuam em estruturas quânticas, estados e transformações, para manipular a granularidade e distribuição de cálculos. Neste contexto, a distribuição das computações é baseada em estruturas de dados em árvore, onde os nós intermediários e finais correspondentes às camadas de projeção e execução são configurados para otimizar os recursos de hardware. Simulações dos algoritmos de Shor e Grover foram realizadas a fim de avaliar o modelo HybriD-GM, e os resultados alcançaram melhorias de desempenho significativas para execuções em CPU e GPU. Quando comparados com a versão anterior do D-GM, eles apresentaram speedups de 21 e 9; 5 para simulações paralelas em CPU e de 61; 9 e 38; 32 para simulações em GPU. Além disso, em relação aos simuladores LIQUiji e ProjectQ, a simulação paralela com 23 qubits do Shor foi 4; 64 mais rápida e do Grover foi 32 mais rápida. Os resultados das simulações híbridas mostraram que é possível aumentar o desempenho para algumas classes de algoritmos, melhorando o desempenho do algoritmo de Grover em até 3; 18 em comparação ao uso apenas da abordagem GPU.