NVIDIA, bekerja sama dengan Universitas Toronto dan Rumah Sakit Penelitian Anak St. Jude, telah memperkenalkan cara baru untuk merancang algoritma kuantum menggunakan trafo terlatih generatif (GPT). Teknologi generative quantum eigensolver (GQE) yang dikembangkan pada platform NVIDIA CUDA-Q memungkinkan peneliti membuat sirkuit kuantum kompleks menggunakan model GPT yang unik. Inovasi ini merupakan bagian dari bidang teknologi AI kuantum yang sedang berkembang dan mewakili langkah penting dalam integrasi AI dan komputasi kuantum.

Platform CUDA-Q sangat penting untuk pengembangan GQE dan menyediakan lingkungan komputasi hybrid yang menggabungkan CPU, GPU, dan QPU. Lingkungan ini penting untuk melatih dan memanfaatkan model GPT di bidang komputasi kuantum. Alan Aspuru-Guzik, salah satu penulis GQE, menyoroti potensi CUDA-Q untuk menjadi standar yang dapat diskalakan di lapangan dan kesesuaiannya untuk akselerasi superkomputer kuantum.

GQE bekerja mirip dengan model bahasa skala besar (LLM) tradisional, menggunakan kosakata operasi kesatuan untuk melatih model transformator. Model ini menghasilkan rangkaian operasi yang membentuk rangkaian kuantum. Metode ini menyederhanakan proses optimasi dengan mengganti evaluasi gradien kuantum dengan pengambilan sampel dan propagasi mundur, sehingga meningkatkan efisiensi sumber daya kuantum. GQE sangat fleksibel dan dapat disesuaikan untuk berbagai aplikasi dan telah dilatih sebelumnya untuk mengurangi kebutuhan evaluasi rangkaian kuantum tambahan.

Penerapan awal GQE menunjukkan kemampuan untuk memperkirakan energi keadaan dasar molekul kecil. Teknik ini menunjukkan paralelisme tinggi dalam akselerasi GPU pada komponen tradisional dan penggunaan beberapa QPU untuk komputasi kuantum, dan selanjutnya ditingkatkan dengan backend multi-QPU CUDA-Q NVIDIA, mqpu. Backend ini memungkinkan pemrosesan bersama kuantum asinkron, sehingga meningkatkan kecepatan komputasi secara signifikan. Seiring berkembangnya komputasi kuantum, kemampuan untuk melakukan paralelisasi di beberapa GPU dan QPU menjadi semakin penting. Interoperabilitas CUDA-Q dengan pustaka akselerasi GPU dan independensi QPU merupakan keuntungan penting untuk eksperimen di masa depan pada QPU fisik yang berbeda.

Kedepannya, kolaborasi ini bertujuan untuk menjajaki berbagai kelompok operator untuk GQE, strategi pelatihan yang optimal, dan kemungkinan pra-pelatihan untuk meningkatkan efisiensi dan konvergensi. Kerangka kerja GQE memiliki potensi penerapan di luar kimia kuantum, sebagaimana dibuktikan oleh karya NVIDIA pada pembelajaran mesin kuantum geometris yang bekerja sama dengan Laboratorium Nasional Los Alamos. Untuk mempelajari lebih lanjut tentang upaya komputasi kuantum GQE dan NVIDIA, kunjungi halaman komputasi kuantum kami dan kunjungi perpustakaan CUDA-Q di GitHub.