[論文レビュー] Quantum-centric Supercomputing for Materials Science: A Perspective on Challenges and Future Directions

Yuri Alexeev, Maximilian Amsler+125 more|arXiv (Cornell University)|Dec 14, 2023

Machine Learning in Materials Science参考文献 467被引用数 4

ひとこと要約

本稿は、材料科学のシミュレーションを加速するために、量子コンピューティング、ハイパフォーマンスコンピューティング（HPC）、および機械学習を統合した量子中心のスーパーコンピューティングフレームワークを提案する。ノイズの多い中規模量子（NISQ）デバイスおよびフェイルセーフアーキテクチャのスケーリングにおける課題に対処し、ハイブリッド量子古典ワークロードと連続変数最適化に重点を置き、主な貢献は、量子古典ハイブリッドHPC統合による材料設計における量子優位性を達成するためのロードマップである。

ABSTRACT

Computational models are an essential tool for the design, characterization, and discovery of novel materials. Hard computational tasks in materials science stretch the limits of existing high-performance supercomputing centers, consuming much of their simulation, analysis, and data resources. Quantum computing, on the other hand, is an emerging technology with the potential to accelerate many of the computational tasks needed for materials science. In order to do that, the quantum technology must interact with conventional high-performance computing in several ways: approximate results validation, identification of hard problems, and synergies in quantum-centric supercomputing. In this paper, we provide a perspective on how quantum-centric supercomputing can help address critical computational problems in materials science, the challenges to face in order to solve representative use cases, and new suggested directions.

研究の動機と目的

• 量子中心のスーパーコンピューティングアーキテクチャを用いて材料科学における量子優位性を達成するための課題を特定・定義すること。
• 量子コンピューティングと古典的HPCおよび機械学習の統合が、効率的な材料シミュレーションを実現する方法を分析すること。
• 量子材料のシミュレーションにおいて、キュービット数とノイズの制限を受ける現在のNISQデバイスの限界に対処すること。
• 量子アルゴリズムを用いて、メタマテリアル設計における離散変数および連続変数の両方を最適化するフレームワークを提案すること。
• 量子優位性が実現可能な、材料科学分野における高インパクトのユースケースを特定する基準を確立すること。

提案手法

• 本稿は、基礎的量子アルゴリズム、ハイブリッド量子古典アーキテクチャ設計、および検証のための古典的量子系シミュレーションをカバーする多段階分析を採用する。
• 特に多数体量子系のシミュレーションにおける計算ボトル neck を焦点として、量子アルゴリズムに関連する古典的ワークロードを評価する。
• 著者らは、メタマテリアルにおける離散的および連続的設計パラメータを同時に最適化できるハイブリッド量子古典アルゴリズムを提案する。
• 近似的な検証および計算的に困難なケースの同定のため、古典的HPCを用いて量子系をシミュレートする。
• フレームワークは、最適なメタマテリアル構造の発見を加速するために機械学習を統合する。
• 量子および古典的ワークロードの共同設計を重視し、量子中心のスーパーコンピューティングセンターにおけるパフォーマンスを最大化する。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングをどのように古典的HPCと統合すれば、材料科学における量子優位性を達成できるか？
• RQ2 NISQおよびフェイルセーフデバイス上で材料の量子シミュレーションをスケーリングするにあたり、どのようなアーキテクチャ的およびアルゴリズム的課題が存在するか？
• RQ3 標準の量子アルゴリズムが二値の出力を返すという制限を考慮すると、材料設計における連続変数の最適化にどのように量子アルゴリズムを適応できるか？
• RQ4 量子中心のスーパーコンピューティングにおいて、量子優位性を示すのに最も有望な材料科学のユースケースは何か？
• RQ5 量子コンピューティングの分野で、高インパクトの応用を特定・優先順位付けするための基準は何か？

主な発見

• 量子コンピューティング、HPC、および機械学習の統合は、特に複雑なメタマテリアルの発見を加速する実現可能な道筋を示している。
• 現在のNISQデバイスはキュービット数とノイズの制限を受けており、検証のためのハイブリッド量子古典ワークロードおよび古典的シミュレーションが不可欠である。
• 離散的および連続的設計変数の両方を同時に最適化できる、新規の量子アルゴリズムが提案されており、標準の量子アルゴリズムの主な制限を克服している。
• 計算的に困難なユースケースの同定および量子アルゴリズムのパフォーマンス検証の両方において、量子系の古典的シミュレーションが不可欠である。
• 量子および古典的ワークロードを共同設計する量子中心のスーパーコンピューティングセンターは、材料科学におけるスケーラブルかつ実用的な量子優位性を達成するために不可欠である。
• 本稿は、量子優位性が最も現れやすい高インパクトの材料科学の応用を特定するためのフレームワークを確立している。