Benchmarking von Quantencomputern für industrielle Anwendungen
Quelle: Pressemitteilung Terra Quantum
Terra Quantum, ein europäisches Unternehmen, das sich mit Quantentechnologie beschäftigt, legt einen umfassenden Bericht zum Benchmarking öffentlich verfügbarer simulierter und nativer Quantencomputerplattformen vor. Damit lassen sich, wie das Unternehmen mitteilt, die jeweils beste, verfügbare Option für industrielle Anwendungen finden.
Ein solches Benchmarking ist laut der Anfang dieses Jahres erschienen Studie von Boston Consulting Group („The Race to Quantum Advantage Depends on Benchmarking“)“ ein wichtiges Thema in der Branche. Die Studie “Benchmarking simulated and physical quantum processing units using quantum and hybrid algorithms”vergleicht Geschwindigkeit, Kosten und Ergebnisqualität von öffentlich verfügbaren nativen Quantenprozessoren: von Ionq, Rigetti, Oxford Quantum Circuits und IBM sowie von simulierten Quantenprozessoren von QMware und Amazon Braket. Der erste Benchmark wurde am 25. November 2022 abgeschlossen.
Ziel der Studie war es, zu untersuchen, wie die Vorhersagegenauigkeit und die Trainingszeit von neuronalen Quantennetzen durch die Verwendung eines hybriden quantenklassischen Ansatzes verbessert werden können. Der Benchmark ergab, dass die Kombination aus simulierten Quantenprozessoren und klassischen Hochleistungscomputern den leistungsfähigsten, kosteneffizientesten und robustesten Ansatz liefert.
In der Auswahl
Der erste und umfasst eine Vielzahl öffentlich verfügbarer nativer (QPUs: „Ionq Harmony“, „Rigetti Aspen M-2“, Oxford Quantum Circuits’ „OQC Lucy“ und „IBM Falcon r5.11“) und simulierter Quantencomputer („AWS m5.24xlarge“, „AWS SV1“ und „Qmware HQC4020“. Da sich die Studie auf reale Anwendungen konzentrierte, wurden bewusst Systeme ausgeschlossen, die exklusiv sind oder sich noch in einem experimentellen Stadium befinden, zum Beispiel der IBM-Simulator „Statevector“ und die „Atos Quantum Learning Machine“; QPUs wie der IBM „Eagle“-Prozessor, das Honeywell-System „Model H1“ und der „Sycamore“-Prozessor von Google, aber auch Quantensimulations-Backends wie die „Qiskit“-Suite von IBM für maschinelles Lernen und das „Qulacs“-Paket. Terra Quantum plant, das Benchmarking fortzusetzen und die Studie entsprechend zu erweitern, sobald nach dem Dafürhalten des Unternehmens die Technologie ausgereift genug ist.
Markus Pflitsch, CEO und Gründer von Terra Quantum, liefert folgende Erklärung: „Der Benchmark liefert verlässliche Erkenntnisse für jeden, der die Implementierung von Quantencomputing evaluiert, um die Vorteile der Quantentechnologie heute effizient zu nutzen und sich auf die Quantenzukunft vorzubereiten.“
Mit diesen Einschränkungen wurde bei dem Benchmarking die Kombination aus Geschwindigkeit, Betriebskosten und Qualität der Leistung gemessen. Die Ergebnisse zeigen, dass eine Kombination aus simulierten Quantenprozessoren und klassischen Hochleistungsrechnern Hochleistungsrechnern (hybrider Ansatz) die derzeit zeit- und kosteneffizienteste Lösung für das Training von Quantenalgorithmen darstellt.
Das Ausklammern von Problemen
Zum Beispiel vermeidet das Training der neuronalen Netze auf einem simulierten Quantenprozessor die kostenintensiven Wiederholungen, die bei nativen Quantenprozessoren durch häufige Berechnungsfehler erforderlich sind. Die heutigen Fehleranfällige native Quantenprozessoren reduzieren die Funktionsfähigkeit großer physikalischer Qubits auf nur wenige nutzbare Qubits.
Tatsächlich ist die Überwindung dieser Fehler derzeit einer der größten Herausforderungen für die Anbieter von nativen Quantenprozessoren. Simulierte Quantenprozessoren bieten zurzeit bis zu 40 fehlerfreie, so genannte algorithmische Qubits – QMware bis zu 40 und AWS SV1 bis zu 34 simulierte Qubits. Georg Gesek, CTO und Mitbegründer von Qmware, erläutert: „Bei Algorithmen, die weniger als 30 Qubits benötigen, lieferten sie sogar schnellere Ergebnisse als ihre nativen Gegenstücke.“
Er setzt hinzu: Die von Qmware simulierte QPU ist bis heute die schnellste öffentlich verfügbare Option für Algorithmen, die weniger als 27 Qubits benötigen.“ In dem Benchmark habe die Soft- und Hardwareplattform des Herstellers die Daten zu 78 Prozent schneller als die zweitbeste verarbeitet.