NVIDIA は、トロント大学およびセントジュード小児研究病院と共同で、生成的事前トレーニング済みトランスフォーマー (GPT) を使用して量子アルゴリズムを設計する新しい方法を導入しました。NVIDIA CUDA-Q プラットフォームで開発された生成的量子固有値ソルバー (GQE) 技術により、研究者は独自の GPT モデルを使用して複雑な量子回路を作成できます。このイノベーションは、成長を続ける量子向け AI 技術の分野の一部であり、AI と量子コンピューティングの統合における重要な一歩となります。

CUDA-Q プラットフォームは GQE の開発に不可欠であり、CPU、GPU、QPU を組み合わせたハイブリッド コンピューティング環境を提供します。この環境は、量子コンピューティングの領域で GPT モデルをトレーニングおよび利用するために不可欠です。GQE の共著者である Alan Aspuru-Guzik 氏は、CUDA-Q がこの分野でスケーラブルな標準になる可能性を強調し、加速された量子スーパーコンピューティングに適していることを強調しています。

GQE は従来の大規模言語モデル (LLM) と同様に動作し、ユニタリ演算の語彙を使用してトランスフォーマー モデルをトレーニングします。このモデルは、量子回路を形成する演算シーケンスを生成します。この方法は、量子勾配評価をサンプリングとバックプロパゲーションに置き換えることで最適化プロセスを簡素化し、量子リソースの効率を高めます。GQE は柔軟性が高いため、さまざまなアプリケーションに合わせてカスタマイズしたり、事前トレーニングして追加の量子回路評価の必要性を減らすことができます。

GQE の最初のアプリケーションでは、小分子の基底状態エネルギーを推定できることが実証されました。この手法は、従来のコンポーネントの GPU アクセラレーションと量子計算用の複数の QPU の使用の両方において高い並列性を発揮し、NVIDIA の CUDA-Q マルチ QPU バックエンドである mqpu によってさらに改善されました。このバックエンドにより、非同期の量子コプロセッシングが可能になり、計算速度が大幅に向上します。量子コンピューティングが拡大するにつれて、複数の GPU と QPU にわたる並列化能力がますます重要になります。CUDA-Q の GPU アクセラレーション ライブラリとの相互運用性と QPU に依存しない点は、さまざまな物理 QPU での今後の実験にとって重要な利点です。

今後、このコラボレーションは、GQE のさまざまな演算子プール、最適なトレーニング戦略、効率と収束性を高めるための事前トレーニングの可能性を探ることを目指しています。GQE フレームワークは、NVIDIA がロスアラモス国立研究所と共同で行っている幾何学的量子機械学習の研究からもわかるように、量子化学以外の分野にも応用できる可能性があります。GQE と NVIDIA の量子コンピューティングの取り組みの詳細については、量子コンピューティング ページにアクセスし、 GitHubの CUDA-Q ライブラリにアクセスしてください。