这篇文章最初发表在 NVIDIA 技术博客上。
从复杂系统的数值模拟和优化到机器学习 (ML)，量子计算有可能彻底改变行业的各个方面。汽车行业的许多计算挑战非常适合量子计算，包括新型材料的开发、高效的部件设计、优化制造流程和准确的风险预测。
NVIDIA Omniverse GPU 的优势在于NVIDIA cuQuantum，这是一个用于加速量子电路模拟的 SDK。而宝马集团最近发表了一项关于面向应用的量子机器学习基准测试的研究。
目前，该小组正在研究量子计算如何增强生成建模中的算法。他们观察到，使用 cuQuantum 时，模拟性能提高了 300 倍，从每次迭代 8 小时提高到几分钟。
对量子计算系统进行基准测试
生成式 AI 是一种 ML 技术，其中算法被训练以创建类似于其训练数据的新数据样本。它常用于图像生成、文本转语音等任务，以及旨在生成新内容的其他应用。ML 中的量子方法可以帮助生成针对特定参数优化的设计，从而实现更快、更高效的设计探索。
生成式 AI 还可应用于整个汽车价值链。例如，电池技术开发可以通过帮助探索新型燃料电池材料、优化充电和放电方法以及预测电池寿命，从量子 ML 中受益。
然而，对量子计算机实际应用潜力的系统评估很少，因此量子计算在行业中的确切优势和应用难以区分。因此，从硬件到模拟器，对量子计算系统进行基准测试的需求对于评估量子算法的扩展性能和改进量子计算机的开发至关重要。
夸克
QUARK 是一个基准测试框架，旨在适应量子计算不同领域的应用程序，例如量子机器学习、优化和数值模拟。它提供了一个标准化且可扩展的平台，用于评估和比较量子算法与硬件实现。QUARK 评估了宝马集团量子计算算法的效率，并能够比较从量子模拟器和量子硬件获得的性能。
模拟量子电路
当前 量子处理器 (QPU) 由于存在噪声且只能小规模使用，这限制了算法研究的进展。此外，与真正的量子硬件不同，模拟器可以直接访问代表量子系统的信息。因此，电路模拟技术是推动量子计算领域发展的关键工具。
尤其是在量子 ML 中，经验验证算法的输出至关重要。虽然许多量子算法已针对小型系统提出并实施，但随着系统规模的扩大，评估这些算法的可靠性仍然是一个严峻的挑战。
这就产生了对加速大规模量子模拟的迫切需求。有许多量子电路模拟器可用。QUARK 基准测试框架有助于为特定量子工作负载或研究目标确定模拟器的最佳选择。
支持各行各业的量子应用
NVIDIA cuQuantum 是一个用于加速量子计算工作流程的优化库和工具集 SDK。借助 NVIDIA Tensor Core GPU，开发者可以利用 cuQuantum 将基于状态向量和张量网络方法的量子电路模拟速度提升一个数量级。
图 1. NVIDIA cuQuantum 将量子电路的模拟速度提高了 300 倍，使量子生成模型的单次迭代训练只需几分钟(而不是 8 小时)
宝马集团的科学家仅对其代码库进行了细微更改，就能够释放 cuQuantum SDK 的强大功能，实现高达 30 量子位的模拟。通过利用 cuQuantum SDK 中的 cuStateVec 在量子电路模拟方面的强大功能，他们发现使用 NVIDIA A100 Tensor Core GPU 的 40 GB 版本，与双 AMD EPYC 7742 CPU 上的性能相比，GPU 提供了显著的加速。
图 2.在训练期间，量子模型学习复制目标分布
汽车用例的量子应用
由宝马集团展示并由 NVIDIA 加速的开发成果展示了用于量子应用基准测试的宝贵高性能框架。借助 NVIDIA cuQuantum，宝马集团能够显著缩短使用 QUARK 的量子生成模型的训练时间和基准测试，从而在处理有用的量子 ML 工作负载方面消除了相当大的计算瓶颈。这项工作共同实现了量子应用从理论探索过渡到实用、有影响力的解决方案的重要步骤，从而在各行各业中实现更广泛的量子应用。