Azure Quantum Kaynak Tahmin Aracı'na giriş

Bu makalede, kuantum bilgisayarda kuantum programını çalıştırmak için gereken kaynakları tahmin etmenizi sağlayan güçlü bir açık kaynak aracı olan Azure Quantum Kaynak Tahmin Aracı tanıtılır.

Azure Quantum Kaynak Tahmin Aracı nedir?

Azure Quantum Resource Estimator, hataya dayanıklı bir kuantum bilgisayarda belirli bir kuantum algoritmasını yürütmek için gereken kaynakları tahmin etmenizi sağlayan açık kaynak bir araçtır.

İpucu

Azure Quantum Kaynak Tahmin Aracı ücretsizdir ve Azure hesabı gerektirmez.

Kaynak Tahmin Aracı, fiziksel ve mantıksal kubitlerin toplam sayısını, çalışma zamanının yanı sıra her tahmin için kullanılan formüllerin ve değerlerin ayrıntılarını sağlar. Bu, performansı iyileştirme ve maliyeti azaltma hedefiyle algoritma geliştirmenin odak noktası haline geldiği anlamına gelir. Azure Quantum Resource Estimator ile kubit teknolojilerini, kuantum hata düzeltme düzenlerini ve diğer donanım özelliklerini karşılaştırarak bunların bir kuantum programını çalıştırmak için gereken kaynakları nasıl etkilediğini anlayabilirsiniz.

İyi bilinen, önceden tanımlanmış kubit parametre ayarları ve kuantum hata düzeltmesi (QEC) şemalarından başlayabilir veya işlem hata hızları, işlem hızları ve hata düzeltme düzenleri ve eşikler gibi çok çeşitli makine özelliklerinde benzersiz ayarlar yapılandırabilirsiniz.

Kuantum bilişiminin geliştirilmesinde kaynak tahmini neden önemlidir?

Kuantum bilgisayarlar önemli bilimsel ve ticari sorunları çözmeyi vaat etse de, ticari uygulanabilirliğe ulaşmak için hem süper pozisyondaki çok sayıda kubit hem de belirli bir eşiğin altındaki fiziksel hata oranlarına sahip büyük ölçekli, hataya dayanıklı kuantum bilgisayarlar gerekir. Ticari ve bilimsel uygulanabilirlik, hataya dayanıklılık elde etmek için QEC şemalarını da gerektirir. QEC hem zaman hem de alan açısından yoğundur ve algoritma veya mantıksal düzeyde işlemler için daha fazla yürütme süresine ek olarak bilgileri depolamak ve hesaplamak için ek fiziksel kubitler gerektirir.

Kaynak Tahmin Aracı'nı kullanarak mimari tasarım seçimlerinin ve kuantum hata düzeltme düzenlerinin etkisini anlayabilirsiniz. Kaynak Tahmin Aracı, bir uygulamayı çalıştırmak için kaç kubit gerektiğini, çalıştırılmasının ne kadar süreceğini ve belirli bir sorunu çözmek için hangi kubit teknolojilerinin daha uygun olduğunu anlamanıza yardımcı olur. Bu gereksinimleri anlamak, kuantum çözümlerini gelecekteki, ölçeklendirilmiş kuantum makinelerinde çalışacak şekilde hazırlamanıza ve geliştirmenize olanak tanır.

Kaynak Tahmin Aracı'nı hangi özellikler benzersiz yapar?

Kaynak Tahmin Aracı, kuantum bilişim yığınının tüm düzeylerini içeren güçlü bir araçtır. Kuantum bilgi işlem yığını üç düzeye ayrılabilir: uygulama düzeyi, kuantum programlama veya derleme düzeyi ve donanım veya modelleme düzeyi.

Kaynak Tahmin Aracı, her düzeyin parametrelerini özelleştirmenize ve bunların kuantum programını çalıştırmak için gereken genel kaynakları nasıl etkilediğini analiz etmenizi sağlar.

Kaynak Tahmin Aracı'nın kuantum bilgi işlem yığını düzeylerini gösteren diyagram.

Özelleştirme

Kaynak Tahmin Aracı'nı uyarlayabilir ve kuantum sisteminizin özelliklerini belirtebilirsiniz. Önceden tanımlanmış target parametreleri kullanabilir veya gereksinimlerinize göre özelleştirebilirsiniz. Daha fazla bilgi için bkz. Kaynak tahminlerini makine özelliklerine göre özelleştirme.

Hedef parametreler Sisteminizi açıklama
Fiziksel kubit modeli Örneğin yönerge kümesini, kubit ölçüm süresini, hata oranlarını veya kapı sürelerini belirtin.
Kuantum hata düzeltme düzeni Örneğin, mantıksal kubit başına fiziksel kubit sayısını, mantıksal döngü süresini veya hata düzeltme eşiğini belirtin.
Hata bütçesi Örneğin, mantıksal kubitler, T durumları damıtma ve döndürme geçitlerinin sentezini uygulamak için hata bütçesini belirtin.
Damıtma birimleri Örneğin, damıtma işlemi için gereken T durumlarının sayısını, damıtma işleminden çıktı olarak üretilen T durumlarının sayısını veya damıtma işleminin başarısız olma olasılığını belirtin.
Kısıtlamalar Örneğin, en fazla fiziksel kubit sayısını, en fazla çalışma zamanını veya en fazla T fabrika kopyası sayısını belirtin.

Esneklik

Kaynak Tahmin Aracı'na kendi kodunuzu ve derleme araçlarınızı getirebilirsiniz. Kaynak Tahmin Aracı, Q# ve Qiskit gibi QIR'ye çevrilen tüm dilleri destekler. Bkz. Kaynak Tahmin Aracı'nı çalıştırmanın farklı yolları.

Birden çok tahmini toplu iş

Kaynak Tahmin Aracı, farklı parametre yapılandırmaları targetiçin aynı kuantum algoritmasını çalıştırmak için gereken kaynakları tahmin etmenizi ve sonuçları karşılaştırmanızı sağlar. Bu şekilde kubit mimarisinin, QEC düzeninin ve diğer parametrelerin target genel kaynakları nasıl etkilediğini anlayabilirsiniz.

İyileştirme

Genel maliyete bazı tahminler ekleyerek Kaynak Tahmin Aracı'nın yürütme süresini kısaltabilirsiniz. Örneğin, büyük bir programla çalışıyorsanız , alt yönlendirmelerin maliyetini hesaplayabilir ve önbelleğe alabilirsiniz veya bir işlemin tahminlerini zaten biliyorsanız bunları Kaynak Tahmin Aracı'na geçirebilirsiniz.

Kaynakların görselleştirmesi

{kubit sayısı, çalışma zamanı} çiftlerinin en uygun bileşimini bulmanıza olanak tanıyan uzay-zaman diyagramını kullanarak fiziksel kubit sayısı ile algoritmanın çalışma zamanı arasındaki dengeleri görselleştirebilirsiniz.

Ayrıca, alan diyagramını kullanarak algoritma ve T fabrikaları için kullanılan fiziksel kubitlerin dağılımını inceleyebilirsiniz.

Kaynak Tahmin Aracı'nı kullanmaya başlama

Kaynak Tahmin Aracı, Azure Quantum Geliştirme Seti'nin (Modern QDK) bir parçasıdır. Başlamak için bkz. İlk kaynak tahmininizi çalıştırma.

Aşağıdaki tabloda farklı kullanıcı senaryoları ve Kaynak Tahmin Aracı ile başlamak için önerilen makaleler gösterilmektedir.

Kullanıcı senaryosu Şunu yapmak istiyorsunuz:
QEC kodları geliştiriyorum QEC kodlarınızı özelleştirmek ve farklı parametre bileşimlerini karşılaştırmak için Kaynak Tahmin Aracı'nı kullanabilirsiniz. Bkz. QEC şemalarınızı özelleştirme.
Kuantum algoritmaları geliştiriyorum Donanım ve yazılım profillerinin farklı yapılandırmalarının kaynak gereksinimleri üzerindeki etkisini analiz ederek, kuantum algoritmanızın farklı donanım ve hata koşullarında nasıl performans gösterebileceğine ilişkin içgörüler elde edebilirsiniz. Bu bilgiler algoritmanızı belirli kuantum donanımı veya hata oranları için iyileştirmenize yardımcı olabilir. Bkz . Parametrelerin target birden çok yapılandırmasını çalıştırma.
Kuantum programlarının performansını geliştirmek istiyorum Kaynak Tahmin Aracı'nın gücünden nasıl yararlanacağınızı öğrenmek için bkz . Büyük programları çalıştırma ve Bilinen tahminleri kullanma.
Büyük ölçekli kuantum bilişimi ile ilgileniyorum Büyük ölçekli hataya dayanıklı kuantum bilgisayarlar tarafından çözülmesi beklenen gerçek dünya sorunlarının kaynaklarını analiz etmek için Kaynak Tahmin Aracı'nı kullanabilirsiniz. Nasıl yapıldığını görmek için bkz. Büyük ölçekli kuantum bilişimi için kaynak tahmini.
Kuantum güvenli şifreleme geliştiriyorum Farklı şifreleme algoritmalarının performansını, anahtar güçlü yönlerini, kubit türlerini ve hata oranlarını ve bunların kuantum saldırılarına dayanıklılığını karşılaştırmak için Kaynak Tahmin Aracı'nı kullanabilirsiniz. Bkz . Kaynak tahmini ve şifreleme.

Not

Kaynak Tahmin Aracı ile çalışırken herhangi bir sorunla karşılaşırsanız Sorun Giderme sayfasına göz atın.

Büyük ölçekli kuantum bilişimi için kaynak tahmini

Büyük ölçekli kuantum bilgisayarlar için kuantum algoritmaları geliştirmek istiyorsanız Kuantum kimyası sorununun kaynaklarını tahmin etme öğreticisini gözden geçirin.

Bu öğretici, kuantum çözümlerinin kaynak tahminini elektronik yapı sorunlarıyla tümleştirmek için ilk adımı temsil eder. Ölçeklendirilmiş kuantum bilgisayarların en önemli uygulamalarından biri kuantum kimyası sorunlarını çözmektir. Karmaşık kuantum mekanik sistemlerinin simülasyonu karbon yakalama, gıda güvensizliği ve daha iyi yakıtlar ve malzemeler tasarlama gibi alanlarda atılımları ortaya çıkarma potansiyeline sahiptir.

Örneğin, bu öğreticide kullanılan Hamiltonian'lardan biri olan nitrogenase_54orbital azot enzimini açıklar. Bu enzimin kuantum düzeyinde nasıl çalıştığını doğru bir şekilde simüle edebilirseniz, büyük ölçekte nasıl üretildiğini anlamamıza yardımcı olabilir. Gezegeni besleyecek kadar gübre üretmek için kullanılan yüksek enerji yoğunluklu süreci değiştirebilirsiniz. Bu, küresel karbon ayak izini azaltma potansiyeline sahiptir ve ayrıca artan bir popülasyondaki gıda güvensizliği ile ilgili endişeleri gidermeye yardımcı olur.