Скалируема и прецизна квантово-класическа оптимизация


Проект финансиран от националната научна програма "Петър Берон и НИЕ

Относно

Относно проекта

Разработване на хибридни класическо-квантови методи за подобряване на точността и скаримуестта на съвремените квантови отгряващи компютри.

Начало: 1 Юни, 2022

Край: 31 май, 2024

Финансиран от: Фонд "Научни изследвания" (ФНИ)

Резюме: Квантовите отгряващи (КО) компютри като тези предлагани от компанията D-Wave Systems целят да използват квантовите ефекти за бързо намиране на висококачествени приблизителни решения на НП-сложни задачи, които са трудни за решаване от класическите компютри. Основните затруднения, ограничаващи практическото въздействие на КО компютрите, са свързани с тяхната мащабируемост—ограничените размери на задачите, които сегашните КО компютри могат да решават—и влиянието на термалните шумове върху хардуера, което се отразява върху точността на решенията. Целта на настоящия проект е да се създаде единен метод, който да е насочен както към мащабируемостта, така и към въпросите за точността на КО компютрите, и това значително да увеличи размерите на задачите, които могат да бъдат решени близо до оптималност на съществуващите квантови компютри. По-конкретно, ние ще проектираме методи за: 1) разделяне на големи задачи в подзадачи, достатъчно малки за да се поберат в хардуера, решаване на всяка от тях, и комбиниране на тези решения в решение на първоначалната задача; и 2) намаляване на ефекта от хардуерните грешки и шума от околната среда чрез намиране на комбинации от настройващи се хардуерни параметри, които намаляват негативните ефекти. Резултатите от този проект ще помогнат за увеличаване на кръга от задачи, които настоящите податливи на грешки, средно-мащабни квантови компютри могат успешно да решават.

Публикации

Списък на свързани публикации

От началото на проекта

  1. H. Djidjev.
    Replication-based quantum annealing error mitigation. 21st ACM International Conference on Computing Frontiers, ACM, 2024
  2. G. Hahn, E. Pelofske, H. Djidjev.
    Posiform planting: generating QUBO instances for benchmarking. Frontiers in Computer Science, 5, Frontiers Media SA, 2023.
  3. E. Pelofske, G. Hahn, H. Djidjev.
    Initial state encoding via reverse quantum annealing and h-gain features. IEEE Transactions on Quantum Engineering, 4, IEEE, 2023
  4. H. Djidjev.
    Quantum annealing with inequality constraints: the set cover problem. Advanced Quantum Technologies, 6, 11, 2023.
  5. H. Djidjev.
    Logical qubit implementation for quantum annealing: augmented Lagrangian approach. Quantum Science and Technology, 8 035013, 2023.
  6. E. Pelofske, G. Hahn, H. Djidjev.
    Noise dynamics of quantum annealers: estimating the effective noise using idle qubits. Quantum Science and Technology, 8 (3), 035005, 2023.
  7. E. Pelofske, G. Hahn, H. Djidjev.
    Solving larger maximum clique problems using parallel quantum annealing. Quantum Information Processing, 22 (5), 219, 2023.
  8. M Bhattarai, I Boureima, E Skau, B Nebgen, H Djidjev, et al.
    Distributed non-negative RESCAL with automatic model selection for exascale data. Journal of Parallel and Distributed Computing, 2023.
  9. E. Pelofske, G. Hahn, H. Djidjev.
    Parallel quantum annealing. Scientific Reports, 12, 1, Nature Publishing Group, 2022
  10. E. Pelofske, G. Hahn, H. Djidjev.
    Inferring the Dynamics of the State Evolution During Quantum Annealing. IEEE Transactions on Parallel and Distributed Systems, 33, 2, IEEE, 2022.
  11. I. Boureima, M. Bhattarai, M. Eren, N. Solovyev, H. Djidjev, B. Alexandrov.
    Distributed Out-of-Memory SVD on CPU/GPU Architectures, IEEE High Performance Extreme Computing Conference (HPEC), 2022, Outstanding Paper award.
  12. J. Abhijith, A. Adedoyin, J. Ambrosiano, P. Anisimov, P. Casper, G. Chennupati, C. Coffrin, H. Djidjev, et al.
    Quantum Algorithm Implementations for Beginners. ACM Transactions on Quantum Computing, 3, 4, 2022.

Предишни избрани публикации

  1. E Pelofske, G Hahn, D O`Malley, HN Djidjev, BS Alexandrov.
    Quantum annealing algorithms for Boolean tensor networks, Scientific Reports 12 (1), 1-19, 2022.
  2. E Pelofske, G Hahn, HN Djidjev.
    Parallel quantum annealing, Scientific Reports 12 (1), 1-11, 2022.
  3. A. Barbosa, E Pelofske, G Hahn, HN Djidjev.
    Using machine learning for quantum annealing accuracy prediction, Algorithms 14 (6), 187, 2021.
  4. A. E Pelofske, G Hahn, H Djidjev.
    Decomposition algorithms for solving NP-hard problems on a quantum annealer, Journal of Signal Processing Systems 93 (4), 405-420, 2021.
  5. A. E Pelofske, G Hahn, H Djidjev.
    Reducing quantum annealing biases for solving the graph partitioning problem, Proceedings of the 18th ACM International Conference on Computing Frontiers, 133-139, 2021.

Състав




Състав:



Христо Джиджев

Изследовател
Институт по информационни и комуникационни технологии, София, България
и
Los Alamos National Laboratory, Los Alamos, NM 87545, USA djidjev@parallel.bas.bg

Светозар Маргенов

Научен ръководител
Институт по информационни и комуникационни технологии, София, България margenov@parallel.bas.bg

Elijah Pelofske

Bъншен сътрудник
Los Alamos National Laboratory, Los Alamos, NM 87545, USA epelofske@lanl.gov

Georg Hahn

Bъншен сътрудник
Harvard T.H. Chan School of Public Health, Boston, MA 02115, USA ghahn@hsph.harvard.edu

Контакти

Информация за контакти

Адрес

Институт по информационни и комуникационни технологии

ул. Акад. Г. Бончев, блок 25А, 1113, София, България

Ел. поща

djidjev@parallel.bas.bg

Телефон

+359 2 979 6611