• <xmp id="om0om">
  • <table id="om0om"><noscript id="om0om"></noscript></table>
  • 3 月 19 日下午 2 點,鎖定 NVIDIA AI 網絡中文專場。立即注冊觀看
    模擬/建模/設計

    利用 NVIDIA CUDA-Q 和 NVIDIA cuDNN 加速太陽能預測的量子算法實現

    改善可持續能源的來源是一個全球性問題,具有環境和經濟安全方面的影響。臺灣中原基督教大學電力系統與能源杰出教授 Ying-Yi Hong 研究混合量子經典方法,這些方法利用 量子計算 來解決電力系統和可持續能源方面的挑戰性問題。

    Hong 教授的研究團隊重點關注太陽輻射預測,目標是利用地理和歷史數據來預測光伏發電場的發電量,使電力公司能夠以最佳方式調度傳統的基于礦物燃料的發電。

    Hong 教授和他的學生 Dylan Lopez 使用 NVIDIA CUDA-Q 平臺 ,通過混合量子神經網絡(HQNN)運行的計算來預測太陽輻射。這項工作最近發表在論文《 使用混合量子神經網絡進行太陽輻射預測:GPU-Based Workflow 開發平臺的比較 》中。

    與其他領先的量子模擬器相比,HQNN 的這項工作利用了 CUDA-Q 與 NVIDIA cuDNN 庫的互操作性,實現了模型訓練速度提升 2.7 倍,測試集錯誤率降低了 3.4 倍。

    什么是混合量子神經網絡?

    經典神經網絡(NN)是可訓練的 機器學習(ML) 模型,由類似于大腦中連接神經元的數學運算層構建而成。每個層都由神經元組成,這些神經元通過可訓練權重連接到相鄰層中的神經元。一個標準的神經網絡包括接收原始數據的輸入層、應用各種變換的隱藏層,以及生成最終預測的輸出層。

    NN 是使用數據集訓練的 ML 模型,可找到可最小化成本函數的最佳參數。經過訓練的模型可以在稱為 推理 的過程中根據新數據進行預測。事實證明,NN 在為復雜系統建模時非常有效。

    HQNN 具有相同的目標,但會將傳統神經網絡的一層或多層替換為所謂的“ 量子 層”中的參數化量子電路。量子層由幾個重要的子層組成(圖 1)。

    Diagram of a standard quantum layer within a hybrid quantum neural network showing encoding layer, parametric unitary, classical data, and more.
    圖 1. 混合量子神經網絡中的標準量子層。

    首先,輸入數據通過編碼層被編碼到量子電路中。然后,一組參數化的單量子位門作用于每個量子位。這些門的結構通常稱為 ansatz。接下來,使用受控非門(CNOT 門)的級聯應用糾纏層。最后,測量量子電路,測量結果用于計算成本函數,或作為輸入前饋至另一層。

    HQNN 是一種前景廣闊的方法,因為量子糾結的獨特屬性為更有表現力的模型提供了機會,該模型可以使用更少的可訓練參數捕獲復雜的模式。然而,仍然存在許多挑戰,特別是將經典數據編碼到量子電路的最佳方式。

    用于太陽能輻射的 CUDA-Q HQNN?

    HQNN 需要 CPU、GPU 和 QPU 協同工作(圖 2)。數據預處理在傳統 CPU 上進行,GPU 運行 HQNN 的經典層,QPU 運行構成量子層的電路。教授 Hong 和 Dylan 使用 CUDA-Q 開發平臺構建和訓練了一個 HQNN,該 HQNN 使用的數據來自國家太陽輻射數據庫,其中包括來自臺灣的許多與天氣相關的功能。

    圖 2 顯示了典型的 HQNN 工作流。大多數工作流都使用 CUDA 加速,并使用 cuDNN cuQuantum 庫實現額外加速。

    A typical HQNN workflow showing dataset preparation; classical, hybrid, quantum; and CPU-powered, GPU-powered sections.
    圖 2.典型的 HQNN 工作流程

    在 PyTorch 中實施了經典神經網絡,并使用論文的“ 方法 ”部分中所述的貝葉斯優化設計了 NN 層。由此生成的架構充當了 HQNN 的經典組件,在 HQNN 中,最后的密集層被替換為量子層(圖 3)。

    Diagram showing (left to right): locations, multidimensional input, quantum NN, and output vector.
    圖 3. HQNN 與 NN 設計類似,最終(品紅色)層被量子層取代。 兩個 NN 都處理具有各種天氣特征的數據,以生成相應的預測

    NVIDIA CUDA-Q、CUDA 和 cuDNN 工具協同工作,能夠加速此 HQNN 中的整個工作流程。CUDA-Q 可確保網絡中的量子層和經典層得到加速,使量子資源和經典資源能夠無縫協作。PyTorch 訓練通過 CUDA 自動加速。

    兩個 NVIDIA 庫可進一步加速特定任務。cuDNN 可確保在模擬量子層(而不是在實際量子硬件上運行)的情況下實現卷積等高效 NN 運算。cuQuantum 可加速所有量子電路模擬。

    CUDA-Q 提高了 HQNN 的速度和準確性?

    Hong 教授 Dylan 使用兩塊 NVIDIA RTX 3070 GPU 訓練了他們的 HQNN 模型,以預測一年中所有四個季節的太陽輻射。他們將結果與經典基準進行了比較,并對不同模擬器和加速混合工作流程中經典 NN 部分的方法進行了基準測試。數據表明,使用 GPU 加速和 CUDA-Q 是實現最大性能提升的關鍵。

    Two side-by-side graphs: average epoch latency (left) and HQNN test set error (right).
    圖 4. CUDA-Q 經過優化,可利用 CUDA 和其他庫(如 cuDNN)加速混合量子經典應用,如 HQNN

    GPU 在模擬 HQNN 的量子部分和經典部分方面的效用顯而易見。無論使用何種模擬器,GPU 加速的量子電路模擬均可將每個訓練步驟的時間(Epoch Latency)至少加速 3 倍。經典的 NN 步驟也可以通過 CUDA 或 CUDA 加上 cuDNN 進行加速(圖 4,左)。

    CUDA-Q 經過獨特優化,可更好地利用 GPU。與其他領先的 GPU 模擬器相比,在 CUDA 和 cuDNN 加速經典 NN 步驟時,CUDA-Q 的速度提高了 2.7 倍(圖 4,左),并且在測試集 RMSE 方面訓練模型的準確度提高了 3.4 倍(圖 4,右)。

    Hong 教授和 Dylan 能夠成功預測臺灣的季節性太陽輻射,其準確度與傳統方法具有競爭力。Hong 教授指出,這項研究的結果表明,“CUDA-Q 為 NISQ 時代及以后的能源研究階段混合量子運算提供了很好的方法。加速經典和量子任務使我們能夠探索在解決方案管道中集成高性能計算機(HPC)和量子計算機的最佳和最差解決方案。”

    開始使用 CUDA-Q?

    CUDA-Q 是一個用于混合量子經典計算的平臺,而不僅僅是一個量子模擬器。CUDA-Q 編排了混合 CPU、GPU 和 QPU 工作流程的各個方面,從而加速本作品中展示的 HQNN 的量子和經典組件。CUDA-Q 平臺上開發的代碼具有較長的使用壽命,并且旨在隨著加速量子計算機的擴展無縫擴展,以解決實際問題。

    要開始使用 CUDA-Q,請查看以下資源:

    ?

    0

    標簽

    人人超碰97caoporen国产