宝马合作英伟达！明确量子机器学习的汽车用例优势

光子盒研究院

从复杂系统的数值模拟和优化到机器学习(ML)，量子计算有望为工业的各个方面带来变革。

事实上，汽车行业的许多计算挑战都非常适合量子计算，包括新型材料的开发、零部件的高效设计、制造流程的优化以及准确的风险预测。

宝马集团在最近发表的量子机器学习应用导向基准测试文献中展示了英伟达cuQuantum SDK在加速量子电路仿真方面的优势。

目前，该集团正在研究量子计算如何增强生成模型中的算法。他们观察到cuQuantum的模拟性能提高了300倍，每次迭代从8小时缩短到了几分钟。

论文链接：

https://arxiv.org/abs/2308.04082

生成式人工智能是一种机器学习(ML)，算法通过学习创建与训练数据相似的新数据样本；它通常用于图像生成、文本到语音等任务，以及其他以生成新内容为目标的应用。

人工智能中的量子方法可以帮助生成针对特定参数进行优化的设计，从而实现更快、更高效的设计探索。

生成式人工智能还可应用于整个汽车价值链。例如，量子ML可以帮助探索燃料电池的新型材料、优化充电和放电方法以及预测电池寿命，从而使电池技术开发受益。

然而，很少有人对量子计算机在实际应用中的潜力进行过系统评估，因此量子计算在工业中的确切优势和应用尚不明确。因此，对量子计算系统（从硬件到模拟器）进行基准测试，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。

QUARK架构

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，如量子机器学习、优化和数值模拟。它为评估和比较量子算法和硬件实现提供了一个标准化和可扩展的平台。

此次实验中，QUARK可以评估宝马集团量子计算算法的效率，同时还能比较量子模拟器和量子硬件的性能。

目前的量子处理器（QPU）存在噪声问题，而且只能在小范围内使用，阻碍了算法研究的发展。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重要工具。

特别是在量子机器学习(ML)领域，通过经验验证算法的输出是至关重要的。虽然已经提出并实现了许多适用于小系统规模的量子算法，但随着系统规模的扩大，评估这些算法的鲁棒性仍然是一个严峻的挑战。

这就迫切需要加速大规模量子模拟。目前已有许多量子电路模拟器。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。

NVIDIA cuQuantum是一个包含优化库和工具的SDK，用于加速量子计算工作流程。借助英伟达（NVIDIA）Tensor Core GPU，开发人员可以使用cuQuantum将基于状态矢量和张量网络方法的量子电路模拟速度提高几个数量级。

英伟达（NVIDIA）cuQuantum将量子电路模拟的速度提高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小时即可完成

宝马集团的科学家们只需对代码库稍作修改，就能释放cuQuantum SDK的强大功能，进行多达30个量子比特的模拟。通过利用cuStateVec的强大功能。最终，他们在使用英伟达A100 Tensor Core 40 GB GPU进行量子ML工作负载的量子电路模拟时，与使用双AMD EPYC 7742的CPU实现相比，速度提高了300倍。

在训练过程中，量子模型学会复制目标分布

此次，由宝马集团展示并由英伟达（NVIDIA）加速的开发成果展示了一个用于量子应用基准测试的有价值的高性能框架。

借助英伟达（NVIDIA）cuQuantum，宝马集团能够利用QUARK显著改善量子生成模型的训练时间和基准测试，为实现有用的量子ML工作负载消除了相当大的计算瓶颈。

这项工作为量子应用从理论探索过渡到实用、有影响力的解决方案迈出了重要一步，使量子在各行各业得到更广泛的应用。

参考链接：

[1]https://developer.nvidia.com/blog/benchmarking-quantum-computing-applications-with-bmw-group-and-nvidia-cuquantum/

[2]https://news.axisanalytix.com/2023/12/12/benchmarking-quantum-computing-applications-with-bmw-group-and-nvidia-cuquantum/