Quantencomputing: Kalibrierung mit KI

Mit künstlicher Intelligenz die Kalibrierung von Quantencomputern verbessern und automatisieren: Das ist das Ziel einer Zusammenarbeit zwischen dem LRZ und NVIDIA. Erste Ergebnisse liegen nun vor.

Noch sind Quantencomputer überaus empfindlich und liefern für die gleichen Berechnungen oft unterschiedliche Ergebnisse. Für mehr Verlässlichkeit müssen sie regelmäßig kalibriert werden. Bei Euro-Q-Exa geschieht dies in der Regel täglich und nachts. Doch dieser Prozess ließe sich mit Hilfe von Künstlicher Intelligenz (KI) nicht nur überprüfen, sondern auch automatisieren. Um das auszuprobieren, arbeitet das Leibniz-Rechenzentrum mit NVIDIA zusammen. Zur Auswertung von Kalibrierungsergebnissen und deren Optimierung hat der US-amerikanische Technologieanbieter hat ein KI-Modell namens „Ising“ entwickelt. Dieses hat das LRZ im täglichen Betrieb von Euro-Q-Exa ausgiebig getestet. Die ersten experimentellen Ergebnisse werden Mitte September in Toronto im Rahmen der IEEE International Quantum Week vorgestellt. Die LRZ-Quantenspezialisten Dr. Xiaolong Deng und Hossam Ahmed berichten über ihre Erfahrungen mit Ising sowie Ideen, wie der Nutzungs-Support von Euro-Q-Exa mit KI besser werden kann.

Warum müssen Quantensysteme wie Euro-Q-Exa regelmäßig kalibriert werden?
Hossam Ahmed: Jede Technologie erfordert eine Kalibrierung. Auch Autos und Maschinen müssen von Zeit zu Zeit justiert werden. Quantencomputing ist noch eine neuartige Technologie, die öfter kalibriert werden muss, weil sich die Metriken, die das System beschreiben, während des Betriebs rasch ändern können. Deshalb liefern dieselben Rechnungen, die auf einem Quantencomputer im Lauf eines Tages durchgeführt werden, nicht immer das gleiche Resultat. Veränderungen können sich im Laufe von Minuten, Stunden oder über den Tag hinweg entwickeln, weshalb wichtige Parameter kontinuierlich neu bewertet werden müssen. Zusammen mit IQM Quantum Computers schätzen wir beispielsweise ab, wie schnell sich Betriebsfrequenzen von Euro-Q-Exa ändern, und kalibrieren den Computer täglich. Dabei werden im Wesentlichen Messdaten von der Quantum Processing Unit oder QPU erfasst, der Zustand der Qubits überprüft und diese Recheneinheiten bei Bedarf neu justiert. Stellen die Messwerte nicht zufrieden, muss die Betriebsfrequenz angepasst werden und wird eine weitere Kalibrierung nötig. Die Kalibrierung wird derzeit durch das Unternehmen selbst mit einer eigenen Software durchgeführt.
Dr. Xiaolong Deng: Im Normalfall dauert die Kalibrierung etwa 1,5 Stunden, gelegentlich kann sie jedoch auch mehrere Stunden in Anspruch nehmen. Dadurch wird der Betrieb des Quantencomputers sicherer und zuverlässiger. Bei uns LRZ wird in der Regel nachts kalibiert. Das dieser Vorgang laufende Jobs beeinträchtigen kann oder umgekehrt durch Jobs unterbrochen werden kann, entwickeln wir dafür derzeit Regeln und Zeitpläne. Wie sich Jobs und Kalibrierung gegenseitig beeinflussen, ist übrigens eine wichtige Forschungsfrage am LRZ. Noch aber gibt es auf Euro-Q-Exa nur wenige Workloads, die mehrere Stunden oder länger als einen Tag dauern, also sind die meisten Jobs von der nächtlichen Kalibrierung nicht betroffen.

Wie gehen Euro-Q-Exa-Anwender mit der täglichen Kalibrierung um?
Xiaolong: Viele kennen die potenziellen Auswirkungen einer Kalibrierung auf ihre Berechnungen und konfrontieren und daher mit vielen Fragen, etwa zum Stand der Kalibrierung oder zur Qualität einzelner Qubits. Um diese Fragen präziser zu beantworten und das System besser zu verstehen, sollten wir den Kalibrierungsprozess besser nachvollziehen können. Dieser ist äußerst komplex und umfasst Tausende von Parametern sowie zahlreiche Diagramme. Zunächst müssen aus all diesen Daten relevante Informationen identifiziert, anschließend interpretiert und erklärt werden.

Ein Fall für Künstliche Intelligenz? Außer mit IQM arbeitet ihr mit NVIDIA zusammen und testet das Ising-Modell.
Hossam: Ising ist ein Large Language Model und ein Large Vision Model, LLM und LCM. Es kann Sprache, Grafik und Bilder und bewältigt ein breites Spektrum an Aufgaben. Das Modell wurde von NVIDIA trainiert und für die Analyse von Plots optimiert. Dabei handelt es sich um Diagramme, in denen die Zielwerte einer Kalibrierung mit den tatsächlich gemessenen Werten verglichen werden. Anhand dieser Kurven können wir das Systemverhalten bewerten. Stimmt die visuelle Darstellung und die gemessenen Werte der Funktionen überein, können wir davon ausgehen, dass die Kalibrierung erfolgreich war.
Xiaolong: Ising prüft Ergebnisse einer Kalibrierung und beurteilt, ob bei bestimmten Komponenten weitere Verbesserungen möglich sind. NVIDIA verspricht, dass Ising Optimierungspotenziale identifizieren und helfen kann, die Leistung und Qualität der Qubits kontinuierlich zu verbessern. Nutzerinnen sollen dadurch Quantenschaltungen mit leistungsfähigeren Qubits auszuführen können.

Was sind eure Erfahrungen – funktioniert das?
Hossam: Wir haben mit Ising experimentiert und festgestellt, dass das Modell die Kalibrierung von supraleitenden Computern bewerten kann. Anhand von Diagrammen und Bilddaten von planqc, einem weiteren LRZ-Partner, konnte ich zudem untersuchen, ob Ising auch bei Quantencomputern mit neutralen Atomen eingesetzt werden kann. Die Antwort lautet ja: Ising kann Zusammenhänge sowohl für supraleitende als auch für neutrale Atom-Technologien erklären und interpretieren. Auf dieser Grundlage könnten nun Routinen für eine automatisierte Kalibrierung entwickelt werden.
Xiaolong: Was wir intern getestet haben, geht über diese Erkenntnis hinaus: Der bloße Nachweis, dass Ising funktioniert, ist ja nicht besonders spannend. Wissenschaftlich interessanter ist, mithilfe von KI das Verhalten eines Quantencomputers während des Betriebs nachzuvollziehen. Dies würde die Analyse von Kalibrierungsdaten und zusätzlichen Systeminformationen erfordern. Dazu müssten Kalibrierungsdaten und weitere System-Informationen analysiert werden, KI könnte damit mögliche Erklärungen für Verhaltensweisen liefern, während die finale Bewertung weiterhin durch Operatoren erfolgt. Diesen Ansatz haben wir ebenfalls verfolgt.

Ebenfalls erfolgreich?
Hossam: Wir brauchen dazu mehr Daten und Erfahrung. Aber wir arbeiten bereits mit einer großen Anzahl von Qubits, und Quantensysteme werden weiter wachsen. Damit werden immer größere Mengen an Telemetriedaten generiert, zusammen mit Daten aus Kryostaten und Informationen über Umgebungs- und Betriebsbedingungen, die die Systemleistung beeinflussen. Über das LRZ-Überwachungstool Data Centre Data Base oder DCDB haben wir Zugriff auf eine breite Datenbasis, die Ising- und andere KI-Modelle analysieren, klassifizieren und mit Kontextinformationen anreichern könnten. Das könnte nicht nur zur Verbesserung der Leistung des Quantencomputers beitragen, wir könnten damit außerdem Voraussetzungen besser bewerten und fundiertere Entscheidungen zum Betrieb treffen oder weitere Forschungsfragen beantworten.
Xiaolong: Noch ist das eine Idee, aber auf Basis von Ising könnten wir ein agentenbasiertes KI-System entwickeln, also ein KI-System aus mehreren Modellen, die Daten analysieren, Ergebnisse auswerten, Aktionen ausführen und kontinuierlich miteinander interagieren. Neben Ising gibt es viele weitere Modelle zur Bewertung von Quantencomputern und deren Betrieb. Denkbar wären auch KI-Agenten, die Nutzerfragen beantworten oder das System optimieren. Solche Agenten könnten auf Ising, Kalibrierungsdaten und zusätzliche Modelle zugreifen und deren Analysen in einen durchgängigen Workload integrieren. Wenn Nutzer Fragen in natürlicher Sprache stellen, würde der Agent diese verarbeiten und mit allen relevanten Informationen antworten. Die Umsetzung ist technisch machbar und erscheint für das LRZ praktikabel.

Die Fehlertoleranz von Quantencomputern ist eine weitere technische Herausforderung. Könnte KI auch dabei helfen?
Xiaolong: KI kann bei der Entwicklung von Fehlerkorrektur-Protokollen helfen. So verfügt NVIDIA über ein Fehlerkorrekturmodell, das auf Ising basiert und neuronale Netze nutzt. Vereinfacht ausgedrückt beinhaltet das hybride Quantencomputing, bei dem klassische und Quantensysteme zusammenarbeiten, ein Zusammenspiel zwischen Kodierung und Dekodierung. Bei der Kodierung werden klassische Daten zur Berechnung an Qubits übertragen. Bei der Dekodierung werden die vom Quantensystem erzeugten Ergebnisse wieder in klassische Daten umgewandelt. Der Supercomputer hostet ein neuronales Netzwerk zur Fehlerkorrektur. Während der Dekodierung werden die Daten dorthin gesendet und überprüft. Auf diese Weise lassen sich logische Qubits aus physikalischen oder rohen Qubits ableiten und zur Messung von Rechenergebnissen nutzen.
Hossam: Generell gibt es verschiedene Ansätze zur Erhöhung der Fehlertoleranz. Bei der Quantenfehlerkorrektur wird eine Quantenschaltung so konzipiert, dass sie Fehler korrigiert, sobald diese auftreten. Wir arbeiten außerdem daran, die Kalibrierung zu verbessern, was im Wesentlichen eine Art Quantenfehler-Prävention darstellt. Das Ziel ist es, Fehler zu verhindern, bevor sie auftreten. Dies wiederum ermöglicht es, Korrekturen anzuwenden, sobald bestimmte Fidelity-Schwellenwerte erreicht sind. Die Fehlerkorrektur ist ein mehrstufiger Prozess, und die Kalibrierung ist einer der wichtigsten Schritte für den Fortschritt im Quantencomputing. Weitere Faktoren sind die Schaltkreisqualität, die Hardware und die Programmierung.

Was sind die nächsten Schritte für das Projekt und den Einsatz von Ising?
Xiaolong: Generell erhalten wir viel Feedback und zahlreiche Anforderungen von den Anwendern. Das ermöglicht es uns, Fragen gezielt zu beantworten und die Qubits weiter zu optimieren. Der nächste Schritt ist die Automatisierung der Kalibrierung. Um dies zu erreichen, benötigen wir zunächst die vollständige Kontrolle und ein umfassendes Verständnis des gesamten Prozesses. Danach können wir KI-Modelle wie Ising integrieren und mit unseren Systemen kombinieren. Dies ist ein weiterer Bereich, in dem wir mit IQM und NVIDIA zusammenarbeiten.
Hossam: Durch die Kombination von DCDB mit Ising oder anderen KI-Ansätzen können wir wertvolle Daten auswerten, die sowohl für operative Entscheidungen als auch für die Forschung äußerst nützlich sind. Interview: LRZ | vs