CUDA-Q 加入了许多能够显著提高性能的新功能，支持用户突破传统超级计算机的模拟极限。本文将介绍 CUDA-Q 为量子模拟带来的性能提升，并简要说明改进之处。

计算期望值是变分量子求解器（VQE）应用中的主要量子任务。在 CUDA-Q 中使用 observe 函数即可轻松计算这些值。我们使用 24 和 28 量子位 VQE 问题测试了最近发布的三个 CUDA-Q 版本的性能，旨在确定两种小分子（C2H2 和 C2H4）的基态能量。该实验使用标准 UCCSD 拟设，并使用 Python 编写。

每个版本（v0.6、v0.7、v0.7.1）的三种状态矢量模拟器后端都进行了测试：nvidia（单精度）、nvidia-fp64（双精度）和 nvidia-mgpu（带有门融合的 nvidia-fp64）。nvidia-mgpu 后面的数字表示门融合级别，以前被硬编码成 6，但在 v0.7.1 中已成为一个可调参数。

门融合（gate fusion）是一种优化技术，将连续量子门组合或合并为单个门，以降低计算总成本并提高电路效率。组合的门的数量（门融合级别）会显著影响模拟性能，因此需要针对每个应用进行优化。现在，可以通过调整 CUDA_MGPU_FUSE 参数，指定不同于 v0.7.1 默认值 4 的自定义门融合级别。

图 1. 24 和 28 量子位 UCCSD-VQE 实验中

10 次 observe 调用的执行时间

图 1 显示了使用 NVIDIA Tensor Core GPU 的每个模拟器和 CUDA-Q 版本的运行时。从 v0.6 到 v0.7.1，没有门融合的两个模拟器的运行速度至少提高了 2 倍。

在 24 和 28 量子位实验中，nvidia-mgpu-6 v0.7.1 模拟器的结果分别比 v0.6 快了 3.2 倍和 4.7 倍。调整门融合级别后，性能分别提高了 12 倍和 1.2 倍，这表明该参数的重要性和系统依赖性。

从 v0.8（尚未发布）开始，nvidia-mgpu 模拟器将成为新的默认设置，能提供最佳的整体性能，并能即时利用多块 GPU 进行多量子比特模拟。

CUDA-Q v0.7 包含一系列改进编译和加速连续 observe 调用所需时间的增强功能（图 2）。

首先，即时（JIT）编译路径得到了改进，以便更高效地编译内核。在此之前，该过程与电路中的门的数量呈二次缩放关系，而现在则被缩减为线性缩放关系。

图 2. CUDA-Q v0.7 和 v0.7.1 中包含的变更

及四种 observe 调用的运行时改进

其次，改进了 JIT 变更检测检查的散列，减少了因环境变化而检查是否需要重新编译代码的用时。这几乎消除了每次 observe 调用进行这些检查所需的时间。

最后，无论指定的日志级别是什么，v0.6 都将对每次调用执行所有日志处理。在 v0.7 中，这种做法被更改为只对指定的日志级别执行必要的处理。

除了门融合，0.7.1 还引入了自动 Hamiltonian 批处理功能（图 3），通过在单块 GPU 上实现 Hamiltonian 批处理，进一步缩短 observe 调用的运行时。

图 3. Hamiltonian 批处理带来的加速

当前和预期的 CUDA-Q 改进将为开发者提供一个更高性能的平台，以构建量子加速超级计算应用。如今，不仅开发速度有所加快，而且基于 CUDA-Q 构建的应用还可以部署在实际量子计算所需的混合 CPU、GPU 和 QPU 环境中。

CUDA-Q 快速入门指南将帮助您快速设置环境，基础知识部分将指导用户编写自己的第一个 CUDA-Q 应用。探索代码示例和应用，为自己的量子应用开发工作汲取灵感。如需提供反馈和建议，请点击“阅读原文”，访问 NVIDIA/cuda-quantum GitHub repo。