บทนำ

ยินดีต้อนรับสู่ Frontier

ตลอดประวัติศาสตร์ ความเข้าใจทางวิทยาศาสตร์ของเราเกี่ยวกับโลกเติบโตอย่างรวดเร็วเมื่อมีเครื่องมือใหม่ๆ — เครื่องมือที่ช่วยให้เราตั้งคำถามใหม่ ทำการทดลองขนาดใหญ่ขึ้น และสำรวจพื้นที่วิจัยใหม่ๆ เครื่องมือบางอย่างเหล่านั้น ได้แก่ กล้องโทรทรรศน์ กล้องจุลทรรศน์ และ Large Hadron Collider แต่ละอย่างให้การเข้าถึงการค้นพบทางวิทยาศาสตร์ประเภทใหม่ ในทศวรรษที่ 1960 เราได้เห็นการพัฒนาการประมวลผลสมรรถนะสูง (HPC) ซึ่งกลายมาเป็นเครื่องมือสำคัญสำหรับการแก้ปัญหาการประมวลผลที่ซับซ้อน รวมถึงความท้าทายทางวิทยาศาสตร์ที่สำคัญหลายประการ

ตอนนี้เรามีเครื่องมือสำคัญอีกชิ้นหนึ่งสำหรับความก้าวหน้าทางวิทยาศาสตร์: คอมพิวเตอร์ควอนตัม แม้ว่าจะยังเป็นเทคโนโลยีที่กำลังเกิดขึ้น คอมพิวเตอร์ควอนตัมมีศักยภาพที่จะเปลี่ยนแปลงประเภทของปัญหาการประมวลผลที่เราสามารถแก้ไขได้อย่างมีประสิทธิภาพอย่างมีนัยสำคัญ คอร์สนี้เกี่ยวกับการทำความเข้าใจว่าเทคโนโลยีเหล่านี้ ทำงานร่วมกัน จะขยายขอบเขตของสิ่งที่เป็นไปได้ทางการประมวลผลได้อย่างไร

พันธกิจของเราชัดเจนแต่ทะเยอทะยาน: เพื่อให้คุณมีความรู้ทั้งเชิงแนวคิดและเชิงปฏิบัติที่จำเป็นในการใช้เทคโนโลยีเหล่านี้เพื่อแก้ปัญหาที่ยากที่สุดในโลก

วิดีโอนี้อธิบายเป้าหมายของคอร์สนี้และแรงจูงใจเบื้องหลังการรวม HPC และควอนตัมคอมพิวติ้ง

HPC

HPC คืออะไรกันแน่? การประมวลผลสมรรถนะสูงกลายมาเป็นรากฐานสำหรับการแก้ปัญหาการประมวลผลสมัยใหม่ เราไม่ได้อยู่ในยุคที่ปัญหาขั้นสูงสามารถแก้ได้ด้วยเครื่องมือง่ายๆ อย่างลูกคิดหรือปากกาและกระดาษอีกต่อไป แต่เรากำลังทำงานกับคำถามและชุดข้อมูลที่ต้องการพลังการประมวลผลมหาศาล

สาขาการประมวลผลสมรรถนะสูงสามารถสืบย้อนรากเหง้าไปถึงการพัฒนาซูเปอร์คอมพิวเตอร์เครื่องแรกในทศวรรษที่ 1960 เหล่านี้คือเครื่องจักรที่ออกแบบมาโดยเฉพาะเพื่อแก้ปัญหาวิทยาศาสตร์และวิศวกรรมขนาดใหญ่ได้เร็วกว่าคอมพิวเตอร์ทั่วไป

หนึ่งในซูเปอร์คอมพิวเตอร์ที่รู้จักกันดีในยุคแรกคือ CDC 6600 (1964) สร้างโดย Seymour Cray ซึ่งมักเรียกว่าบิดาแห่ง supercomputing CDC 6600 เป็นคอมพิวเตอร์ที่เร็วที่สุดในยุคนั้น โดยใช้สถาปัตยกรรมที่สร้างสรรค์ซึ่งรวมถึงหน่วยฟังก์ชันแบบขนานและ pipelining — แนวคิดที่ยังคงใช้ใน HPC ในปัจจุบัน

Cray ยังคงพัฒนาสาขานี้ต่อด้วย Cray-1 (1976) ซึ่งแนะนำ vector processing — เทคนิคที่เพิ่มความเร็วของการดำเนินการบน array ข้อมูลขนาดใหญ่อย่างมาก ทำให้เหมาะสำหรับ scientific computing

เมื่อความเร็วของ single-processor เริ่มถึงจุดอิ่มตัว HPC ได้พัฒนาไปสู่ parallel computing — การใช้ processor จำนวนมากที่ทำงานร่วมกันในส่วนต่างๆ ของปัญหา ในช่วงทศวรรษที่ 1980 และ 1990 สถาปัตยกรรมแบบขนานกลายเป็นเรื่องปกติใน HPC ในช่วงต้นทศวรรษ 2000 HPC ได้เคลื่อนไปสู่ cluster ของ commodity hardware ซึ่งเป็นเซิร์ฟเวอร์ทั่วไปที่เชื่อมต่อด้วยเครือข่ายความเร็วสูง การเปลี่ยนแปลงนี้ทำให้ supercomputing มีราคาถูกลงและให้การเข้าถึง HPC ได้กว้างขึ้น

ตลอดการพัฒนานี้ IBM® อยู่แนวหน้าของการวิจัยและการนำ HPC ไปใช้ โดยเฉพาะอย่างยิ่ง IBM Blue Gene supercomputer เป็นหนึ่งในตระกูลซูเปอร์คอมพิวเตอร์ที่มีอิทธิพลมากที่สุดในช่วงทศวรรษ 2000 และต้น 2010 นี่คือยุคแห่งการเติบโตอย่างมหาศาลในขั้นตอนของระบบแบบขนานขนาดใหญ่ ซึ่ง Blue Gene/Q เป็นตัวอย่างหนึ่ง โดยมีอินสแตนซ์หนึ่ง (Sequoia) มี 100,000 node IBM-built Oak Ridge Summit เป็นทรัพยากร HPC แรกที่บรรลุ ExaOPS (1.88 mixed precision) ในปี 2018

ทุกวันนี้ เราอยู่ในยุค exascale ซึ่งซูเปอร์คอมพิวเตอร์สามารถดำเนินการ $10^{18}$ ต่อวินาที (exaflops) ซูเปอร์คอมพิวเตอร์เครื่องแรกที่สามารถบรรลุหลักไมล์นี้คือ Frontier ซึ่งตั้งอยู่ที่ Oak Ridge National Laboratory

แล้วทำไมเราต้องการทรัพยากรการประมวลผลที่ทรงพลังเช่นนี้? มีปัญหาที่สำคัญต่อความเป็นอยู่ที่ดีของมนุษย์ที่ต้องการทรัพยากรขั้นสุดยอดเพื่อจำลองหรือแก้ไข ตัวอย่างรวมถึงแบบจำลองภูมิอากาศ การศึกษาโครงสร้างและการเคลื่อนตัวของ mantle ของโลก และการจำลอง fluid dynamics

ปัญหาหลายประเภทนี้ได้รับการแก้ไขโดยนักวิจัย IBM และผู้ร่วมงานที่ทำงานบนระบบ IBM ความเป็นผู้นำที่ยั่งยืนนี้ได้รับการยอมรับอย่างกว้างขวาง ตัวอย่างเช่น นักวิจัย IBM ได้รับรางวัล Gordon Bell Prize ถึงหกครั้ง[1]

HPC เป็นสาขาที่ยังคงพัฒนาอยู่อย่างต่อเนื่องกับขอบเขตที่ถูกทำลายอย่างสม่ำเสมอ สำหรับภาพรวมหนึ่งของความสามารถสมัยใหม่ ดูรายการนี้ของ Top 500 supercomputers

ควอนตัมคอมพิวติ้ง

ควอนตัมคอมพิวติ้งคือกระบวนทัศน์การประมวลผลใหม่ที่ไม่ได้เป็นเพียงการพัฒนาแบบค่อยเป็นค่อยไปของคอมพิวเตอร์คลาสสิก มันมุ่งใช้คุณสมบัติควอนตัมของ superposition, entanglement และ quantum interference เพื่อแก้ปัญหาที่คอมพิวเตอร์คลาสสิกเพียงอย่างเดียวไม่สามารถทำได้ เราจะไม่สำรวจรายละเอียดของความเป็นเอกลักษณ์ของควอนตัมคอมพิวติ้งในคอร์สนี้ — ดู Fundamentals of quantum information สำหรับข้อมูลเพิ่มเติมเรื่องนี้ — แต่เราจะอภิปรายว่าการรวมโครงสร้างพื้นฐานทั้งสองนี้อาจนำไปสู่การค้นพบที่สำคัญในวิทยาศาสตร์ประยุกต์ได้อย่างไร

แนวทางแบบไฮบริด

สิ่งที่สำคัญที่สุดที่ต้องเน้นคือกระบวนทัศน์การประมวลผลทั้งสองนี้ไม่ใช่คู่แข่งกัน เราอยู่ในยุคที่เวิร์กโฟลว์ที่ถูก optimize ต้องการให้สองกระบวนทัศน์เสริมซึ่งกันและกันและวางงานในที่ที่จัดการได้มีประสิทธิภาพที่สุด คอมพิวเตอร์ควอนตัมจะไม่แทนที่ระบบคลาสสิก แต่อนาคตของวิทยาศาสตร์การประมวลผลจะขึ้นอยู่กับเวิร์กโฟลว์แบบไฮบริดมากขึ้นเรื่อยๆ ที่ HPC ให้การประมวลผลคลาสสิกสมรรถนะสูง และควอนตัมคอมพิวติ้งมีส่วนในความสามารถเฉพาะตัว ในฐานะผู้ปฏิบัติงาน นักวิจัย หรือนักเทคโนโลยี การเข้าใจวิธีการรวมเครื่องมือเหล่านี้จะทำให้คุณเป็นผู้นำในยุคถัดไปของความก้าวหน้าทางวิทยาศาสตร์และเทคโนโลยี

เราจะตรวจสอบว่าควอนตัมคอมพิวติ้งและ HPC มีตำแหน่งอย่างไรในการเปิดใช้งานการค้นพบที่สำคัญในอุตสาหกรรมต่างๆ รวมถึง:

• เคมี: เร่งการระบุยาและวัสดุใหม่

• พลังงาน: ออกแบบตัวเร่งปฏิกิริยา แบตเตอรี่ และโซลูชันพลังงานสะอาดที่ดีขึ้น

• การเงิน: การจำลองความเสี่ยง การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ และการพัฒนาเครื่องมือทางการเงินใหม่

• AI และ Machine Learning: ปรับปรุงการฝึกโมเดล การเพิ่มประสิทธิภาพ และการวิเคราะห์ข้อมูล

ทำไมเราต้องก้าวพ้นคลาสสิก

มนุษย์ประสบความสำเร็จอย่างมากในพื้นที่การประยุกต์ใช้ข้างต้นโดยใช้ HPC อย่างไรก็ตาม แม้แต่ซูเปอร์คอมพิวเตอร์ที่เร็วที่สุดในโลกก็เผชิญกับความยากลำบากเมื่อปัญหาขยายขนาดแบบ factorial หรือ exponential กับขนาดปัญหา ตัวอย่างเช่น การแสดงรายการทุกการจัดเรียงที่เป็นไปได้ของอนุภาค 50 ตัวภายในโมเลกุลที่ซับซ้อนนำไปสู่ configuration ที่เติบโตอย่างน้อยแบบ factorial ต้องการหน่วยความจำมากกว่าที่ data center ทั้งหมดบนโลกรวมกันสามารถให้ได้

อีกตัวอย่างหนึ่งคือการวางแผนเส้นทางส่งสินค้าสำหรับ 10,000 เมือง: จำนวนเส้นทางที่เป็นไปได้มีมากจนแม้ว่าคอมพิวเตอร์ทุกเครื่องที่เคยสร้างขึ้นจะทดสอบเส้นทางหนึ่งต่อไมโครวินาที การคำนวณจะใช้เวลานานกว่าอายุปัจจุบันของดวงอาทิตย์ของเราหลายเท่า ผลรวมเหล่านี้ไม่ใช่แค่ตัวเลขที่ใหญ่เท่านั้น แต่ยังเติบโตแบบ exponential ซึ่งหมายความว่าแต่ละอนุภาคหรือเมืองเพิ่มเติมจะเพิ่มภาระการประมวลผลเกินกว่าการขยายแบบง่ายๆ อย่างมาก

เราสามารถเพิ่ม GPU ต่อไปได้ แต่การจัดการกับข้อมูลจำนวนมหาศาลเช่นนี้ก็ต้องใช้พลังงานนับ megawatt และต้องการสถานที่ขนาดโกดัง ณ จุดหนึ่ง ฮาร์ดแวร์คลาสสิกไม่สามารถขยายขนาดต่อไปได้ในแบบที่ใช้ได้จริงหรือจ่ายได้ นี่คือเหตุผลที่นักวิจัยหันมาใช้ quantum processor ซึ่งเก็บข้อมูลใน superposition และบางครั้งสามารถจัดการกับปัญหาการเติบโตแบบ exponential เหล่านี้โดยตรง แก้กรณีเฉพาะที่เครื่องคลาสสิกไม่สามารถทำให้เสร็จได้ในกรอบเวลาที่สมเหตุสมผล

HPC ในที่สุดก็ถึงขีดจำกัดพื้นฐานที่กำหนดโดย combinatorics และ thermodynamics ควอนตัมคอมพิวติ้งไม่ได้ขจัดขีดจำกัดเหล่านั้น แต่บางครั้งสามารถข้ามผ่านได้ในสถานการณ์เฉพาะบางอย่าง

ทำไมไม่ใช้ควอนตัมอย่างเดียว?

ถ้าควอนตัมคอมพิวติ้งสามารถข้ามผ่านข้อจำกัดบางอย่างของการประมวลผลคลาสสิกได้ ทำไมเราไม่พึ่งพาคอมพิวเตอร์ควอนตัมเพียงอย่างเดียว? เหตุผลแรกและชัดเจนที่สุดคือคอมพิวเตอร์ควอนตัมยังคงต้องการเครื่องคลาสสิกในการทำงาน งานต่างๆ เช่น การ compile และป้อน Circuit เข้าไปยัง quantum processor การเก็บผลการวัด และการทำ post-processing พื้นฐาน ล้วนดำเนินการโดยระบบการประมวลผลแบบคลาสสิก

แล้วทำไมเราต้องการการประมวลผลสมรรถนะสูงเพิ่มเติม? มีเหตุผลหลายประการ การประยุกต์ใช้ควอนตัมคอมพิวติ้งในปัจจุบันและที่คาดว่าจะเกิดขึ้นหลายอย่างจัดการปัญหาที่มี search space ขนาดใหญ่มาก อัลกอริทึมควอนตัมมักสามารถลดขนาดของ space นี้ได้อย่างมีนัยสำคัญ แต่ในทางปฏิบัติ ปัญหาที่เหลือยังอาจใหญ่พอที่จะได้ประโยชน์จากทรัพยากร HPC นอกจากนี้ยังมีอัลกอริทึมที่สร้างความสมดุลระหว่างจุดแข็งของ HPC และควอนตัมคอมพิวติ้ง โดยมอบหมายงานเพียงพอให้กับ HPC เพื่อทำให้อัลกอริทึมโดยรวมมีความทนทานต่อผลกระทบจาก quantum noise มากขึ้น

ตัวอย่างที่เป็นรูปธรรมคืออัลกอริทึม sample-based quantum diagonalization (SQD) อัลกอริทึมนี้ซึ่งจะสำรวจในบทเรียนที่ 4 แสดงให้เห็นว่า HPC และควอนตัมคอมพิวติ้งสามารถเสริมซึ่งกันและกันได้อย่างไรในทางปฏิบัติ สำหรับพื้นหลังเพิ่มเติม ดูคอร์ส Quantum Diagonalization Algorithms บน IBM Quantum Learning

สถาปัตยกรรมใหม่

IBM ได้เปิดตัวสถาปัตยกรรมอ้างอิง quantum‑centric supercomputing (QCSC) แบบใหม่ที่อธิบายวิธีที่ quantum processor (QPU) สามารถผสานรวมโดยตรงกับ CPU และ GPU ในสภาพแวดล้อม HPC สมัยใหม่ได้ แนวทางนี้ขับเคลื่อนด้วย hybrid quantum‑classical workflow ที่ประสบความสำเร็จ—เช่น การใช้วิธี sample‑based quantum diagonalization (SQD) สำหรับการจำลองโมเลกุล—ซึ่งแสดงให้เห็นความแม่นยำที่เทียบเคียงได้กับเทคนิคคลาสสิกขั้นสูงอยู่แล้ว

สถาปัตยกรรมนี้ออกแบบมาให้เป็นแบบเปิด โมดูลาร์ และ composable เพื่อให้ทรัพยากรควอนตัมสามารถเชื่อมต่อกับ HPC workflow ที่มีอยู่ได้โดยไม่จำเป็นต้องใช้ stack ใหม่ทั้งหมด การผสานรวมในระยะแรกกับระบบอย่าง RIKEN และ Fugaku แสดงให้เห็นว่า hybrid workflow ระดับ production นั้นเป็นไปได้จริงแล้ว สถาปัตยกรรมนี้ให้กรอบงานระยะยาวสำหรับการพัฒนา quantum‑classical co‑design ในทศวรรษหน้า

stack ประกอบด้วย application layer ที่แบ่งปัญหาออกเป็นส่วนคลาสสิกและควอนตัม middleware ที่เชื่อม classical programming model กับการสร้าง quantum circuit (ตัวอย่างเช่น ผ่าน interface ที่อัปเดตของ Qiskit) และ system‑orchestration layer ที่จัดการการกำหนดตารางเวลา hybrid resource โดยใช้เครื่องมืออย่าง Quantum Resource Management Interface (QRMI)

ในระดับฮาร์ดแวร์ สถาปัตยกรรมกำหนดสามชั้น:

• Quantum system ที่มี QPU และ classical runtime ความหน่วงต่ำ (FPGA/ASIC)
• ระบบ CPU/GPU scale‑up ที่อยู่ร่วมกันซึ่งเชื่อมต่อด้วย near‑time interconnect สำหรับงานอย่าง error mitigation
• ระบบ scale‑out ที่ให้ classical compute ยืดหยุ่นสำหรับ preprocessing, post‑processing และ hybrid workload

โดยรวม IBM วางตำแหน่งสถาปัตยกรรม QCSC เป็น roadmap เชิงปฏิบัติสำหรับ HPC center ในการเริ่มรวมฮาร์ดแวร์ควอนตัมจริง เปิดใช้งาน hybrid algorithm ที่ทรงพลังยิ่งขึ้น และเตรียมโครงสร้างพื้นฐานสำหรับระบบควอนตัม fault‑tolerant ในอนาคต สำหรับข้อมูลเพิ่มเติมเกี่ยวกับสถาปัตยกรรมนี้ ดูบทความนี้

การเตรียมที่แนะนำ

คอร์สนี้ออกแบบมาสำหรับผู้เชี่ยวชาญและนักศึกษาที่ทำงาน — หรือวางแผนจะทำงาน — อย่างใกล้ชิดกับโครงสร้างพื้นฐาน HPC และ/หรือควอนตัมคอมพิวติ้ง ด้วยความก้าวหน้าอย่างรวดเร็วของเทคโนโลยีควอนตัม เราคาดว่าในอนาคตอันใกล้ quantum processor จะถูกบูรณาการควบคู่กับทรัพยากร HPC แบบดั้งเดิมเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้นและเปิดใช้งานแนวทางใหม่ในการแก้ปัญหา คอร์สนี้มีไว้สำหรับผู้เรียนที่ต้องการเข้าใจวิธีการสร้างและรัน hybrid workflow เช่นนี้

เนื่องจากผู้เข้าร่วมอาจมาจากพื้นหลังที่แตกต่างกัน เราคาดว่าจะมีผู้เรียนสองประเภทหลัก: ผู้ที่มีประสบการณ์ใน HPC แล้วแต่ยังใหม่กับควอนตัมคอมพิวติ้ง และผู้ที่มีความรู้ดีด้านควอนตัมคอมพิวติ้งแต่ยังใหม่กับ HPC เพื่อช่วยให้ทุกคนได้ประโยชน์สูงสุดจากคอร์สนี้ เราให้คำแนะนำการเตรียมตัวสำหรับทั้งสองกลุ่มด้านล่าง

สำหรับผู้ที่ยังใหม่กับ HPC

คอร์สนี้สมมติว่าคุณมีความคุ้นเคยกับแนวคิด HPC หลักๆ เช่น distributed memory programming, message passing, parallel programming models และการจัดการทรัพยากร เราจะใช้เครื่องมือต่างๆ เช่น Slurm workload manager ด้วย แม้ว่าแนวคิดเหล่านี้หลายอย่างจะถูกแนะนำโดยย่อตามความจำเป็น แต่การมีความคุ้นเคยเบื้องต้นบ้างจะทำให้เข้าถึงเนื้อหาได้ง่ายขึ้น แหล่งข้อมูลที่เป็นประโยชน์รวมถึง:

• HPC Wiki: หน้าที่มีนิยามและแนวทางใน HPC
• หน้า Wikipedia ของ Slurm: ให้พื้นหลังโดยย่อและหมายเหตุเกี่ยวกับการนำไปใช้อย่างแพร่หลาย
• หน้า quick start ของ Slurm: พื้นหลัง หมายเหตุการเริ่มต้น และรายการคำสั่ง Slurm พื้นฐาน
• MPI tutorial: Hello World พื้นฐานโดยใช้ MPI

แหล่งข้อมูลเพิ่มเติมยังมีอยู่ในGitHub repo นี้

สำหรับผู้ที่ยังใหม่กับควอนตัม

คอร์สนี้จะใช้เครื่องมือและแนวคิดพื้นฐานจากควอนตัมคอมพิวติ้งโดยมีการทบทวนเบื้องต้นน้อยที่สุด เราแนะนำให้ผู้เข้าร่วมมีความรู้เกี่ยวกับ Qiskit เป็นอย่างน้อย ความคุ้นเคยกับ quantum Gate และ Circuit และมีประสบการณ์บ้างกับ sampling-based algorithm แหล่งข้อมูลที่ระบุไว้ด้านล่างควรให้การเตรียมตัวที่เป็นประโยชน์

• คู่มือ IBM Quantum® Composer: การแนะนำ Composer ซึ่งเป็นเครื่องมือการเขียนโปรแกรมควอนตัมแบบกราฟิกที่ช่วยให้คุณสามารถลากและวางการดำเนินการเพื่อสร้าง quantum circuit และรันบนฮาร์ดแวร์ควอนตัม
• Introduction to Qiskit: ชุดคู่มือเพื่อช่วยให้คุณติดตั้งและกำหนดค่า Qiskit
• Hello world: บทแนะนำสั้นๆ เกี่ยวกับ Qiskit ซึ่งคุณตั้งค่าและรันโปรแกรมควอนตัมแรกของคุณ
• Quantum diagonalization algorithms: คอร์สที่ครอบคลุมอัลกอริทึมควอนตัมหลายประเภท รวมถึง SQD ที่จะใช้ในคอร์สนี้

แหล่งข้อมูลเพิ่มเติมยังมีอยู่ในGitHub repo นี้

ผู้เรียนทุกพื้นหลังอาจพบคู่มือนี้มีประโยชน์ ซึ่งครอบคลุม SPANK plugin สำหรับการจัดการทรัพยากรควอนตัมและคำพูดเกี่ยวกับ Slurm เล็กน้อย

มีบางวิธีที่ความเป็นเอกลักษณ์ของควอนตัมคอมพิวติ้งทำให้มันแตกต่างจากทรัพยากรการประมวลผลคลาสสิกในแง่ที่สำคัญสำหรับคอร์สนี้ ตัวอย่างเช่น ไม่มี analog ควอนตัมที่ดีสำหรับ RAM ข้อมูลถูกเก็บและประมวลผลในสถานะของ qubit เอง แม้ว่าการวัดจะช่วยให้สามารถบันทึกคุณสมบัติบางอย่างของ qubit แบบคลาสสิกได้ แต่การวัดดังกล่าวจะทำลายความสมบูรณ์ส่วนใหญ่ของสถานะควอนตัม รวมถึง superposition และ entanglement นอกจากนี้ ทรัพยากรควอนตัมในปัจจุบันยังไม่ได้อยู่บน node เดียวกับทรัพยากร HPC อื่นๆ และผู้ใช้ทรัพยากรควอนตัมมักจะไม่มีระดับการควบคุมการจัดตารางเวลาเหมือนกับที่พวกเขาอาจมีเหนือทรัพยากร HPC แบบคลาสสิก ความเป็นจริงเหล่านี้จะถูกทบทวนในบทเรียนที่เหมาะสม แต่ข้อสรุปที่นี่คือคอมพิวเตอร์ควอนตัมจะเปลี่ยนโลกและต้องถูกบูรณาการกับ HPC แต่พวกมันไม่ใช่ "เพียงแค่" ทรัพยากร HPC อีกชนิดหนึ่งที่สามารถควบคุมและใช้งานในแบบเดียวกับ CPU, GPU เป็นต้น คอมพิวเตอร์ควอนตัมเปลี่ยนวิธีที่เราสามารถเข้าถึงปัญหาการประมวลผลหลายอย่าง

เกี่ยวกับคอร์สนี้

เมื่อสิ้นสุดคอร์สนี้ คุณจะสามารถทำได้มากกว่าแค่ท่องคำศัพท์ทางเทคนิค — คุณจะเข้าใจวิธีจัดการ hybrid workflow สมัยใหม่ที่มอบหมายงานย่อยเฉพาะให้กับ quantum processor ในขณะที่ CPU และ GPU จัดการงานที่เหลือ คุณจะเรียนรู้วิธีเขียนสคริปต์สำหรับงานที่เปลี่ยนผ่านอย่างราบรื่นระหว่าง classical node และ QPU ตีความผลลัพธ์อย่างแม่นยำ และรับรู้ว่า quantum acceleration สามารถปรับปรุงการคำนวณได้จริงๆ ที่ไหนบ้าง (และที่ไหนที่ทำไม่ได้) สิ่งที่สำคัญไม่แพ้กัน คุณจะฝึกรักษา growth mindset: ในสาขาใหม่ที่กำลังพัฒนาอย่างรวดเร็ว ไม่มีใครเรียนรู้ทุกอย่างในครั้งเดียว และความก้าวหน้าที่แท้จริงมาจากการทำซ้ำ การทดลอง และการตั้งคำถาม

คอร์สนี้แบ่งออกเป็น 5 บท ซึ่งครอบคลุมหัวข้อต่อไปนี้:

โครงร่างคอร์ส

• บทเรียนที่ 1 — บทเรียนนี้ครอบคลุมพื้นหลังและแรงจูงใจ
• บทเรียนที่ 2 — ทรัพยากรการประมวลผลและการจัดการทรัพยากร
• บทเรียนที่ 3 — โมเดลการเขียนโปรแกรมที่รวมสภาพแวดล้อมการประมวลผลแบบ heterogeneous
• บทเรียนที่ 4 — อัลกอริทึมควอนตัมสำหรับ hybrid workflow โดยเฉพาะ SQD
• บทเรียนที่ 5 — แนวโน้มและทิศทางในอนาคต

คิดว่าคอร์สนี้เป็นแท่นปล่อยของคุณ — สถานที่ที่คุณสร้าง toolkit ทางความคิดและความมั่นใจในตัวเองเพื่อสำรวจ quantum-classical frontier หลังจากที่คุณเรียนจบบทเรียนสุดท้าย

อ้างอิง

[1] https://www.hpcwire.com/off-the-wire/gordon-bell-prize-awarded-to-ibm-and-leading-university-researchers/