高效！启科量子线路模拟器QuSprout与AWS HPC集成，赋能量子计算
KY1, Bertran Shao2 , Adam Sun
1. Amazon HERO；2.开发者生态负责人；3.Solutions Architect
2022.11.17，启科量子正式开源其内部团队研发的量子线路模拟器：QuSprout软件。结合早前其开源的启科量子编程框架QuTrunk，开发者可以基于启科的量子计算平台实现真正的量子编程。因为QuSprout的性能水平直接影响量子编程计算的效率，而QuSprout本身又严重依赖硬件平台。众所周知AWS是全球著名云计算服务提供商，提供了丰富的硬件平台，故如何将QuSprout与AWS高性能服务实现有机的融合，将变得非常有意义。今天我们会将QuSprout部署在AWS高性能计算(HPC)平台上，并对比分析QuSprout在CPU以及GPU两种不同硬件平台的计算效率。
1、QuSprout简介
QuSprout 是启科量子自主研发的一款免费、开源的量子计算模拟后端，用户在 QuTrunk 量子编程框架生成量子线路后，需要连接到 QuSprout 计算后端来进行模拟计算。
同时，QuSprout 支持多个量子线路的任务管理、MPI多进程并行计算。目前支持Kylin，Ubuntu，CentOS操作系统，支持在x86，arm64体系上编译部署，（建议使用KylinV10，Ubuntu22.04，CentOS7.9）
量子模拟方面，QuSprout 通过 RPC 与 QuTrunk 量子编程框架连接，主要负责量子线路的任务管理、
QuSprout 使用 C++ 作为宿主语言，目前已经实现40+个量子门，包括 H, CH, P, CP, R, CR, Rx, Ry, Rz等，为量子线路的计算提供了更高的性能和更强大的灵活性。
QuSprout已经支持CPU和GPU两种类型的硬件平台，目前开源的版本为CPU版本，GPU版本目前还在内测中，相信不久也会实现开源。
2、关于AWS HPC 平台
P3实例：
Amazon EC2 P3 类型实例基于NVIDIA Tesla V100 Tensor Core GPU，最多支持8 GPUs，可为用户提供高性能计算平台，支持基于CUDA的加速程序，通常用于HPC程序、机器学习等场景。
本文采用p3.2xlarge实例作为QuSprout 底层GPU的硬件平台，它为单GPU显卡实例，显卡型号为NVIDIA Tesla V100-SXM2，拥有640 Tensor Cores，5120 CUDA Cores，其双精度浮点（FP64）运算性能可达7TFLOPS，单精度（FP32）可达14TFLOPS，具体实例的详细参数如下表所示：
M5实例：
M5家族的实例属于计算、内存、带宽相对均衡的一种资源类型，可以用来作为web服务器，计算集群，游戏服务器等。拥有Intel Xeon Platinum 8000以及AMD EPYC 7000系列的CPU可供选择。
本文采用m5.8xlarge类型的实例作为QuSprout 底层CPU的硬件平台，它的CPU类型为Intel(R) Xeon(R) Platinum 8259CL CPU @ 2.50GHz，具体实例的详细参数如下表所示：
3、部署QuSprout
首先在AWS Console中申请创建m5.8xlarge和p3.2xlarge实例，待实例初始化成功后，可通过SSH远程连接到对应的EC2实例。
然后从Github拉取最新的QuSprout（github.com/qudoor/qusp… 根据README文档，进行编译和安装即可，整个过程通过脚本执行，简单方便。
最后安装QuTrunk，因为QuSprout是后端的量子线路模拟器，需要与前端量子编程框架QuTrunk联合使用。同样从Github拉取最新的QuTrunk（github.com/qudoor/qutr…
注： 本文测试为了避免网络带宽对计算效率的影响，选择将QuTrunk与QuSprout部署在同一个EC2实例上。通过在QuTrunk中配置QuSprout服务程序的IP和端口，即可实现两者的通信。
4、测试QuSprout性能
QuTrunk和QuSprout部署完成后，就可以进行量子编程的开发了。此处我们以grover搜索算法为例，记录QuSprout分别在m5.8xlarge（CPU）以及p3.2xlarge（GPU）两个平台上的运行效率，通过模拟不同数量的量子比特，统计相应平台的计算时间和资源消耗信息。具体内容如下所示：
4. 1 grover搜索算法源码：
4.2计算结果：
表1（CPU(Intel(R) Xeon(R) Platinum 8259CL CPU @ 2.50GHz)
表2（GPU(NVIDIA Tesla V100-SXM2):
根据表1和表2中的时间与量子比特数，绘制如下图：
从图表中可以看出，在量子比特模拟数量相同的情况下GPU相对于CPU的计算速度有6~8倍的提升。当然不同实例的价格也不尽相同，在实际开发过程中，开发者可以根据自身的计算任务特点选择合适的实例类型，从而实现最大化的资源利用。
5、一键式部署
AMI是AWS提供和维护的镜像，它包含EC2实例创建时需要的所有信息。在启动实例时，需指定 (AMI)。也可以用同一个AMI配置启动多个实例。
用户通常可以将生产或者开发环境在AWS EC2实例中进行部署，然后可以创建 EBS-backed AMI，这样就将完整的环境制作成了镜像，后续再次需要相关环境的EC2实例时，就可以直接选择相应的AMI即可。
AMI 的管理也非常方便，可以将其用于启动新实例，也可以在同一 AWS Region中复制 AMI，也可以跨Region复制，不再需要某个 AMI 时，还可以将其注销。
后续可以将QuSprout以及其它相关工具制作成AMI，并投入Marketplace，这样量子开发者就可以基于AWS更加方便快捷的部署启科量子的软件开发环境，最大程度简化量子编程环境的搭建流程，为开发者提供更友好开发体验，让量子编程变得不再遥不可及。
作者介绍：
Keith Yan（丘秉宜）中国首位亚马逊云科技 Community Hero。
Bertran Shao（邵伟），启科量子开发者关系负责人，国内首个开源量子计算社区发起者
Adam Sun（孙海洋），启科量子解决方案架构师，GPU量子线路模拟项目负责人
