TensorFlow 数据后端

注意

该项目作为GSoC 2021的一部分完成 [3]。

QuTiP的数据层提供了在QuTiP内部处理量子态和操作符（即Qobj）所需的数学操作。作为2020年Google Summer of Code的一部分，数据层被重写，以便更容易地添加新的后端，并使不同的后端能够相互操作。已经存在使用内存中的稀疏和密集矩阵的后端，我们希望添加一个使用TensorFlow实现必要操作的后端[1]。

为什么选择TensorFlow后端？

TensorFlow 支持将矩阵操作分布在多个 GPU 和多个机器上，并抽象出一些高效执行这些操作的复杂性。我们希望通过使用 TensorFlow，能够使 QuTiP 扩展到更大的量子系统（例如更多的量子比特），并减少模拟这些系统所需的时间。

特别感兴趣的是尝试使用BoFiN HEOM（层次运动方程）求解器的新后端[2]。

挑战

TensorFlow 是一种与现有的密集和稀疏矩阵后端非常不同的计算框架。它使用流图来描述操作，并高效地工作。理想情况下，需要一起执行大量的操作图，以便高效地计算结果。

QuTiP数据层可能需要调整以适应这些差异，这可能会带来挑战，甚至可能我们无法找到合理的方法来实现所需的性能。

预期结果

  • 添加一个 qutip.core.data.tensorflow 数据类型。

  • 为一些重要操作实现特殊化（例如 add, mul, matmul, eigen 等）。

  • 编写一个小型基准测试，以展示Qobj操作在新后端上如何扩展，与现有后端进行比较。在使用和不使用GPU的情况下运行基准测试。

  • 实现足够的功能，使求解器能够在新的TensorFlow数据后端上运行并进行基准测试（延伸目标）。

技能

  • Git、Python 以及对 Python 科学计算栈的熟悉

  • 熟悉 TensorFlow（有益，但不是必需的）

  • 熟悉Cython（有益，但不是必需的）

难度

  • 中等

导师

参考文献