CN116257222A - 基于任务流的经典-量子协同计算编程方法及模型 - Google Patents
基于任务流的经典-量子协同计算编程方法及模型 Download PDFInfo
- Publication number
- CN116257222A CN116257222A CN202310177093.4A CN202310177093A CN116257222A CN 116257222 A CN116257222 A CN 116257222A CN 202310177093 A CN202310177093 A CN 202310177093A CN 116257222 A CN116257222 A CN 116257222A
- Authority
- CN
- China
- Prior art keywords
- quantum
- task
- classical
- module
- task flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 240000007817 Olea europaea Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/31—Programming languages or programming paradigms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
本发明属于量子编译技术领域,特别涉及一种基于任务流的经典‑量子协同计算编程方法及模型,该方法包括首先对经典‑量子混合应用程序进行自动划分,构建任务流图;然后通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系;最后采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。本发明解决了当前经典计算与量子计算在编程模型、编程规范方面差异性大,混合应用程序编写难度大的问题,具有高效能、可扩展等特点,实现超异构融合计算系统的高效协同计算。
Description
技术领域
本发明属于量子编译技术领域,特别涉及一种基于任务流的经典-量子协同计算编程方法及模型。
背景技术
当前,高性能计算为科学计算应用提供了强算力支撑,但仍面临诸多技术挑战,无法求解现实中的所有计算问题。近些年来量子计算发展迅速,并已在一些特定问题求解上展现了“量子优势”,但其能求解的问题种类有限,且面临比特规模和误差等挑战,仍难以取代传统高性能计算。因此,融合高性能计算和量子计算架构的优势,构建具备应对多类型任务处理能力的超异构融合计算系统,成为适应未来算力需求增长的共识途径之一。
由多量子和多经典融合形成的超异构融合计算系统涉及软硬件种类繁多、体系规模庞大、复杂程度高,并呈现出分布式系统的特点,需若干子系统根据特定的协议进行交互。要实现相比经典计算更高效的超异构计算,需以软硬件协同为途径,在底层软件的协助下,把硬件计算资源转化为一个无差别的算力资源池,供软件任意切分组合,并把算力更灵活地提供给应用成为关键。高效利用异构计算资源并获取高性能计算能力的同时,也带来了完全差异化的计算模式,这就需要一系列新的技术和方法来屏蔽物理计算装置差异,统一编程模型实现便捷编程,针对异构程序进行高效的任务流管理和调度,充分利用多种计算资源并发挥经典量子协同计算的优势。
当前的量子计算机发展正处于NISQ(带噪声的中等尺度量子计算机)阶段,由于该技术受限于比特数量、量子纠错能力等多种因素,短期内难以取代传统高性能计算。为进一步满足复杂应用的算力需求,将多量子和多经典融合形成超异构计算系统是一个全新的思路。然而,对于这种超异构计算系统,其中架构、计算模式的巨大差异为经典-量子超异构计算带来了巨大挑战,因此一个统一且便捷高效的编程模型是非常必要的。现有的“经典+量子”异构编程模型研究尚处于起步阶段,未考虑协同计算的深层次优化,此外还未考虑量子计算机的多物理体系结构,存在可扩展性不强、编译优化不足的问题,导致超异构计算系统的实际运行效率较低。
现有技术示例:2022年,由国防科技大学QUANTA团队主导提出了一门高级量子编程语言——“青果”(Quingo),并以该语言为基础设计实现了全面的量子-经典异构编程框架。该技术提出了一个新型量子程序执行模型,引入了一种全新的量子操作的时序描述机制,使用户可以灵活、高效地控制量子操作的时序,并实现了相应的运行时系统,能够有效利用量子-经典异构系统中的不同算力,实现了面向量子-经典混合环境的异构编程。然而,该编程框架不足在于未考虑量子计算机的多物理体系结构,无法适应未来的超异构融合环境;主要通过引入时序描述机制提升了用户编程的灵活高效性,仍存在对经典量子混合应用编译优化不足的问题。
发明内容
针对现有技术中存在的问题,本发明提出一种基于任务流的经典-量子协同计算编程方法及模型,解决了当前经典计算与量子计算在编程模型、编程规范方面差异性大,混合应用程序编写难度大的问题,支撑超异构融合计算系统中经典计算装置和量子计算装置之间的高效协同计算,满足超异构融合计算系统编程使用的易用和好用要求。
为了实现上述目的,本发明采用以下的技术方案:
本发明提供了一种基于任务流的经典-量子协同计算编程方法,包括以下步骤:
对经典-量子混合应用程序进行自动划分,构建任务流图;
通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系;
采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
进一步地,对经典-量子混合应用程序进行自动划分,包括:以任务为单位对经典-量子混合应用程序进行自动划分,得到若干个经典任务模块和量子任务模块。
进一步地,任务划分的依据取决于用户在编写混合应用程序代码时添加的编译指示,即利用编译指示进行显式指定。
进一步地,经典-量子混合应用程序转换为经典任务模块和量子任务模块后,根据各任务模块之间的关系将混合应用程序转化为一个有向无环图,即任务流图。
进一步地,动态映射阶段包括动态划分和构建映射关系;
动态划分:根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序操作;
构建映射关系:构建多类型计算装置和各任务模块之间的映射关系。
进一步地,采用多级中间表示作为混合应用程序的中间表示,基于该表示实现包含循环、递归经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令。
本发明还提供了一种基于任务流的经典-量子协同计算编程模型,包括:
依赖分析模块,用于对经典-量子混合应用程序进行自动划分,构建任务流图;
动态映射模块,用于通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系;
异构代码生成模块,用于采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
进一步地,所述依赖分析模块包括自动划分模块和构建任务流图模块;
自动划分模块,用于以任务为单位对经典-量子混合应用程序进行自动划分,得到若干个经典任务模块和量子任务模块;
构建任务流图模块,用于根据各任务模块之间的关系将混合应用程序转化为一个有向无环图。
进一步地,所述动态映射模块包括动态划分模块和构建映射关系模块;
动态划分模块,用于根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序操作;
构建映射关系模块,用于构建多类型计算装置和各任务模块之间的映射关系。
进一步地,所述异构代码生成模块,具体用于:采用多级中间表示作为混合应用程序的中间表示,基于该表示实现包含循环、递归经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令。
与现有技术相比,本发明具有以下优点:
与已有的经典-量子异构编程方法相比,本发明首先将经典-量子混合应用程序分解为任务流的形式,在此基础上进行依赖分析获取各任务间的依赖关系,然后通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系,优化了计算装置之间的通信开销,最后采用多级中间表示(MLIR)作为混合应用程序的中间表示,实现面向多后端的异构代码自动生成与优化;该编程方法具有高效能、可扩展等特点,实现超异构融合计算系统的高效协同计算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于任务流的经典-量子协同计算编程方法的流程示意图;
图2是本发明实施例的任务流图示例图;
图3是本发明实施例的动态映射示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例的基于任务流的经典-量子协同计算编程方法包括以下步骤:
步骤S101,对经典-量子混合应用程序进行自动划分,构建任务流图,包含以下内容:
a)任务描述与自动划分
以任务为单位对经典-量子混合应用程序进行参数化描述,实现经典与量子任务的自动划分,得到若干个经典任务模块和量子任务模块。
其中,任务划分的依据取决于用户在编写混合应用程序代码时添加的编译指示,即利用编译指示进行显式指定。
对于自动划分后的任务模块,其具有以下特点:
1、单个任务模块只能在一种类型的计算装置上运行,可以是单个计算装置,或者是由同一类型的多个计算装置构成的机群。
2、考虑到量子程序的特点以及统一编程的规范性,单个任务模块一般对应一个函数。
3、任务和任务之间的关系主要由数据/控制依赖组成。
b)构建任务流图
将经典-量子混合应用程序转换为经典任务模块和量子任务模块后,根据各任务模块之间的关系将混合应用程序转化为一个有向无环图(DAG),即任务流图,如图2所示。
步骤S102,通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系,包含以下内容:
a)动态划分
以时间、计算资源等作为优化目标构建代价模型,然后根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序等操作,一方面便于任务与不同类型计算装置的匹配,另一方面可以进行任务合并,而后将合并后的任务分配至单一类型计算机群上运行,能够减少通信开销。
b)构建映射关系
如图3所示,自动构建多类型计算装置和各任务模块之间的映射关系。不同类别的量子计算机在物理计算模式、操作复杂度和计算保真度等方面存在较大区别,甚至同一类别的量子计算机也会因为工艺、设计水平的不同在计算性能方面表现各异,因此在动态划分的基础上还需要考虑计算装置的能力及特点,确定各任务模块的执行顺序及匹配信息,在满足任务依赖关系和任务所需资源的前提下,最大限度高效并行执行任务,进一步提高超异构融合计算系统的性能。
步骤S103,采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
采用多级中间表示(Multi-Level Intermediate Representation, MLIR)作为混合应用程序的统一中间表示,基于该表示实现包含循环、递归等经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令,进一步降低了经典-量子异构编程的难度,提高了经典量子协同编译的高效可靠性。
其中,需要操作系统和编译器的接口支持,从而实现面向多后端的异构代码自动生成与优化。
与上述一种基于任务流的经典-量子协同计算编程方法相应地,本实施例还提出一种基于任务流的经典-量子协同计算编程模型,该模型包括依赖分析模块、动态映射模块和异构代码生成模块。
依赖分析模块,用于对经典-量子混合应用程序进行自动划分,构建任务流图。
动态映射模块,用于通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系。
异构代码生成模块,用于采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
依赖分析模块包括自动划分模块和构建任务流图模块。
自动划分模块,用于以任务为单位对经典-量子混合应用程序进行自动划分,得到若干个经典任务模块和量子任务模块。
构建任务流图模块,用于根据各任务模块之间的关系将混合应用程序转化为一个有向无环图。
动态映射模块包括动态划分模块和构建映射关系模块。
动态划分模块,用于根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序等操作。
构建映射关系模块,用于构建多类型计算装置和各任务模块之间的映射关系。
所述异构代码生成模块,具体用于:采用多级中间表示作为混合应用程序的中间表示,基于该表示实现包含循环、递归经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令。
本发明的基于任务流的经典-量子协同计算编程模型,在编译过程中对经典量子异构计算系统的计算装置特征和混合应用程序的代码计算特性进行抽取、分析和评估,以任务为单位对混合应用程序进行自动划分,构建计算装置与各任务模块之间的映射关系,优化了经典计算装置和量子计算装置之间的通信开销,降低了混合应用程序的开发门槛,提高了超异构融合计算系统的性能。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于任务流的经典-量子协同计算编程方法,其特征在于,包括以下步骤:
对经典-量子混合应用程序进行自动划分,构建任务流图;
通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系;
采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
2.根据权利要求1所述的基于任务流的经典-量子协同计算编程方法,其特征在于,对经典-量子混合应用程序进行自动划分,包括:以任务为单位对经典-量子混合应用程序进行自动划分,得到若干个经典任务模块和量子任务模块。
3.根据权利要求2所述的基于任务流的经典-量子协同计算编程方法,其特征在于,任务划分的依据取决于用户在编写混合应用程序代码时添加的编译指示,即利用编译指示进行显式指定。
4.根据权利要求2所述的基于任务流的经典-量子协同计算编程方法,其特征在于,经典-量子混合应用程序转换为经典任务模块和量子任务模块后,根据各任务模块之间的关系将混合应用程序转化为一个有向无环图,即任务流图。
5.根据权利要求1所述的基于任务流的经典-量子协同计算编程方法,其特征在于,动态映射阶段包括动态划分和构建映射关系;
动态划分:根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序操作;
构建映射关系:构建多类型计算装置和各任务模块之间的映射关系。
6.根据权利要求1所述的基于任务流的经典-量子协同计算编程方法,其特征在于,采用多级中间表示作为混合应用程序的中间表示,基于该表示实现包含循环、递归经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令。
7.一种基于任务流的经典-量子协同计算编程模型,其特征在于,包括:
依赖分析模块,用于对经典-量子混合应用程序进行自动划分,构建任务流图;
动态映射模块,用于通过动态映射自动构建多类型计算装置和应用程序中各任务模块之间的映射关系;
异构代码生成模块,用于采用多级中间表示作为混合应用程序的中间表示,自动生成与优化面向多后端的异构代码。
8.根据权利要求7所述的基于任务流的经典-量子协同计算编程模型,其特征在于,所述依赖分析模块包括自动划分模块和构建任务流图模块;
自动划分模块,用于以任务为单位对经典-量子混合应用程序进行自动划分,得到若干个经典任务模块和量子任务模块;
构建任务流图模块,用于根据各任务模块之间的关系将混合应用程序转化为一个有向无环图。
9.根据权利要求7所述的基于任务流的经典-量子协同计算编程模型,其特征在于,所述动态映射模块包括动态划分模块和构建映射关系模块;
动态划分模块,用于根据不同计算装置特征以及资源调度策略,对任务流图中的各任务模块进行任务合并和任务排序操作;
构建映射关系模块,用于构建多类型计算装置和各任务模块之间的映射关系。
10.根据权利要求7所述的基于任务流的经典-量子协同计算编程模型,其特征在于,所述异构代码生成模块,具体用于:采用多级中间表示作为混合应用程序的中间表示,基于该表示实现包含循环、递归经典控制流的量子线路编译及优化,然后面向多类型计算后端和指令集架构生成相应的经典、量子机器指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177093.4A CN116257222B (zh) | 2023-02-28 | 2023-02-28 | 基于任务流的经典-量子协同计算编程方法及模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177093.4A CN116257222B (zh) | 2023-02-28 | 2023-02-28 | 基于任务流的经典-量子协同计算编程方法及模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116257222A true CN116257222A (zh) | 2023-06-13 |
CN116257222B CN116257222B (zh) | 2024-05-28 |
Family
ID=86678921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310177093.4A Active CN116257222B (zh) | 2023-02-28 | 2023-02-28 | 基于任务流的经典-量子协同计算编程方法及模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257222B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441569A (zh) * | 2008-11-24 | 2009-05-27 | 中国人民解放军信息工程大学 | 基于异构可重构体系结构面向任务流的新型编译方法 |
CN103377032A (zh) * | 2012-04-11 | 2013-10-30 | 浙江大学 | 一种基于异构多核芯片的细粒度科学计算并行处理装置 |
CN112926741A (zh) * | 2019-12-06 | 2021-06-08 | 英特尔公司 | 用于容错量子计算机的并行流设备和方法 |
US20210334081A1 (en) * | 2018-09-13 | 2021-10-28 | University Of Chicago | System and method of optimizing instructions for quantum computers |
US20210357797A1 (en) * | 2018-08-30 | 2021-11-18 | Rigetti & Co, Inc. | Low-Latency, High-Performance Hybrid Computing |
CN113902120A (zh) * | 2021-09-18 | 2022-01-07 | 中国人民解放军战略支援部队信息工程大学 | 异构云解算平台混合计算任务动态自适应划分调度方法及系统 |
CN114004361A (zh) * | 2021-09-24 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 针对量子-经典混合算法的标签识别分割方法、装置及存储介质 |
CN114461221A (zh) * | 2022-01-27 | 2022-05-10 | 北京奕斯伟计算技术有限公司 | 编译方法、编译装置、电子设备、存储介质 |
CN114968531A (zh) * | 2022-06-02 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于多适应度遗传优化的量子云混合任务调度方法及装置 |
CN115238899A (zh) * | 2022-04-29 | 2022-10-25 | 北京航空航天大学 | 面向超导量子计算机的量子程序并行处理方法及操作系统 |
CN115271078A (zh) * | 2022-08-04 | 2022-11-01 | 无锡江南计算技术研究所 | 一种超级计算机与量子计算机协同的软件栈及工作方法 |
CN115686527A (zh) * | 2022-11-01 | 2023-02-03 | 深圳思谋信息科技有限公司 | 基于算子的编译方法、装置、计算机设备和存储介质 |
-
2023
- 2023-02-28 CN CN202310177093.4A patent/CN116257222B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441569A (zh) * | 2008-11-24 | 2009-05-27 | 中国人民解放军信息工程大学 | 基于异构可重构体系结构面向任务流的新型编译方法 |
CN103377032A (zh) * | 2012-04-11 | 2013-10-30 | 浙江大学 | 一种基于异构多核芯片的细粒度科学计算并行处理装置 |
US20210357797A1 (en) * | 2018-08-30 | 2021-11-18 | Rigetti & Co, Inc. | Low-Latency, High-Performance Hybrid Computing |
US20210334081A1 (en) * | 2018-09-13 | 2021-10-28 | University Of Chicago | System and method of optimizing instructions for quantum computers |
CN112926741A (zh) * | 2019-12-06 | 2021-06-08 | 英特尔公司 | 用于容错量子计算机的并行流设备和方法 |
CN113902120A (zh) * | 2021-09-18 | 2022-01-07 | 中国人民解放军战略支援部队信息工程大学 | 异构云解算平台混合计算任务动态自适应划分调度方法及系统 |
CN114004361A (zh) * | 2021-09-24 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 针对量子-经典混合算法的标签识别分割方法、装置及存储介质 |
CN114461221A (zh) * | 2022-01-27 | 2022-05-10 | 北京奕斯伟计算技术有限公司 | 编译方法、编译装置、电子设备、存储介质 |
CN115238899A (zh) * | 2022-04-29 | 2022-10-25 | 北京航空航天大学 | 面向超导量子计算机的量子程序并行处理方法及操作系统 |
CN114968531A (zh) * | 2022-06-02 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于多适应度遗传优化的量子云混合任务调度方法及装置 |
CN115271078A (zh) * | 2022-08-04 | 2022-11-01 | 无锡江南计算技术研究所 | 一种超级计算机与量子计算机协同的软件栈及工作方法 |
CN115686527A (zh) * | 2022-11-01 | 2023-02-03 | 深圳思谋信息科技有限公司 | 基于算子的编译方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
LAO, LINGLING等: "Timing and Resource-Aware Mapping of Quantum Circuits to Superconducting Processors", 《IEEE TRANSACTIONS ON COMPUTER-AIDED DESIGN OF INTEGRATED CIRCUITS AND SYSTEMS》, vol. 41, 6 February 2022 (2022-02-06) * |
徐乐: "基于领域专用语言的量子编译优化方法研究", 《中国优秀硕士学位论文全文数据库(基础科学辑)》, no. 5, 15 May 2022 (2022-05-15) * |
李雁冰;赵荣彩;韩林;赵捷;徐金龙;李颖颖;: "一种面向异构众核处理器的并行编译框架", 软件学报, no. 04, 15 April 2019 (2019-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116257222B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gesbert et al. | Systematic development of correct bulk synchronous parallel programs | |
Wang et al. | A framework for distributed data-parallel execution in the Kepler scientific workflow system | |
Tang et al. | Mapping of synchronous dataflow graphs on MPSoCs based on parallelism enhancement | |
Munk et al. | Acotes project: Advanced compiler technologies for embedded streaming | |
Kim et al. | Towards an optimized distributed deep learning framework for a heterogeneous multi-GPU cluster | |
Li et al. | Parallel computing: review and perspective | |
CN116257222B (zh) | 基于任务流的经典-量子协同计算编程方法及模型 | |
CN1932766A (zh) | 面向串行程序代码量大的领域的半自动并行化方法 | |
Kreuzer et al. | Application performance on a Cluster-Booster system | |
CN112527304A (zh) | 基于异构平台的自适应节点融合编译优化方法 | |
CN107203406B (zh) | 一种面向分布式存储结构的处理方法 | |
Dooley et al. | Detecting and using critical paths at runtime in message driven parallel programs | |
Raskar et al. | Position paper: Extending codelet model for dataflow software pipelining using software-hardware co-design | |
Tereso et al. | Adaptive resource allocation to stochastic multimodal projects: a distributed platform implementation in Java | |
Pop et al. | Work-streaming compilation of futures | |
CN113626035A (zh) | 基于tvm面向risc-v设备的神经网络编译方法 | |
Tetzlaff et al. | Static prediction of loop iteration counts using machine learning to enable hot spot optimizations | |
Jing et al. | An Automatic Task Partition Method for Multi-core System | |
Lin et al. | O2ath: An OpenMP offloading toolkit for the sunway heterogeneous manycore platform | |
CN1687897A (zh) | 用户指导的程序半自动并行化方法 | |
Ismail et al. | A parallel and concurrent implementation of Lin-Kernighan heuristic (LKH-2) for solving traveling salesman problem for multi-core processors using SPC 3 programming model | |
Silvano et al. | ANTAREX--AutoTuning and adaptivity approach for energy efficient eXascale HPC systems | |
Tang et al. | Optimizing instruction scheduling and register allocation for register-file-connected clustered VLIW architectures | |
Iqbal | Partitioning problems in heterogeneous computer systems | |
Ulloa et al. | Software parallelization and distribution for heterogeneous multi-core embedded systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |