針對全狀態QAOA 電路模擬之混合層的效能導向最佳化研究

Abstract

本論文旨在解決量子近似最佳化演算法（Quantum Approximate Optimization Algorithm, QAOA）在傳統電腦上模擬的效能瓶頸。先前的研究已對Cost Layer進行優化，使得模擬的效能瓶頸轉移至Mixer Layer 並更加明顯。本論文的目的在於解決傳統電腦上模擬QAOA所面臨的這一新瓶頸。為此，本研究提出兩項核心技術：一是Cache Resident State Operation（CRSO），透過分割狀態向量以提升資料局部性與快取使用效率；二是導入「單指令多資料流」（SIMD）向量化，以加速CPU平台的算術運算效能。本研究的整合性方法取得了顯著的效能提升。評測結果顯示，在34個量子位元的模擬中，本模擬器在單一CPU節點上的執行速度相較於其他頂尖量子電路模擬器提升了最多27倍；在32個量子位元的模擬中，在單一GPU上的執行速度也提高了約13倍。此成果證明，結合考量硬體特性的演算法優化策略，能為複雜量子電路的模擬帶來顯著的效能優勢，並為相關領域的未來研究奠定穩固基礎。

This thesis tackles the remaining bottlenecks in classical Quantum Approximate Optimization Algorithm (QAOA) simulation, most notably in the mixer layer, by introducing two key techniques (1) Cache-Resident State Operation (CRSO), which partitions the state vector for better data locality and cache efficiency and (2) SIMD vectorization to accelerate CPU arithmetic. Together, these hardware-aware optimizations boost performance by up to 27x on a single-node CPU for 34-qubit circuits and 13x on a single GPU for 32-qubit circuits, laying a strong foundation for future high-performance quantum-circuit simulation research.