Skalowanie przepływów pracy chemii SQD za pomocą solwera wartości własnych SBD

# Added by doQumentation — installs the packages this notebook needs if they are missing
import importlib.util

_needed = {"numpy": "numpy", "pyscf": "pyscf", "qiskit_addon_sqd": "qiskit-addon-sqd", "sbd": "sbd"}
_missing = [pip for module, pip in _needed.items()
            if importlib.util.find_spec(module) is None]
# One at a time, so a package that fails to install does not block the others
for _pip in _missing:
    %pip install -q {_pip}
if not _missing:
    print("\u2713 All required packages are installed")

Ten przewodnik pokazuje, jak użyć solwera wartości własnych SBD jako alternatywnego solwera selected configuration interaction (SCI) do diagonalizacji większych problemów fermionowych, wykraczających poza możliwości domyślnego solwera PySCF. SBD (Selected Basis Diagonalization) działa w ramach procesu, jest zrównoleglony za pomocą MPI i oferuje backendy zarówno CPU, jak i CUDA. Informacje o instalacji i użyciu znajdziesz w dokumentacji SBD.

SBD kompiluje rozszerzenie C++ względem bibliotek MPI i BLAS dostępnych na maszynie, więc musisz zainstalować obie, zanim zainstalujesz dodatek sbd:

pip install qiskit-addon-sqd[sbd]

Ponieważ solve_sci_batch już odpowiada interfejsowi solwera, którego oczekuje diagonalize_fermionic_hamiltonian, możesz przekazać go bezpośrednio do sci_solver po powiązaniu jego opcji konfiguracji za pomocą functools.partial. Aby uruchomić obliczenia na procesorze graficznym obsługującym CUDA zamiast na CPU, przekaż device_config=DeviceConfig.gpu() z sbd.device_config.

Więcej szczegółów o kodzie SQD użytym w tym przykładzie znajdziesz w samouczku o hamiltonianie chemicznym.

from functools import partial

import numpy as np
import pyscf
import pyscf.cc
import pyscf.mcscf
from qiskit_addon_sqd.counts import generate_bit_array_uniform
from qiskit_addon_sqd.fermion import diagonalize_fermionic_hamiltonian
from sbd.sbd_solver import solve_sci_batch

# Specify molecule properties
num_orbitals = 16
num_elec_a = num_elec_b = 5
spin_sq = 0

# Build N2 molecule
mol = pyscf.gto.Mole()
mol.build(
    atom=[["N", (0, 0, 0)], ["N", (1.0, 0, 0)]],
    basis="6-31g",
    symmetry="Dooh",
)

# Define active space
n_frozen = 2
active_space = range(n_frozen, mol.nao_nr())

# Get molecular integrals
scf = pyscf.scf.RHF(mol).run()
num_orbitals = len(active_space)
n_electrons = int(sum(scf.mo_occ[active_space]))
num_elec_a = (n_electrons + mol.spin) // 2
num_elec_b = (n_electrons - mol.spin) // 2
cas = pyscf.mcscf.CASCI(scf, num_orbitals, (num_elec_a, num_elec_b))
mo = cas.sort_mo(active_space, base=0)
hcore, nuclear_repulsion_energy = cas.get_h1cas(mo)
eri = pyscf.ao2mo.restore(1, cas.get_h2cas(mo), num_orbitals)

# Compute exact energy
exact_energy = cas.run().e_tot

# Create a seed to control randomness throughout this workflow
rng = np.random.default_rng(24)

# Generate random samples
bit_array = generate_bit_array_uniform(
    10_000, num_orbitals * 2, rand_seed=rng
)

# Bind the SBD solver options. method=0 selects the Davidson eigensolver.
sbd_solver = partial(
    solve_sci_batch,
    sbd_config={"method": 0, "eps": 1e-5, "max_it": 10, "max_nb": 10},
)

# Run SQD
result = diagonalize_fermionic_hamiltonian(
    hcore,
    eri,
    bit_array,
    samples_per_batch=300,
    norb=num_orbitals,
    nelec=(num_elec_a, num_elec_b),
    num_batches=5,
    max_iterations=5,
    sci_solver=sbd_solver,
    symmetrize_spin=True,
    seed=rng,
)

WARN: Unable to to identify input symmetry using original axes.
Different symmetry axes will be used.

converged SCF energy = -108.835236570774

CASCI E = -109.046671778080  E(CI) = -32.8155692383188  S^2 = 0.0000000

Energy = -28.25375765030941
Energy = -28.25375765030941
Energy = -28.25375765030941
Energy = -28.25375765030941
Energy = -28.25375765030941
Energy = -30.63923484895107
Energy = -31.84189676459039
Energy = -32.67859713028513
Energy = -31.68346579646724
Energy = -31.89038148016397
Energy = -32.77440443557443
Energy = -32.7445862988791
Energy = -32.77705680502877
Energy = -32.781393512705
Energy = -32.76632732988578
Energy = -32.80004322621618
Energy = -32.79978483683345
Energy = -32.79978311278118
Energy = -32.79811950451766
Energy = -32.80031839350911
Energy = -32.80388159827887
Energy = -32.80421476938036
Energy = -32.80490490614043
Energy = -32.80449612243751
Energy = -32.80517636244122

print(f"Exact energy: {exact_energy}")
print(f"Estimated energy: {result.energy + nuclear_repulsion_energy}")

Exact energy: -109.04667177808021
Estimated energy: -109.03627890220267