PyTorch로 만든 GPU 양자회로 시뮬레이터 — H100에서 33~34큐비트, 자연어 코파일럿까지
statevector 시뮬레이터 전체를 순수 torch 텐서 연산으로 구현해 GPU에서 돌리고, 앞단에 LLM을 붙여 문장 한 줄로 회로를 만들 수 있게 했습니다. 실제 IBM 장비로 보정했고, 무료로 브라우저에서 돌아갑니다.
백엔드: PyTorch statevector on CUDA (H100) · 데모: quantum.1street.ai
실제 화면: AI 코파일럿(프롬프트 입력) + 수동 게이트 팔레트(H/X/Y/Z/S/T/RY/CX) + 실시간 출력 — 측정 확률, 큐비트별 Bloch 벡터, 얽힘도.
왜 양자 시뮬레이터를 PyTorch로?
보통은 Qiskit Aer나 C++ 백엔드를 씁니다. 저희는 (a) ML용으로 이미 갖고 있는 GPU 위에서 그대로 돌고, (b) 고쳐 쓰기 쉬운 걸 원했습니다. 그런데 순수 statevector 시뮬레이터는 torch에 정말 잘 맞더군요. 상태는 (2,)*n 모양의 커다란 complex 텐서 하나이고, 게이트를 적용하는 건 해당 축에 대한 작은 텐서 축약(einsum / tensordot)에 불과합니다. 모든 게 CUDA에 상주하니 host 왕복이 없고, 회로 하나가 한 자릿수 ms 안에 실행됩니다.
데모 하단에 그대로 적혀 있습니다 — GPU statevector (torch/H100). 엔진의 전부입니다. torch complex 텐서를 게이트 단위로 진화시키는 것.
얼마나 큰 것까지 되나
statevector는 메모리 바운드입니다. n큐비트 상태는 2^n개의 complex 진폭이고, complex64(8바이트) 기준으로 계산하면 이렇게 됩니다.
| 백엔드 | 큐비트 | 이유 |
|---|---|---|
| Statevector (정밀) | H100 1장 33 · 4장 34 | 2^33 × 8B ≈ 69GB → 80GB H100에 들어감. 2^34 ≈ 137GB → 멀티 GPU 필요(172억 진폭) |
| Stabilizer / Clifford | 약 10만 | 뒤집기·얽기류 회로는 다항식으로 기술 가능 → 2^n 폭증 없음 |
| MPS (텐서 네트워크) | 수천 | 얽힘 적은 회로는 압축 잘 됨. 비용은 bond dimension에 따라 증가 |
회로에 맞는 백엔드를 자동으로 고르기 때문에 초보자는 이런 걸 몰라도 됩니다 — 다만 위 상한은 정직한 실측값입니다.
실제 IBM 하드웨어로 보정
시뮬레이터는 현실과 맞아야 쓸모가 있습니다. 약 4개월간 같은 회로를 실제 IBM 양자 장비와 저희 GPU 백엔드에서 나란히 돌리며, 수천만 번의 shot으로 측정 분포가 실제 장비 통계와 일치할 때까지 맞췄습니다. 그래서 시뮬레이터이긴 하지만 장난감이 아니라, 다루는 회로에 대해서는 실제 기계가 내놓는 결과를 재현합니다.
의외의 킬러 기능: 자연어 코파일럿
회로를 그릴 필요가 없습니다. "동전 한 개처럼 0과 1이 반반이 되게 해줘" 라고 입력하면 LLM이 의도를 게이트 리스트로 파싱하고, torch 백엔드가 실행·시각화합니다. 얽힘, Grover 검색, QFT, VQE 스타일의 분자 에너지 회로, 오류 정정 맛보기까지 원클릭입니다. 교육·직관 형성에서 가장 큰 장벽 — "게이트 셋을 알아야 시작할 수 있다" — 을 없앤 셈입니다.
정직한 스코프. 이건 GPU 시뮬레이터지 실제 양자 프로세서(QPU)가 아닙니다. 정확한(혹은 근사) 동작과 실장비 보정 통계는 주지만, 양자 특유의 속도 이점은 없습니다. 교육·직관·프로토타이핑용 — 실제 하드웨어 시간을 결제하기 전에 마음껏 연습하는 곳입니다.
사용해 보기 / 피드백 환영
설치·회원가입 없습니다. 브라우저 언어를 자동 감지(한국어/영어)하고, 우측 상단 토글로 바꿀 수 있습니다.
GPU·텐서 네트워크 시뮬레이션 하시는 분들의 피드백을 진심으로 환영합니다 — 특히 멀티 GPU 샤딩으로 statevector 상한을 밀어올리는 것과, 더 똑똑한 자동 백엔드 선택에 대해서요.
Built by VIDRAFT · QuantumOS · PyTorch statevector on H100 · vidraft.net