Quantum computer không cần thay supercomputer: Chỉ cần cắt một ngày khỏi simulation kéo dài cả tuần đã có thể đáng tiền

Một quantum computer không nhất thiết phải chạy toàn bộ bài toán nhanh hơn supercomputer để tạo ra giá trị. Trong nhiều workload kỹ thuật, nó chỉ cần tìm được một bước nhỏ đủ đắt — rồi làm bước đó tốt hơn để phần còn lại trên CPU/GPU chạy nhanh hơn.

IonQ và Synopsys vừa thử đúng mô hình đó trong Ansys LS-DYNA, phần mềm finite element analysis được dùng cho các mô phỏng như rung động kết cấu, tải động và ứng xử cơ học. Quantum processor không tính toàn bộ va chạm, ứng suất hay dao động. Nó được giao một bài toán tối ưu ở đầu pipeline: chia graph và sắp xếp sparse matrix sao cho solver cổ điển phải làm ít phép tính thừa hơn.

Trong paper “End-to-end Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows”, được trình bày tại IEEE Quantum Week 2026, nhóm báo cáo tổng thời gian chạy giảm từ 5,9% đến 14,6% trên bốn mô hình công nghiệp. Với một transient simulation có thể kéo dài bảy ngày, mức giảm 14,6% tương đương gần một ngày compute.

Đây là một cách nhìn thực dụng hơn về quantum computing: không hỏi “bao giờ quantum computer thay thế supercomputer?”, mà hỏi “trong một workflow trị giá hàng nghìn giờ máy, có subroutine nào đáng để đưa sang QPU hay không?”.

Điểm nghẽn nằm trước khi solver bắt đầu làm phần việc nặng nhất

Finite element analysis chia một vật thể thành rất nhiều phần tử nhỏ rồi lập hệ phương trình để mô tả chúng tương tác với nhau như thế nào. Một mô hình xe hơi, turbine hay linh kiện cơ khí thực tế có thể tạo ra sparse matrix với hàng chục đến hàng trăm triệu bậc tự do.

“Sparse” nghĩa là phần lớn phần tử trong matrix bằng 0. Điều đó nghe có vẻ thuận lợi, nhưng khi solver factorize matrix để giải hệ phương trình, các giá trị khác 0 mới có thể xuất hiện ở những vị trí trước đó trống. Hiện tượng này được gọi là fill-in.

Càng nhiều fill-in, solver càng cần nhiều memory và nhiều phép toán. Vì vậy, trước khi factorization bắt đầu, phần mềm thường sắp xếp lại hàng và cột của matrix để hạn chế fill-in. LS-DYNA sử dụng kỹ thuật Nested Dissection, trong đó graph đại diện cho matrix được chia thành các phần nhỏ theo cách cố gắng giảm số kết nối phải cắt.

Bài toán graph partitioning này thuộc nhóm tối ưu khó. Các heuristic cổ điển như những phương pháp đã được phát triển qua nhiều thập kỷ có thể cho kết quả rất tốt, nhưng không đảm bảo tìm được partition tối ưu cho mọi hình học. Và chỉ một khác biệt nhỏ ở bước partition cũng có thể lan xuống hàng trăm lần factorization phía sau.

Đó là nơi nhóm IonQ và Synopsys đưa quantum computer vào.

Quantum computer chỉ làm một lát rất nhỏ của workflow

Workflow của nhóm bắt đầu hoàn toàn bằng phần mềm cổ điển. Mesh công nghiệp có hàng triệu vertex được LS-DYNA rút xuống một graph khoảng 10.000 node — quy mô vẫn quá lớn đối với quantum hardware hiện nay.

Một lớp coarsening tiếp theo tiếp tục gom graph xuống kích thước phù hợp với số qubit có sẵn. Quantum algorithm sau đó tìm một bipartition tốt trên graph nhỏ này. Kết quả được “lift” trở lại graph 10.000 node, tinh chỉnh bằng heuristic cổ điển, rồi đưa lại vào LS-DYNA để xác định cách reorder matrix.

Phần còn lại — sparse factorization, linear solve và toàn bộ physics simulation — vẫn chạy trên hệ HPC cổ điển.

Nói cách khác, QPU không cạnh tranh trực tiếp với cluster CPU/GPU. Nó hoạt động giống một accelerator chuyên dụng cho một quyết định tối ưu có ảnh hưởng lớn đến số phép toán mà cluster phải thực hiện sau đó.

Synopsys mô tả mô hình này khá rõ trong phân tích về commercial case của quantum computing: HPC vẫn gánh phần lớn workload; quantum chỉ nhận những bước có input tương đối nhỏ nhưng việc tìm lời giải tốt bằng heuristic cổ điển có thể tốn kém.

Iterative-QAOA thay cho vòng tuning vốn khó scale

Nhóm không sử dụng QAOA theo dạng variational phổ biến, trong đó quantum circuit phải chạy lặp đi lặp lại trong một vòng tối ưu cổ điển để tìm nhiều tham số góc. Cách đó có thể tạo overhead lớn khi problem scale lên.

Thay vào đó, paper dùng Iterative-QAOA, một biến thể non-variational. Các góc circuit được xác định bởi một lịch tuyến tính từ một scalar duy nhất. Sau mỗi lần chạy, những bitstring có energy thấp — tương ứng với partition tốt hơn — được dùng để bias trạng thái khởi tạo của iteration kế tiếp.

Mục tiêu không phải chứng minh quantum algorithm giải graph partitioning tối ưu về mặt lý thuyết. Nhóm đo thứ quan trọng hơn đối với người chạy simulation: sau khi partition đó được đưa trở lại LS-DYNA, wall-clock time của toàn bộ workload thay đổi bao nhiêu.

Bốn model, tối đa 35 triệu phần tử và mức giảm tới 14,6%

Nhóm kiểm tra bốn finite-element model: một sedan car, một jet engine assembly, một impeller và một drill component. Model jet engine lớn nhất có khoảng 34,9 triệu vertex và 870,6 triệu edge; các model còn lại nằm từ khoảng 3,6 đến 7 triệu vertex.

Sedan và jet engine được dùng cho vibrational analysis. Drill và impeller được dùng cho transient analysis — loại mô phỏng theo thời gian, nơi factorization có thể chiếm gần như toàn bộ runtime.

Kết quả tốt nhất được báo cáo là:

• Drill: giảm total wall-clock time khoảng 14,6%.
• Jet engine: khoảng 13,8%.
• Impeller: khoảng 9,7%.
• Sedan: khoảng 5,9%.

Điểm quan trọng là đây không chỉ là speedup của graph-partitioning kernel. Nhóm đưa partition trở lại solver và đo thời gian end-to-end, vì một optimization nhanh ở một subroutine không có nhiều ý nghĩa nếu nó chỉ chiếm phần rất nhỏ tổng runtime.

Transient simulation đặc biệt phù hợp với cách tiếp cận này. Nếu ordering chỉ cần tính một lần nhưng được tái sử dụng qua hàng trăm timestep, chi phí chạy quantum algorithm có thể được chia nhỏ trên toàn bộ workload. Paper lấy ví dụ một Drill simulation kéo dài khoảng bảy ngày: giảm 14,6% tương đương tiết kiệm gần một ngày compute.

Nhưng “14,6% trên quantum computer” sẽ là cách nói quá

Có một chi tiết quan trọng trong paper mà headline từ press release rất dễ làm mờ đi. Nhóm đã chạy quantum algorithm tới quy mô 120–150 qubit bằng Matrix Product State simulator trên NVIDIA A100/H100 GPU. Quantum hardware thật — IonQ Forte — được dùng để xác nhận các instance 36 qubit cho Drill, Impeller và Sedan.

Ở hardware execution 36-node, kết quả tốt nhất được paper ghi nhận là khoảng 12% cho Drill. Mức 14,6% cao nhất đến từ các graph lớn hơn được chạy bằng quantum circuit simulation, không phải từ một QPU 150 qubit vật lý.

Điều này không làm mất ý nghĩa của workflow, nhưng nó thay đổi cách diễn giải. Nghiên cứu cho thấy algorithm có thể tạo những partition giúp LS-DYNA chạy nhanh hơn, đồng thời xác nhận pipeline trên quantum hardware hiện có. Nó chưa chứng minh một máy quantum 150 qubit ngoài đời đang cắt 14,6% thời gian của simulation công nghiệp.

Các tác giả cũng nói rõ rằng kết quả không phải tuyên bố quantum advantage. Classical optimization tốt hơn ở coarse graph có thể thu hẹp khoảng cách hiện tại.

Một ngày tiết kiệm có thực sự “đáng tiền”?

Về mặt vận hành HPC, 10–15% không phải con số nhỏ như khi benchmark một ứng dụng desktop. Một engineering program có thể chạy hàng trăm hoặc hàng nghìn simulation trong quá trình thiết kế. Nếu mỗi run chiếm nhiều node trong nhiều ngày, giảm một phần runtime có thể giải phóng đáng kể compute capacity và rút ngắn vòng lặp thiết kế.

Đây cũng là lý do Synopsys xem những mức tăng một chữ số hoặc low-teens là có thể mang ý nghĩa thương mại: quantum computer không cần thắng trên toàn bộ workload; nó chỉ cần tạo đủ downstream savings để bù chi phí đưa QPU vào pipeline.

Nhưng paper hiện chưa chứng minh bài toán kinh tế đó đã cân bằng. Nó không đưa ra một phân tích đầy đủ về giá truy cập QPU, queue time, chi phí data movement, availability hay tổng năng lượng của hệ hybrid so với giá trị HPC tiết kiệm được. Vì vậy, “đáng tiền” hiện vẫn là điều cần được đánh giá theo từng workload và hạ tầng, không phải kết luận tài chính đã được chứng minh.

Các benchmark hiện vẫn ngắn hơn production workload thật

Một giới hạn khác nằm ở cách nhóm đo end-to-end runtime. Trong vibrational analysis, các experiment tính 20 eigenmode, trong khi production run thường có thể cần hàng trăm mode. Với transient simulation, benchmark đo hai timestep, còn workload production có thể chạy hàng trăm timestep trong nhiều ngày.

Nhóm dùng các phép đo này để suy ra lợi ích khi ordering được amortize qua workload dài hơn. Lập luận có cơ sở về mặt cấu trúc thuật toán, nhưng con số “một ngày trong bảy ngày” vẫn là phép ngoại suy từ mức giảm wall-clock đo được, chứ paper không chạy liên tục một bài Drill bảy ngày rồi trực tiếp thu về sáu ngày.

Hiệu quả cũng phụ thuộc loại bài toán. Với vibrational analysis, factorization chỉ chiếm khoảng một nửa total runtime, nên cải thiện factorization bị pha loãng khi nhìn end-to-end. Với transient analysis, factorization gần như thống trị runtime nên partition tốt hơn tạo tác động rõ hơn.

Hình học cũng quan trọng. Nhóm nhận thấy các model bất đối xứng phức tạp như Drill và JetEngine cho nhiều dư địa hơn, trong khi heuristic cổ điển đã hoạt động tốt trên những cấu trúc tương đối đối xứng như Impeller và Sedan.

Quantum computing có thể đi vào HPC bằng “cửa phụ”

Nhiều dự đoán về quantum computing thường tập trung vào ngày một máy quantum đánh bại supercomputer trên toàn bộ một bài toán lớn. Workflow của IonQ và Synopsys gợi ý một con đường ít kịch tính hơn nhưng có thể thực dụng hơn: quantum processor trở thành một accelerator nằm trong software stack hiện hữu.

Engineer vẫn mở LS-DYNA. Simulation vẫn chạy trên MPI cluster. Sparse solver vẫn là classical code. Chỉ ở một bước reordering, phần mềm có thể gửi một graph đã được nén tới QPU, nhận partition trở lại và tiếp tục như bình thường.

Nếu cách này muốn đi từ paper sang production, nhóm còn phải chứng minh ba thứ: lợi ích lặp lại trên nhiều model riêng của khách hàng; quantum hardware thật có thể scale lên kích thước graph lớn hơn mà vẫn giữ chất lượng lời giải; và tổng cost-to-solution — không chỉ wall-clock time — thực sự thấp hơn lựa chọn classical tốt nhất.

Đó cũng là thước đo hợp lý hơn cho quantum utility. Một QPU không cần thay thế cả supercomputer. Trong một simulation tiêu tốn cả tuần và chạy lặp lại hàng trăm lần, chỉ cần nó làm một quyết định đầu pipeline đủ tốt để phần còn lại kết thúc sớm hơn một ngày, bài toán kinh tế đã bắt đầu đáng để tính.

Nguồn chính: Daiwei Zhu và cộng sự, “End-to-end Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows”, arXiv v4, 25/8/2026, paper được trình bày tại IEEE Quantum Week 2026; IonQ; Synopsys.