COMPUTACIÓN CUÁNTICA Y NEUROMÓRFICA EN FPGA

La metodología HLS consiste en producir diseños para FPGA o Application-Specific Integrated Circuit (ASIC) partiendo de una descripción en C/C++. Esta descripción viene acompañada de un archivo de prueba o testbench. La ventaja de HLS radica en que el diseño, al poderse compilar como un programa más, se puede depurar más fácilmente que su contraparte Hardware Description Languages (HDL). Otra ventaja es la falta de fallos, ya que la metodología HLS asegura que el diseño, una vez simulado y obtenidos los resultados que se desea, no tiene casos límite en los que el comportamiento sea incorrecto.

HLS (High Level Synthesis) tiene una limitación importante, y es que es adecuado siempre y cuando el diseño se pueda describir como un algoritmo (por ejemplo, una serie de cálculos matemáticos uno detrás de otro. Además, la organización del diseño estará muy influenciado por el propio algoritmo.

Esto es algo que puede ser indeseable si el algoritmo es demasiado complejo. Para estos casos, se necesita hacer uso del flujo clásico para el diseño en FPGA/ASIC. VHDL es el lenguaje de elección de entidades como la agencia espacial europea y es el más popular en Europa.

El desarrollo con lenguajes HDL, al servir éste únicamente para el diseño FPGA y ASIC, ha estado muy ligado a las herramientas de los fabricantes. Esto hace que en la industria haya un problema de eficiencia a la hora de desarrollar en este tipo de lenguajes. Ejemplos de ello serían entornos de desarrollo arcaicos, falta de integración con lenguajes de alto nivel como Python, codesarrollo (hay proyectos polifacéticos que requieren de hardware + driver + desarrollo PCB) costoso, etc. Esas ineficiencias pueden requerir de una parte significativa de las horas presupuestadas, aumentando el costo y reduciendo la competitividad.

Esto ha producido que haya iniciativas de código abierto para agilizar el desarrollo en este área. En ITCL nos actualizamos continuamente para continuar siendo punteros y competitivos en estas tecnologías.

La integración continua implica la capacidad de tener tests automatizados y de calidad que se ejecuten con cada introducción de código nuevo. Esto permite asegurar que el código introducido es correcto y que no contiene fallos

Los diseños en FPGA rara vez están aislados. Normalmente se necesita que interactúen con un sistema informático completo. Para ello, además de comprender en profundidad la arquitectura, es necesario crear un programa que haga de interfaz entre el diseño FPGA y el servicio que se pretende dar. Existen dos modalidades: en baremetal se trabaja sin sistema operativo, mientras que con Linux empotrado se está trabajando con el sistema operativo Linux. Cada modalidad trae sus ventajas e inconvenientes y el grupo es capaz de trabajar en ambas y elegir la que más convenga al proyecto.

Algoritmos cuánticos como el HHL o el Variational Quantum Linear Solver son capaces de abordar el problema de la resolución de sistemas de ecuaciones de forma eficiente y precisa para extraer propiedades de las soluciones o como entrada a otros algoritmos. Los sistemas de ecuaciones lineales aparecen en la práctica totalidad de los contextos de procesamiento de datos o simulación de sistemas físicos.

La optimización combinatoria es una de las principales vías de mejora de productividad industrial, ya que abarca desde la optimización del almacenamiento de objetos en un almacén hasta la optimización de rutas de reparto. Técnicas cuánticas como el QAOA o el quantum annealing son interesantes para abordar dicho problema, mediante métodos aproximados que podrían llegar a devolver mejores soluciones que los algoritmos clásicos.

El campo del machine learning cuántico ha crecido rápidamente en los últimos años, con nuevos algoritmos, modelos y herramientas para abordar diferentes problemas y tareas. Debido a la capacidad de los sistemas cuánticos de trabajar en espacios de datos exponencialmente grandes, se quiere dar uso a estos espacios para mejorar el tratamiento de los mismos de forma eficiente para obtener resultados óptimos.

Las tensor networks son una tecnología de inspiración cuántica con una creciente popularidad en los últimos años, en la cual el ITCL tiene una amplia experiencia. Esta tecnología permite la compresión eficiente de información y operaciones mediante el uso de tensores, permitiendo simular sistemas cuánticos, extraer propiedades de conjuntos de datos o aligerar los requerimientos de modelos de inteligencia artificial.