Ketika menjalankan kontraksi jaringan tensor berskala besar dengan TensorCircuit-NG dan backend GPU JAX, para peneliti menemukan konfigurasi runtime yang layak diuji. Dengan menetapkan XLA_PYTHON_CLIENT_PREALLOCATE=false dan XLA_FLAGS=--xla_gpu_autotune_level=0 sebelum proses Python dimulai, penggunaan memori GPU persisten dapat ditekan secara signifikan. Pada beban kerja 100 qubit × 24 lapisan, amplitudo, memori puncak turun dari 8,7 GiB menjadi 0,5 GiB, sementara waktu eksekusi stabil tetap hampir sama (0,37 detik vs 0,40 detik).
Manfaat utamanya bukan kecepatan, melainkan prediksi penggunaan memori. Autotuning XLA GPU mengevaluasi algoritma alternatif atau konfigurasi ruang kerja untuk kernel GPU tertentu dan panggilan khusus, lalu memilih implementasi yang optimal. Ini berguna untuk konvolusi, GEMM besar, dan beban kerja deep learning dengan bentuk tetap. Namun, untuk kontraksi TensorCircuit, jalur kontraksi sudah ditentukan oleh OMECO atau cotengra, sehingga ruang optimasi tersisa sangat kecil, sementara biaya memori persisten selama kompilasi dan penyetelan tetap besar.
Hasil pengujian menunjukkan penghematan memori paling dramatis pada tiga kelompok beban kerja pertama. Pada kasus 28 qubit × 12 lapisan, gradien ekspektasi, memori pasca-kompilasi turun dari 4,7 GiB menjadi 0,5 GiB, dan memori puncak dari 21,4 GiB menjadi 17,2 GiB. Kasus 28 × 14 berbeda: memori pasca-kompilasi turun drastis, tetapi memori puncak tetap 64,5 GiB karena alokasi runtime yang besar dan perilaku alokasi ulang dari alokasi sebelumnya.
Perilaku ini disebabkan oleh alokasi GPU JAX. Bahkan dengan XLA_PYTHON_CLIENT_PREALLOCATE=false, alokator GPU default cenderung mempertahankan dan menggunakan kembali memori yang sudah dialokasikan, sehingga nvidia‑smi melaporkan jumlah memori yang dipegang proses, bukan total tensor yang aktif. Penggunaan XLA_PYTHON_CLIENT_ALLOCATOR=platform sebagai diagnostik mengungkapkan perbedaan ini: alokator platform mempertahankan lebih sedikit memori yang dapat digunakan kembali, sehingga puncak memori bisa lebih tinggi karena alokator meminta memori tambahan.
Untuk proses multi-GPU, GPU pertama sering menanggung "pajak memori" tambahan karena layanan backend, cache kompilasi, dan status alokator ditempatkan di sana. Menonaktifkan xla_gpu_autotune_level umumnya mengurangi pajak ini. Para peneliti menyarankan penggunaan CUDA_VISIBLE_DEVICES untuk pekerjaan single-GPU agar setiap proses hanya melihat GPU yang ditugaskan, misalnya: CUDA_VISIBLE_DEVICES=1 XLA_PYTHON_CLIENT_PREALLOCATE=false XLA_FLAGS=--xla_gpu_autotune_level=0 python your_script.py.
Rekomendasi praktis untuk kontraksi TensorCircuit-NG skala besar meliputi: perbaiki jalur kontraksi agar tidak melakukan pencarian jalur stochastic pada setiap benchmark, tetapkan variabel lingkungan sebelum mengimpor JAX, dan terapkan konfigurasi di atas sebagai pengaturan default. Pendekatan ini membuat penggunaan memori lebih dapat diprediksi, yang bermanfaat bagi peneliti yang menjalankan eksperimen berulang atau yang memiliki batasan memori GPU.
Di Indonesia, teknologi komputasi kuantum masih berada pada tahap awal. Lembaga seperti Pusat Penelitian Kuantum ITB dan Quantum Computing Indonesia mulai mengeksplorasi penggunaan GPU untuk simulasi kuantum. Penghematan memori seperti yang dilaporkan dalam artikel ini dapat sangat berguna bagi kelompok riset lokal yang memiliki sumber daya GPU terbatas, karena mereka dapat menjalankan simulasi lebih banyak tanpa perlu investasi perangkat keras tambahan. Selain itu, praktik pengaturan memori yang deterministik akan memudahkan reproduksi hasil penelitian.
Salah satu kutipan kunci dari penelitian tersebut menyatakan: “Autotuning XLA GPU mengevaluasi algoritma alternatif atau konfigurasi ruang kerja untuk kernel GPU tertentu dan panggilan khusus, lalu memilih implementasi. Untuk kontraksi TensorCircuit, jalur kontraksi sudah ditentukan oleh OMECO atau cotengra, sehingga ruang optimasi tersisa sangat kecil.” Pernyataan ini menggambarkan alasan mendasar mengapa menonaktifkan autotuning dapat memberikan manfaat tanpa mengorbankan kinerja.
Ke depan, tren menuju penggunaan memori GPU yang lebih deterministik dan hemat biaya akan semakin penting seiring dengan meningkatnya kompleksitas model quantum-classical hybrid. Komunitas open-source seperti TensorCircuit-NG dapat mengadopsi konfigurasi ini sebagai pengaturan default, sehingga peneliti di seluruh dunia, termasuk di Indonesia, dapat memanfaatkan sumber daya komputasi yang ada secara lebih efisien. Selain itu, integrasi pengaturan ini ke dalam alat-alat pengembangan akan mengurangi overhead kompilasi, mempercepat waktu iterasi eksperimen, dan mendukung adopsi yang lebih luas dari komputasi kuantum berskala besar.