用张量处理单元模拟量子多体动力学：Floquet预热的

张量处理单元（TPU）是Google开发的专用硬件加速器，用于支持大规模机器学习任务，但它们也可被用于加速和扩展其他线性代数密集型计算。在本文中，我们展示了TPU在长时间尺度上大规模并行经典模拟量子多体动力学的用法。我们将方法应用于研究Floquet预热现象，即受高频周期驱动的量子自旋链中指数缓慢的加热。我们模拟了L=34个量子比特超过$10^5$个Floquet周期的动力学，对应于具有数百万个双量子比特门的电路。所模拟的电路没有额外对称性，并表示在完整$2^L$维希尔伯特空间中的纯态演化。这是通过将计算分布到128个TPU核上实现的。在该规模TPU集群上，对于可由所有三个平台处理的较短30量子比特模拟，我们发现挂钟运行时间相比参考CPU和单GPU模拟分别有230倍和15倍的加速。我们研究了模拟的计算代价，作为量子比特数与所用TPU核数的函数，直至我们最大容量L=40个量子比特，这需要由2048个TPU核组成的“full pod”，总内存达数十太字节。对于这些模拟，8个TPU核的机器与单个A100 GPU相当，因此完整TPU pod相当于具有数百个GPU的机器。然而，TPU pod更具能耗与成本效率，并且易于获取（通过Google Cloud），不像如此大型的多GPU配置。我们还研究了在极深电路中数值误差随电路深度的累积。我们的工作表明TPU能为最先进的量子多体动力学模拟提供显著优势。