Add: GPUGen and Tester for qiskit lib

[divisio74]

GNN Fast Quantum - QAOA Parameter Prediction

Prédiction rapide des paramètres QAOA optimaux pour des problèmes d'optimisation combinatoire quantique en utilisant des Graph Neural Networks (GNN).

📁 Structure du projet

test_gnn_with_qiskit.py - Validation du modèle

Script de test pour valider les prédictions du GNN contre les optimisations QAOA réelles de Qiskit.

Usage:

python test_gnn_with_qiskit.py

prérequis:

• si mac os alors-> --no-gpu \
• si on veut utilisé les GPU-> linux nécéssaire

Ce qu'il fait:

• Charge le modèle GNN entraîné (FastQuantum/best_qaoa_gat_model.pt)
• Génère des graphes de test
• Prédit gamma/beta avec le GNN (instantané)
• Compare avec l'optimal trouvé par Qiskit QAOA (lent)
• Affiche les gaps de performance

Résultats attendus:

• Gap moyen: ~5% (excellent)
• Speedup: 100-1000x plus rapide que QAOA

---

Generator(forGPU)/ - Génération de dataset quantique

Générateur de dataset multi-problèmes avec support GPU et parallélisation CPU.

Fichiers principaux:

• gen_quantum_mp.py: Générateur multi-problèmes optimisé
• check_gpu_availability.py: Diagnostic GPU/CUDA

Problèmes supportés:

• MaxCut (partition de graphe)
• Vertex Cover (couverture minimale)
• Max Independent Set (sélection de nœuds)
• Graph Coloring (3 couleurs avec 2 qubits par nœud)

warning :
Graph Coloring utilise 2× plus de qubits (2 par nœud au lieu de 1):
Graphe 10 nœuds = 20 qubits pour coloring vs 10 pour MaxCut
-> donc Simulation BEAUCOUP plus lente (~5-10x plus lent)
Recommandation: Limitez graph_coloring à 10% du dataset et utilisez des petits graphes (5-8 nœuds) pour ce problème.

warning2 :
Warn start utilise des données heuristique mais c'ets juste une optimisation de temps gratuites -> pas de baisse de qulité du dataset ici

Usage:

# Test GPU disponible
python Generator(forGPU)/check_gpu_availability.py

# Générer dataset (CPU)
python Generator(forGPU)/gen_quantum_mp.py \
  --samples 200 \
  --min_nodes 6 \
  --max_nodes 12 \
  --maxcut-ratio 0.70 \
  --workers 12 \
  --no-gpu \
  --output Dataset/phase1_hybrid70.json

# Générer dataset (GPU - Linux)
python Generator(forGPU)/gen_quantum_mp.py \
  --samples 200 \
  --min_nodes 6 \
  --max_nodes 12 \
  --maxcut-ratio 0.70 \
  --workers 8 \
  --output Dataset/phase1_hybrid70.json

Arguments:

• --samples: Nombre d'échantillons à générer
• --min_nodes, --max_nodes: Taille des graphes
• --maxcut-ratio: Ratio de MaxCut (ex: 0.70 = 70% MaxCut, 30% autres)
• --workers: Nombre de workers parallèles
• --no-gpu: Forcer CPU (Windows)
• --checkpoint: Sauvegarder tous les N samples

Performance:

• GPU (Linux): ~5-15s par sample (recommandé)
• CPU (16 cores): ~20-40s par sample
• CPU (4 cores): ~60-120s par sample

---

🚀 Quick Start

1. Tester le modèle existant

python test_gnn_with_qiskit.py

2. Générer un nouveau dataset

# Windows (CPU seulement)
python Generator(forGPU)/gen_quantum_mp.py --samples 50 --workers 4 --no-gpu

# Linux avec GPU
python Generator(forGPU)/gen_quantum_mp.py --samples 200 --workers 8

3. Entraîner le modèle (dans FastQuantum/)

python FastQuantum/GnnmodelGat.py