An ML-Based Hybrid Task Scheduler for Classical–Quantum Computing Environments Using Real Graph-Derived Workloads
تقدم هذه الورقة جدولة مهام هجينة قائمة على تعلم الآلة تعمل على تحسين تخصيص الموارد بين المعالجات الكلاسيكية والكمية باستخدام أعباء عمل مستمدة من رسوم بيانية حقيقية، مما يظهر أداءً متفوقاً في وقت الإنجاز، والمدى الزمني للمهمة، والإنتاجية مقارنة بالنماذج المرجعية التقليدية والقائمة على القواعد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المشهد المتطور للحوسبة الحديثة، بدأ عالمان متمايزان في الاندماج. فمن جهة، يوجد الحاسوب الكلاسيكي، وهو الآلة المألوفة الموجودة في المكاتب والمنازل، والتي تعالج المعلومات باستخدام "البتات" (bits) التي تكون إما صفراً أو واحداً. ومن جهة أخرى، يوجد الحاسوب الكمي، وهو آلة متخصصة تستخدم البتات الكمية، أو "الكيوبتات" (qubits)، لاستكشاف احتمالات عديدة في آن واحد. وبينما تحمل الآلات الكمية وعداً بحل بعض المشكلات المعقدة بشكل أسرع من نظيراتها الكلاسيكية، إلا أنها ليست بديلاً شاملاً بعد؛ فهي غالباً ما يصعب الوصول إليها، وتتطلب ظروفاً قصوى للتشغيل، وقد تكون بطيئة في الإعداد لمهمة واحدة. وقد أدى هذا الواقع إلى ظهور بيئات هجينة، حيث يجب على النظام أن يقرر، في الوقت الفعلي، ما إذا كان سيقوم بتشغيل مهمة معينة على معالج قياسي أو يرسلها إلى معالج كمي. ويكمكم التحدي في اتخاذ هذا القرار بكفاءة؛ فإرسال مهمة إلى الآلة الخاطئة قد يهدر الوقت، بينما إرسالها إلى الآلة الصحيحة قد يفتح آفاقاً لسرعة فائقة.
لقد تصدى باحثون في جامعة الطاقة والموارد الطبيعية في غانا لهذا اللغز المتعلق بجدولة المهام عبر بناء نظام ذكي يتعلم كيفية اتخاذ هذه القرارات. وبدلاً من الاعتماد على قواعد ثابتة قد تفشل عند تغير الظروف، قاموا بتدريب نموذج تعلم آلي ليعمل بمثابة "مراقب حركة مرور" لمهام الحوسبة. ولتعليم هذا النظام، لم يستخدموا بيانات وهمية، بل بدأوا بشبكة حقيقية من التفاعلات من نظام تصويت "ويكيبيديا"، وهي عبارة عن رسم بياني ضخم من الاتصالات بين المستخدمين. ومن هذا النسيج المعقد، استخرجوا مئات المجموعات الصغيرة والمتصلة من المستخدمين لتكون بمثابة حالات اختبار. ومثلت كل مجموعة نوعاً معيناً من مشكلات الأمثلة المعروفة باسم مشكلة "القطع الأقصى" (Max-Cut)، والتي تتضمن تقسيم شبكة إلى مجموعتين لتعظيم الروابط بينهما.
قام الفريق بعد ذلك بتشغيل كل واحدة من هذه الحالات الاختبارية عبر مسارين مختلفين. أولاً، قاموا بحل المشكلات باستخدام حاسوب كلاسيكي قياسي لمعرفة الوقت الذي استغرقته ومدى جودة الإجابة. ثانياً، أرسلوا نفس المشكلات عبر سير عمل كمي محاكى، والذي يحاكي سلوك معالج كمي حقيقي، بما في ذلك الوقت المستغرق لإعداد الآلة والوقت المستغرق لتشغيل العملية الحسابية. ومن الأهمية بمكان أنهم لم ينظروا فقط إلى السرعة الخام للآلات، بل قاموا أيضاً بمحاكاة مستويات مختلفة من الازدحام، أو "ضغط الطابور"، لمعرفة كيف تؤثر أوقات الانتظار على التكلفة الإجمالية لتشغيل المهمة. ففي بعض الأحيان، كانت الآلة الكمية حرة وسريعة الإعداد؛ وفي أحيان أخرى، كانت مزدحمة بقائمة طويلة من المهام المنتظرة. ومن خلال الجمع بين التفاصيل الهيكلية لمشكلات الرسم البياني وهذه الظروف المتغيرة للنظام، أنشأوا مجموعة بيانات غنية علمت الكمبيوتر متى يختار المسار الكلاسيكي ومتى يختار المسد الكومي.
أظهرت النتائج أن نموذج تعلم آلي بسيط، وتحديداً نموذج يعتمد على "الانحدار اللوجستي" (logistic regression)، يمكنه تعلم اتخاذ قرارات التوزيع هذه بدقة مذهلة. وفي الاختبارات، حدد المجدول الذكي المورد الأفضل لما يقرب من 98 بالمائة من المهام. وعند مقارنته بالأساليب الأخرى، تفوق المجدول الذكي على النظام الذي يرسل كل شيء إلى الحاسوب الكلاسيكي، والنظام الذي يرسل كل شيء إلى الحاسوب الكمي، وحتى على النظام الذي يتبع قواعد يدوية مكتوبة مسبقاً. حقق المجدول المتعلم أسرع أوقات إنجاز إجمالية وأعلى عدد من المهام المكتملة في الثانية الواحدة. لقد تمكن من موازنة الحمل بفعالية كبيرة لدرجة أنه قلل إجمالي الوقت الذي يقضيه النظام في انتظار انتهاء المهام بفارق كبير مقارنة بالنهج القائم على القواعد.
وكشفت نظرة فاحصة لما تعلمه الكمبيوتر عن رؤية مفاجئة: لم يكن العامل الأكثر أهمية في تحديد مكان إرسال المهمة هو تعقيد المشكلة نفسها، بل حالة النظام الحالية. فقد أولى النموذج اهتماماً أكبر للمدة التي ستنتظرها المهمة في الطابور للحاسوب الكلاسيكي مقابل الحاسوب الكمي. فإذا كان الطابور الكلاسيكي طويلاً، كان النظام أكثر عرضة لإرسال مهمة إلى المعالج الكمي، حتى لو كان للمعالج الكمي أعباء تشغيل خاصة به. وعلى العكس من ذلك، إذا كان الطلف الكمي مزدحماً، كان النظام يبقي المهمة في الجانب الكلاسيكي. وهذا يشير إلى أنه في البيئة الهجينة، فإن الاستراتيجية المثلى ليست قاعدة جامدة حول أي المشكلات تنتمي لأي آلة، بل نهج مرن يستجيب للازدحام في الوقت الفعلي. ووجدت الدراسة أنه بينما كان حجم المشكلة مهماً، إلا أنه كان ثانوياً أمام التوافر الفوري للموارد.
كما اكتشف الباحثون أن سير العمل الكمي، حتى في المحاكاة، أنتج حلولاً تقترب في جودتها من الحلول الكلاسيكية، بمعدل دقة يصل إلى 99.8 بالمائة تقريباً. وهذا يعني أن المسار الكمي كان خياراً قابلاً للتطبيق لهذه المهام، بشرط أن يتمكن النظام من إدارة التوقيت بشكل صحيح. ولم تدّع الدراسة أن الحواسيب الكمية أصبحت الآن أسرع لجميع المشكلات؛ بل في الواقع، أظهرت عمليات المحاكاة أنه بالنسبة للمهام الصغيرة، كان الحاسوب الكلاسيكي غالباً أسرع بكثير من حيث وقت التنفيذ الخام. إن قيمة الآلة الكمية برزت فقط عندما تعلم النظام توجيه المهام إليها خلال اللحظات التي تتعرض فيها الموارد الكلاسيكية للإجهاد.
في نهاية المطاف، يوضح هذا العمل أن إدارة مزيج من الموارد الكلاسيكية والكمية تتطلب نهجاً ديناميكياً قائماً على البيانات. فمن خلال التعامل مع وضع المهام كمشكلة تعلم بدلاً من كونها قاعدة ثابتة، يمكن للأنظمة التكيف مع مد وجزر الطلب. وتشير النتائج إلى أنه مع نضوج التكنولوجيا الكمية واندماجها بشكل أكبر مع البنية التحتية الكلاسيكية، فإن القدرة على اتخاذ هذه القرارات السريعة بناءً على الظروف الحالية ستكون بنفس أهمية القوة الخام للآلات نفسها. وتوفر الدراسة مخططاً عملياً لكيفية بناء هذه المجدولات الذكية، مما يثبت أنه مع توفر البيانات الصحيحة، يمكن للكمبيوتر أن يتعلم كيفية التنقل في تعقيدات المستقبل الهجين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.