QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning

Quantencomputer versprechen, Probleme zu lösen, für deren Bewältigung heutige Supercomputer tausende von Jahren benötigen würden – von der Entwicklung neuer Medikamente bis hin zum Knacken komplexer Codes. Diese Maschinen sind jedoch noch nicht die zuverlässigen Arbeitspferde der Science-Fiction. Es handelt sich um fragile, empfindliche Instrumente, die in einer verrauschten, fehleranfälligen Ära operieren, in der selbst eine winzige Störung eine Berechnung ruinieren kann. Da der Bau und die Wartung dieser Maschinen unglaublich schwierig und teuer sind, greifen die meisten Forscher über die Cloud auf sie zu, ganz ähnlich wie beim Mieten eines leistungsstarken Computers über das Internet. Dies schafft ein einzigartiges logistisches Rätsel: Wie entscheidet man, welche spezifische Quantenmaschine eine bestimmte Aufgabe ausführen soll, wenn jede Maschine anders ist, jede Aufgabe einzigartig ist und sich die Leistungsmerkmale der Maschinen im Laufe der Zeit ändern?

In diesem Umfeld ist es oft ein Fehler, eine Aufgabe einfach an die erste verfügbare Maschine zu senden. Eine Maschine, die auf dem Papier schnell aussieht, könnte für eine komplexe Aufgabe zu verrauscht sein, während eine ruhigere Maschine vielleicht zu langsam ist, sodass die empfindlichen Quanteninformationen verblassen, bevor die Arbeit erledigt ist. Die Herausforderung besteht darin, die perfekte Balance zwischen Geschwindigkeit und Genauigkeit zu finden – eine Aufgabe, die für Standard-Zeitplanungsregeln zu komplex ist. Die Forscher Hoa T. Nguyen, Muhammad Usman und Rajkumar Buyya haben dies adressiert, indem sie ein neues System namens QFOR entwickelt haben. Dieses System fungiert als intelligenter Manager für Quanten-Cloud-Ressourcen und nutzt eine Form der künstlichen Intelligenz, die als Deep Reinforcement Learning bekannt ist, um zu lernen, wie man in Echtzeit die besten Entscheidungen trifft.

Die Forscher bauten eine ausgeklügelte Simulation, die eine reale Quanten-Cloud-Umgebung nachbildet, komplett mit fünf verschiedenen Typen von Quantenprozessoren, die von 27 bis 127 Qubits – den Basiseinheiten der Quanteninformation – reichen. Sie speisten dieses System mit tausenden verschiedenen Quantenaufgaben, die aus einer bekannten Sammlung von Benchmark-Algorithmen abgeleitet wurden, und beobachteten, wie ihr neuer KI-Manager im Vergleich zu traditionellen Scheduling-Methoden abschnitt. Zu den getesteten traditionellen Methoden gehörten einfache Strategien wie die Wahl der ersten verfügbaren Maschine, die gleichmäßige Verteilung von Aufgaben auf die Maschinen oder die Wahl der Maschine mit der niedrigsten durchschnittlichen Fehlerrate. Diese älteren Ansätze beruhen auf festen Regeln, die sich der wechselhaften, unvorhersehbaren Natur der Quantenhardware nicht ohne Weiteres anpassen können.

QFOR hingegen lernt durch Tun. Es behandelt das Scheduling-Problem wie ein Spiel, bei dem es versucht, eine Punktzahl zu maximieren, die auf zwei Hauptfaktoren basiert: der Fidelität, also der Genauigkeit des Ergebnisses, und der Zeit, die für den Abschluss der Aufgabe benötigt wird. Das System beobachtet den aktuellen Zustand der Quantenmaschinen, einschließlich ihrer derzeitigen Fehlerraten und der Zeitdauer, die sie bereits laufen, und entscheidet dann, welche Maschine am besten für die nächste eingehende Aufgabe geeignet ist. Über tausende von Trainingssitzungen hinweg entdeckte die KI Muster und Strategien, die menschlich entworfene Regeln übersehen hatten. Sie lernte, über einfache Metriken wie „am schnellsten“ oder „am leisesten“ hinauszublicken und stattdigest die spezifische Form und Komplexität des auszuführenden Quantenschaltkreises zu berücksichtigen, um ihn mit der Maschine abzugleichen, die diese spezifische Aufgabe am effektivsten bewältigen kann.

Die Ergebnisse dieser Simulation waren beeindruckend. In Tests gegen die traditionellen Methoden lieferte das QFOR-System konsistent wesentlich genauere Ergebnisse. In den günstigsten Szenarien verbesserte es die relative Fidelität der Berechnungen um zwischen 29,5 % und 84 % im Vergleich zum leistungsstärksten traditionellen Baseline-Modell. Das bedeutet, dass die Berechnungen signifikant wahrscheinlicher korrekt waren. Entscheidend war, dass dieser massive Gewinn an Genauigkeit nicht zu Lasten der Geschwindigkeit ging. Das System schaffte es, die Gesamtzeit für den Abschluss der Aufgaben auf einem Niveau zu halten, das mit den schnellsten traditionellen Methoden vergleichbar war oder nur geringfügig länger dauerte. Dies deutet darauf an, dass die KI erfolgreich den schwierigen Kompromiss zwischen dem Warten auf eine bessere Maschine und dem Übereilen einer Aufgabe auf eine verrauschte Maschine navigiert hat.

Eine der wichtigsten Erkenntnisse war, dass die alte Annahme – nämlich, dass man einfach die Maschine mit der niedrigsten durchschnittlichen Fehlerrate wählen sollte – fehlerhaft war. Die Forscher zeigten, dass eine Maschine mit einer niedrigen durchschnittlichen Fehlerrate dennoch schlecht abschneiden kann, wenn die spezifische Quantenaufgabe eine komplexe Anordnung von Verbindungen erfordert, die die Maschine nicht gut handhaben kann. Die KI lernte, dass die beste Wahl von den spezifischen Details des Jobs abhängt, nicht nur von einer allgemeinen Bewertung der Maschine. Diese Einsicht unterstreicht, warum ein flexibler, lernbasierter Ansatz für die Zukunft des Quantencomputings notwendig ist, in der die Hardware vielfältig und sich ständig weiterentwickelt.

Die Studie zeigte auch, dass das System so eingestellt werden kann, dass es unterschiedliche Ziele priorisiert. Durch die Anpassung eines einzigen Parameters konnten die Forscher der KI sagen, ob sie sich stärker auf die Erzielung eines möglichst genauen Ergebnisses konzentrieren oder darauf, die Aufgabe so schnell wie möglich abzuschließen. Diese Flexibilität ist entscheidend für ein Feld, in dem verschiedene Nutzer unterschiedliche Bedürfnisse haben; ein Forscher im Bereich der Wirkstoffforschung könnte die Genauigkeit über alles andere stellen, während ein Finanzanalyst eine schnelle Antwort benötigt. Die Fähigkeit, dieses Gleichgewicht zu verschieben, ohne das gesamte System neu aufzubauen, zeigt, dass der Ansatz robust und anpassungsfähig ist.

Obwohl diese Ergebnisse aus einer Simulation und nicht aus einer lebenden, physischen Quanten-Cloud stammen, verwendeten die Forscher reale Daten von IBM-Quantengeräten, um das Rauschen und die Fehler zu modellieren, was die Simulation zu einem strengen Test des Konzepts macht. Die Arbeit legt nahe, dass, wenn Quantencomputer immer häufiger und komplexer werden, menschliche Operatoren sie nicht mehr manuell verwalten können. Stattdessen werden intelligente Systeme wie QFOR essenziell sein, um den Fluss der Aufgaben zu orchestrieren und sicherzustellen, dass diese teuren und fragilen Ressourcen effizient genutzt werden. Die Studie kommt zu dem Schluss, dass wir durch den Einsatz von Deep Reinforcement Learning zur Balance von Fidelität und Zeit der Zukunft, in der Quantencomputing sein Versprechen einlöst und zuverlässige sowie kosteneffiziente Lösungen für die schwierigsten Probleme der Welt bietet, näher kommen können.