Qurator: Scheduling Hybrid Quantum-Classical Workflows Across Heterogeneous Cloud Providers

Das Paper stellt Qurator vor, einen architekturunabhängigen Scheduler für hybride Quanten-Klassische Workflows, der durch die gemeinsame Optimierung von Warteschlangenzeit und Schaltkreis-Fidelity über heterogene Cloud-Anbieter hinweg die Effizienz bei gleichzeitiger Wahrung der Zuverlässigkeit maximiert.

Das Wesentliche

Das Problem: Der „Quanten-Stau"

Stell dir vor, du möchtest ein sehr komplexes Rätsel lösen. Dafür hast du Zugang zu einem Super-Computer, der die Welt der Quantenphysik nutzt (ein sogenannter Quantenprozessor oder QPU). Das Problem ist: Dieser Super-Computer gehört nicht dir allein. Er wird von Tausenden anderen Leuten geteilt.

Wenn du deine Aufgabe (einen „Quanten-Code") einreichst, landest du in einer Warteschlange.

• Die Realität: Deine Aufgabe dauert vielleicht nur 3 Sekunden zu rechnen. Aber du musst Stunden oder sogar einen ganzen Tag warten, bis du endlich dran bist.
• Das Dilemma: Du hast zwei schlechte Optionen:
  1. Du wartest auf den besten Computer, der die Aufgabe perfekt löst (hohe Genauigkeit), aber der ist so voll, dass du ewig wartest.
  2. Du wählst einen schnelleren Computer mit einer kurzen Schlange, aber der ist etwas ungenauer und macht mehr Fehler.

Bisher mussten Wissenschaftler sich entscheiden: Entweder schnell oder genau. Beides gleichzeitig ging nicht.

Die Lösung: Qurator – Der cleere Reiseplaner

Die Forscher haben Qurator entwickelt. Man kann sich Qurator wie einen extrem cleveren Reiseplaner vorstellen, der nicht nur nach dem schnellsten Flug sucht, sondern auch danach, wie sicher die Reise ist.

Qurator ist ein „Scheduler" (ein Planer), der für viele verschiedene Quanten-Computer von verschiedenen Anbietern (wie IBM, IonQ, Rigetti etc.) gleichzeitig arbeitet. Diese Anbieter sprechen aber alle eine andere „Sprache" (unterschiedliche Messwerte für Fehler und Genauigkeit). Qurator übersetzt alles in eine gemeinsame Sprache, um zu vergleichen, welcher Computer gerade die beste Kombination aus Wartezeit und Genauigkeit bietet.

Wie funktioniert Qurator? (Die drei Tricks)

Qurator nutzt drei geniale Tricks, um das Problem zu lösen:

1. Die „Schere" (Circuit Cutting)

Manchmal ist eine Aufgabe so riesig, dass kein einzelner Quanten-Computer sie auf einmal bewältigen kann – oder sie würde so lange warten, dass die Quanten-Informationen bereits verfallen wären.

• Die Analogie: Stell dir vor, du musst einen riesigen Kuchen backen, aber dein Ofen ist zu klein.
• Der Trick: Qurator schneidet den Kuchen in mehrere kleinere Stücke. Jedes Stück wird auf einem anderen, kleineren Ofen gebacken (oder nacheinander). Am Ende werden die Stücke wieder zusammengefügt.
• Der Vorteil: Du musst nicht auf den riesigen, überfüllten Hauptofen warten. Du nutzt viele kleine Öfen gleichzeitig. Es kostet zwar etwas mehr Zeit beim „Zusammensetzen" (klassische Nachbearbeitung), aber du sparst enorm viel Wartezeit.

2. Das „Bündeln" (Merging)

Manchmal hast du viele kleine Aufgaben, die alle auf den gleichen Computer warten.

• Die Analogie: Stell dir vor, du hast 10 Pakete, die alle zum selben Zielort müssen. Anstatt 10 einzelne Lieferwagen zu schicken, die alle einzeln in die Schlange fahren, packst du sie alle in einen großen Lieferwagen.
• Der Trick: Qurator fasst viele kleine Quanten-Aufgaben zu einer großen zusammen und schickt sie als ein Paket.
• Der Vorteil: Du musst nur einmal in die Warteschlange, nicht zehnmal. Das spart enorm viel Zeit.

3. Der „Tanz" (Synchronisation bei verschränkten Aufgaben)

Manchmal müssen zwei Aufgaben auf zwei verschiedenen Computern gleichzeitig starten, weil sie „verschränkt" sind (wie zwei Tänzer, die sich an den Händen halten). Wenn einer zu spät kommt, ist der Tanz vorbei (die Verbindung bricht).

• Die Analogie: Stell dir vor, du und dein Freund müsstet gleichzeitig auf zwei verschiedenen Bahnhöfen einsteigen, um denselben Zug zu nehmen. Wenn einer 10 Minuten zu spät kommt, verpasst er den Zug.
• Der Trick: Qurator berechnet genau, wann jeder Computer fertig wird, und plant so, dass beide Aufgaben fast gleichzeitig starten können. Es ist wie ein Dirigent, der sicherstellt, dass alle Musiker genau im Takt einsetzen.

Was haben die Forscher herausgefunden?

Sie haben Qurator mit einem Simulator getestet, der die letzten vier Monate echter Daten von echten Quanten-Computern nachgeahmt hat.

• Bei wenig Stress (wenige Aufgaben): Qurator wählt fast immer den besten Computer und ist fast genauso genau wie die Experten, die nur auf Genauigkeit achten.
• Bei viel Stress (viele Aufgaben): Hier glänzt Qurator. Es reduziert die Wartezeit um 30 % bis 75 %, indem es klüger wählt. Ja, die Genauigkeit sinkt ein ganz kleines bisschen, aber das ist es wert, um überhaupt Ergebnisse zu bekommen.
• Der große Gewinner: Für sehr große Aufgaben, die sonst gar nicht hätten gerechnet werden können, ermöglicht Qurator durch das „Zerschneiden" (Cutting) eine Genauigkeit, die um 60 % besser ist als wenn man einfach den schnellsten Computer genommen hätte.

Fazit: Warum ist das wichtig?

Quanten-Computing steht noch am Anfang. Die Computer sind teuer, langsam und voller Warteschlangen. Ohne einen Planer wie Qurator würden wir entweder ewig warten oder nur ungenaue Ergebnisse bekommen.

Qurator ist wie ein Schaltzentrale, die den ganzen Chaos-Verkehr auf den Quanten-Highways regelt. Sie sorgt dafür, dass wir die begrenzten Ressourcen der heutigen Quanten-Computer so effizient wie möglich nutzen, um die ersten großen Durchbrüche in der Wissenschaft und Medizin zu ermöglichen.

Kurz gesagt: Qurator macht Quanten-Computing nicht nur schneller, sondern auch praktikabler für die echte Welt.

Technische Zusammenfassung

1. Problemstellung

Der Übergang von isolierten Quantenexperimenten zur Integration in großskalige Workflows stellt eine neue Herausforderung dar. Quanten-Cloud-Anbieter (wie IBM, IonQ, Rigetti etc.) stellen Quantenprozessoren (QPUs) über „First-Come-First-Served"-Warteschlangen zur Verfügung.

• Das Kernproblem: Die Wartezeit in der Warteschlange (Queue Time) übersteigt die eigentliche Ausführungszeit eines Quantenschaltkreises um das 15- bis 60-fache (Minuten bis Tage).
• Der Zielkonflikt: Es besteht ein fundamentaler Trade-off zwischen der Minimierung der Wartezeit und der Aufrechterhaltung der Fidelity (der Zuverlässigkeit/Genauigkeit des Ergebnisses).
• Grenzen klassischer Scheduling-Verfahren: Herkömmliche Techniken versagen hier aufgrund spezifischer Quantenbeschränkungen:
  • No-Cloning-Theorem: Quantenzustände können nicht kopiert werden, was Task-Duplizierung und Work-Stealing unmöglich macht.
  • Nicht-Präemptibilität: Einmal gestartete Jobs können nicht unterbrochen oder verschoben werden.
  • Heterogenität: Unterschiedliche Anbieter nutzen verschiedene native Gate-Sätze und melden inkompatible Kalibrierungsdaten.
  • Dynamische DAGs: Bei hybriden Algorithmen (z. B. VQE, QAOA) ist der vollständige Aufgabengraph (DAG) nicht im Voraus bekannt, da neue Quantenschaltkreise basierend auf klassischen Messergebnissen iterativ generiert werden.
  • Verschränkung: Bei verteilten Aufgaben müssen verschränkte Qubits fast gleichzeitig auf verschiedenen Geräten starten, bevor die Verschränkung durch Dekohärenz verloren geht.

2. Methodik und Architektur (Qurator)

Qurator ist ein architekturagnostischer Scheduler, der Warteschlangenzeit und Fidelity gemeinsam optimiert.

A. Einheitliche Fidelity-Schätzung

Da Anbieter unterschiedliche Metriken melden, entwickelt Qurator ein einheitliches Modell:

• Kanonsche Variablen: Alle Daten werden in eine kanonische Menge von Parametern übersetzt: Ein-Qubit-Gate-Fehler ($\epsilon_{1q}$), Zwei-Qubit-Gate-Fehler ($\epsilon_{2q}$), Auslesefehler ($\epsilon_{ro}$) und Kohärenzzeiten ($T_1, T_2$).
• Logarithmischer Erfolgs-Score: Die Fidelity wird als logarithmischer Erfolgs-Score ($\log P_{ops}$) berechnet, der Gate-Fehler, Auslesefehler und einen Dekohärenz-Strafterm (basierend auf der Verweildauer im Vergleich zur Kohärenzzeit) kombiniert.
• Geräte-spezifische Anpassung: Das Modell berücksichtigt Topologie (z. B. SWAP-Gates bei IBM), native Gate-Sets (z. B. bei Rigetti) und spezifische Fehlerquellen (z. B. Atomverlust bei neutralen Atomen bei QuEra).

B. Scheduling-Semantik für Quanten

Qurator behandelt Quantenbeschränkungen als First-Class-Entscheidungen:

• Dynamische DAGs: Der Scheduler arbeitet mit teilweise bekannten Graphen, die sich während der Iteration von Algorithmen wie VQE erweitern.
• Circuit Cutting (Zerschneiden): Wenn kein Gerät groß genug oder fehlerarm genug ist, wird der Schaltkreis in kleinere Sub-Schaltkreise zerlegt. Dies erhöht die klassische Nachbearbeitung, kann aber die Fidelity steigern und die Wartezeit auf kleineren Geräten verkürzen.
• Circuit Merging (Zusammenführen): Mehrere kleine Aufgaben werden zu einem einzigen Batch auf einem Gerät zusammengeführt, um Synchronisationskosten zu sparen (unter Beachtung von Crosstalk und Gate-Tiefe).
• Verschränkungs-Barriere: Für verschränkte Aufgaben wird eine Synchronisationsbarriere ($\Omega_b$) berechnet. Der Scheduler muss Geräte so auswählen, dass die Startzeiten der verschränkten Teilaufgaben innerhalb des kurzen Dekohärenzfensters (ca. Sekunden) liegen.

C. Lastadaptive Optimierung

Qurator nutzt einen Scheduling-Koeffizienten ($c_d$), der Fidelity-Belohnung ($w_f$) und Warteschlangen-Strafe ($w_q$) gewichtet:

• Leichte Last: Der Fokus liegt auf maximaler Fidelity (Wahl des besten Geräts).
• Hohe Last: Der Fokus verschiebt sich auf die Minimierung der Wartezeit (Wahl des am wenigsten belegten Geräts), solange eine benutzerdefinierte Fidelity-Schwelle eingehalten wird.
• Vorhersage: Da interne Warteschlangendaten oft nicht verfügbar sind, nutzt Qurator historische Daten und einen Gauß-Kernel, um Wartezeiten basierend auf Tageszeit und Lastmustern zu schätzen.

3. Schlüsselbeiträge

1. Unified Fidelity Estimation: Eine Methode, um inkompatible Kalibrierungsdaten von sechs verschiedenen Anbietern (IBM, IonQ, IQM, Rigetti, AQT, QuEra) in eine vergleichbare Metrik zu überführen.
2. Quantenbewusste Semantik: Formalisierung von Synchronisationsbarrieren für verschränkte Aufgaben und Behandlung von Circuit Cutting/Merging als Scheduling-Entscheidungen statt als Programmieraufgaben.
3. Joint Optimization: Ein Algorithmus, der Fidelity und Wartezeit dynamisch balanciert, ohne auf interne Queue-Daten der Provider angewiesen zu sein.
4. Erster Benchmark für verteilte verschränkte Aufgaben: Einführung neuer Metriken (Start-Skew, Finish-Skew, Survival Proxy) zur Bewertung von Scheduling-Strategien für verteiltes Quantencomputing, das auf heutigen Clouds noch nicht vollständig möglich ist.

4. Ergebnisse

Die Evaluation erfolgte auf einem Simulator, der durch vier Monate realer Queue-Daten von 11 Geräten (bis zu 156 Qubits) gespeist wurde, unter Verwendung des Munich Quantum Toolkit (MQT) Benchmarks (bis zu 35.000 Aufgaben).

• Niedrige Last: Qurator erreicht eine Fidelity, die innerhalb von 1% der „Highest-Fidelity"-Baseline liegt, bei nur minimaler Erhöhung der Wartezeit.
• Hohe Last (5.000–35.000 Aufgaben):
  • Qurator reduziert die Wartezeit um 30–75% im Vergleich zur „Highest-Fidelity"-Strategie.
  • Im Vergleich zur „Least-Busy"-Strategie (die oft die Fidelity opfert) bietet Qurator eine um 18–60% höhere Fidelity bei akzeptablem Wartezeit-Overhead.
  • Für große Schaltkreise (hohe Qubit-Anzahl) ermöglicht Circuit Cutting eine Fidelity-Steigerung von bis zu 60% gegenüber der „Least-Busy"-Strategie, die bei großen Schaltkreisen oft unbrauchbare Ergebnisse liefert (<10% Erfolgswahrscheinlichkeit).
• Verteilte Verschränkung: Unter realistischen Cloud-Bedingungen (lange Warteschlangen) ist die „Survival Probability" (Wahrscheinlichkeit, dass die Verschränkung bis zum Start erhalten bleibt) extrem gering ($10^{-15}$ bis $10^{-239}$). Das Paper zeigt jedoch, dass durch Circuit Merging (Ausführung auf einem Gerät statt verteilt) die Synchronisation drastisch verbessert wird, da die Kohärenz innerhalb eines Geräts viel höher ist als über ein Netzwerk.

5. Bedeutung und Ausblick

Qurator adressiert eine kritische Lücke in der Infrastruktur für hybrides Quantencomputing.

• Praktische Relevanz: Es ermöglicht die effiziente Nutzung heutiger, stark ausgelasteter und fehleranfälliger Quanten-Cloud-Ressourcen, indem es intelligente Kompromisse zwischen Zeit und Genauigkeit findet.
• Zukunftsfähigkeit: Das Design ist so parametrisiert, dass es sich an die Weiterentwicklung der Hardware (längere Kohärenzzeiten, schnellere Netzwerke) anpassen kann.
• Richtungsweisend: Die Arbeit etabliert erstmals Benchmarks für verteiltes Quantencomputing und zeigt auf, dass dies auf heutigen öffentlichen Clouds noch nicht praktikabel ist, aber durch Strategien wie Merging und verbesserte Netzwerke in Zukunft möglich werden könnte.

Zusammenfassend stellt Qurator einen Paradigmenwechsel dar: Statt Quantenbeschränkungen als Hindernisse zu umgehen, werden sie als zentrale Eingangsgrößen in den Scheduling-Prozess integriert, um hybride Workflows in heterogenen Cloud-Umgebungen überhaupt erst skalierbar zu machen.