MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline
Dieses Paper stellt MQSS-Selector vor, ein einheitliches, lernbasiertes Framework, das Reinforcement- und Deep-Learning nutzt, um die Geräteauswahl, die Reihenfolge der Compiler-Passagen und das Job-Scheduling für HPC-Quantencomputing-Workflows dynamisch zu optimieren, mit dem Ziel, gleichzeitig die Fidelität zu maximieren und die Kompilierungszeit sowie die Latenz in der NISQ-Ära zu minimieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der aufstrebenden Landschaft des modernen Computings verschmelzen zwei mächtige Welten: die massiven, klassischen Supercomputer, die den Klimawandel modellieren und neue Materialien entwerfen, und die fragilen, experimentellen Quantenmaschinen, die versprechen, Probleme zu lösen, die derzeit außerhalb unserer Reichweite liegen. Diese Konvergenz schafft eine neue Art von Hybridsystem, bei dem ein klassischer Computer als Gehirn fungiert und spezifische Aufgaben an einen Quantenprozessor sendet, der als spezialisierter Beschleuniger dient. Diese Quantenmaschinen befinden sich jedoch derzeit in einer schwierigen Entwicklungsphase. Sie sind verrauscht, was bedeutet, dass ihre Berechnungen anfällig für Fehler sind, und sie sind in ihrer Größe begrenzt, da nur eine Handvoll Quantenbits zur Verfügung steht. Aus diesem Grund reicht es nicht aus, einfach ein Programm an einen Quantencomputer zu senden; das Programm muss sorgfältig vorbereitet, umgestaltet und auf die spezifischen Eigenheiten der Maschine abgestimmt werden, auf der es laufen wird. Wenn die Vorbereitung falsch ist, wird das Ergebnis unbrauchbar sein. Die Herausforderung besteht darin, genau herauszufinden, welche Maschine zu verwenden ist und wie der Code für sie zu transformieren ist – eine Aufgabe, die das Navigieren durch ein riesiges und sich ständig veränderndes Labyrinth von Möglichkeiten erfordert.
Forscher am Leibniz Supercomputing Centre in Deutschland, die mit Partnern der Technischen Universität München und dem Argonne National Laboratory zusammenarbeiten, haben einen neuen Weg vorgeschlagen, um dieses Rätsel zu lösen. Sie nennen ihr System MQSS-Selector, ein Werkzeug, das als einheitlicher Leitfaden für den gesamten Prozess dienen soll. Anstatt die Wahl der Hardware und die Vorbereitung der Software als getrennte Schritte zu behandeln, lernt ihr System, beide Entscheidungen gleichzeitig zu treffen. Das Team entwickelte dieses Werkzeug mithilfe von Reinforcement Learning, einer Form der künstlichen Intelligenz, bei der ein Computerprogramm durch Versuch und Irrtum lernt, ähnlich wie ein Kind, das lernt, Fahrrad zu fahren. Das Programm probiert verschiedene Kombinationen von Quantengeräten und Code-Transformationen aus, erhält Rückmeldung darüber, wie gut das Ergebnis funktioniert hat, und lernt nach und nach, den besten Weg zu wählen.
Die Kernschwierigkeit, mit der die Forscher konfrontiert waren, ist, dass die Probleme der Gerätewahl und der Reihenfolge der Code-Schritte unglaublich komplex sind. Tatsächlich sind sie so komplex, dass es mathematisch unmöglich ist, schnell eine perfekte Lösung für jeden einzelnen Fall zu finden, wenn die Anzahl der Optionen wächst. Traditionelle Methoden verlassen sich auf feste Regeln oder Vermutungen, die oft versagen, wenn sich das Verhalten der Quantenmaschinen ändert oder neue Arten von Code eingeführt werden. Die Forscher zeigten, dass ihr lernbasierter Ansatz diese Komplexität bewältigen kann. Sie entwickelten ein System, das die spezifischen Merkmale eines Quantenprogramms analysiert, den aktuellen Status der verfügbaren Maschinen prüft und dann das am besten geeignete Gerät auswählt. Gleichzeitig entscheidet es, welche Sequenz von Code-Optimierungen angewendet werden soll, um das Programm effizient auf dieser spezifischen Maschine laufen zu lassen.
Um ihre Idee zu testen, trainierte das Team ihr System auf einer großen Sammlung von Quantenprogrammen, darunter solche, die zur Simulation chemischer Moleküle entwickelt wurden. Sie verglichen ihren lernbasierten Selektor mit Standardmethoden und stellten fest, dass das geführte Modell eine sehr konservative Strategie bezüglich des Zeitpunkts des Stoppens der Optimierung verfolgte. Während das Modell ohne Führung in fast allen Fällen versagte, die „Finish“-Aktion aufzurufen, schloss das geführte Modell den Prozess in der überwiegenden Mehrheit der Versuche erfolgreich ab, tat dies jedoch mit einer niedrigen Recall-Rate, was bedeutet, dass es viele potenzielle Gelegenheiten zur Identifizierung gültiger Stopppunkte verpasste. In Bezug auf die Programmstruktur erzeugte das System keine kürzeren Programme; im Durchschnitt nahmen die Tiefe und die Anzahl der Operationen der resultierenden Programme im Vergleich zu den Eingaben signifikant zu. Dennoch führte der geführte Ansatz zu einer besseren Gesamtkompilierungsleistung, indem er sicherstellte, dass die Programme in 95,5 % der Fälle ausführbar waren, was eine deutliche Verbesserung gegenüber dem nicht geführten Modell darstellte. Als die Forscher eine spezielle Trainingsmethode einführten, um dem System zu helfen, die riesige Anzahl an Möglichkeiten zu explorieren, ohne sich zu verirren, verbesserten sich die Ergebnisse hinsichtlich der Zuverlässigkeit, wenngleich das System immer noch Schwierigkeiten hatte, alle gültigen Optimierungsmöglichkeiten zu identifizieren.
Die Studie zeigte auch, dass das System zwar gut bei der Auswahl von Geräten funktioniert, der Teil, der für die Anordnung der Code-Schritte verantwortlich ist, jedoch noch mehr Übung benötigt. Die Forscher fanden heraus, dass das System ohne die spezielle Trainingsführung Schwierigkeiten hatte, allein gute Lösungen zu finden, und oft durch nutzlose Kombinationen von Code-Änderungen wanderte; tatsächlich legen die experimentellen Daten nahe, dass Reinforcement Learning ohne zusätzliche Methoden kein praktikabler Ansatz für das Training eines Netzwerks zur Kompilierung unter den betrachteten Ressourcenbeschränkungen ist. Mit der Führung hingegen lernte das System, sich auf die vielversprechendsten Pfade zu konzentrieren, wenn auch sehr konservativ, was zu einer zuverlässigeren Ausführung führte. Dies deutet darauf hin, dass das Konzept eines einzigen, einheitlichen Leitfadens für das Quantencomputing zwar lebensfähig ist, aber eine sorgfältige Schulung und umfangreiche Daten erfordert, um wirklich effektiv zu sein. Die Arbeit des Teams zeigt, dass die Kombination der Hardwarewahl und der Vorbereitung der Software zu einem intelligenten Entscheidungsprozess uns näher bringen kann, das Quantencomputing zu einem nützlichen Werkzeug für reale Probleme zu machen. Ihre Ergebnisse deuten darauf hin, dass dieser Ansatz nicht nur eine theoretische Idee ist, sondern ein praktischer Weg nach vorn, der in der Lage ist, sich an die verrauschte und wechselhafte Natur der heutigen Quantenmaschinen anzupassen, sofern das System genügend Anleitung erhält, um die inhärenten Schwierigkeiten der Aufgabe zu überwinden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.