An ML-Based Hybrid Task Scheduler for Classical–Quantum Computing Environments Using Real Graph-Derived Workloads

In der sich entwickelnden Landschaft des modernen Computings verschmelzen zwei unterschiedliche Welten. Auf der einen Seite steht der klassische Computer, die vertraute Maschine, die man in Büros und Haushalten findet und die Informationen mithilfe von Bits verarbeitet, die entweder Null oder Eins sind. Auf der anderen Seite steht der Quantencomputer, eine spezialisierte Maschine, die Quantenbits oder Qubits nutzt, um viele Möglichkeiten gleichzeitig zu erforschen. Während Quantenmaschinen das Versprechen in sich tragen, bestimmte komplexe Probleme schneller als ihre klassischen Gegenstücke zu lösen, sind sie noch kein universeller Ersatz. Sie sind oft schwer zugänglich, erfordern extreme Bedingungen für den Betrieb und können sich für eine einzelne Aufgabe langsam einrichten lassen. Diese Realität hat hybride Umgebungen hervorgebracht, in denen ein System in Echtzeit entscheiden muss, ob es einen spezifischen Job auf einem Standardprozessor ausführt oder an einen Quantenprozessor sendet. Die Herausforderung besteht darin, diese Entscheidung effizient zu treffen; eine Aufgabe an die falsche Maschine zu senden, kann Zeit verschwenden, während das Senden an die richtige Maschine signifikante Geschwindigkeit freisetzen kann.

Forscher der University of Energy and Natural Resources in Ghana haben dieses Scheduling-Rätsel gelöst, indem sie ein intelligentes System entwickelt haben, das lernt, wie man diese Entscheidungen trifft. Anstatt sich auf feste Regeln zu verlassen, die bei sich ändernden Bedingungen versagen könnten, trainierten sie ein Modell des maschinellen Lernens, das als Verkehrsleiter für Rechenaufgaben fungiert. Um dieses System zu lehren, verwendeten sie keine künstlich erzeugten Daten. Sie begannen mit einem realen Netzwerk von Interaktionen aus einem Wikipedia-Votingsystem, einem massiven Graphen von Verbindungen zwischen Nutzern. Aus diesem komplexen Geflecht extrahierten sie hunderte kleinerer, verbundener Gruppen von Nutzern, die als Testfälle dienen sollten. Jede Gruppe repräsentierte ein spezifisches Optimierungsproblem, bekannt als das Max-Cut-Problem, bei dem es darum geht, ein Netzwerk in zwei Gruppen zu unterteilen, um die Verbindungen zwischen ihnen zu maximieren.

Das Team führte jeden dieser Testfälle dann über zwei verschiedene Pfade aus. Zuerst lösten sie diese mit einem Standard-Klassik-Computer, um zu sehen, wie lange es dauerte und wie gut das Ergebnis war. Zweitens schickten sie dieselben Probleme durch einen simulierten Quanten-Workflow, der das Verhalten eines echten Quantenprozessors nachahmt, einschließlich der Zeit, die für die Vorbereitung der Maschine und die Zeit für die Durchführung der Berechnung benötigt wird. Entscheidend war, dass sie nicht nur die reine Geschwindigkeit der Maschinen betrachteten. Sie simulierten auch verschiedene Ebenen der Überlastung oder des „Warteschlangendrucks“, um zu sehen, wie sich Wartezeiten auf die Gesamtkosten der Ausführung einer Aufgabe auswirkten. Manchmal war die Quantenmaschine frei und schnell einsatzbereit; ein anderes Mal war sie durch eine lange Schlange wartender Jobs überlastet. Durch die Kombination der strukturellen Details der Graphprobleme mit diesen wechselnden Systembedingungen erstellten sie einen reichhaltigen Datensatz, der dem Computer beibrachte, wann er den klassischen Pfad und wann den Quantenpfad wählen sollte.

Die Ergebnisse zeigten, dass ein einfaches Modell des maschinellen Lernens, speziell eines, das auf logistischer Regression basiert, lernen konnte, diese Platzierungsentscheidungen mit bemerkenswerter Genauigkeit zu treffen. In Tests identifizierte dieser gelernte Scheduler den besten Ressourcenweg für fast 98 Prozent der Aufgaben korrekt. Im Vergleich zu anderen Methoden übertraf der intelligente Scheduler ein System, das alles an den klassischen Computer schickte, ein System, das alles an den Quantencomputer schickte, und sogar ein System, das festen, manuell geschriebenen Regeln folgte. Der gelernte Scheduler erreichte die schnellsten Gesamtausführungszeiten und die höchste Anzahl an abgeschlossenen Aufgaben pro Sekunde. Er konnte die Last so effektiv ausbalancieren, dass er die Gesamtzeit, die das System mit dem Warten auf Aufgaben verbrachte, im Vergleich zu den regelbasierten Ansätzen um eine signifikante Marge reduzierte.

Ein genauerer Blick darauf, was der Computer gelernt hatte, offenbarte eine überraschende Erkenntnis: Der wichtigste Faktor bei der Entscheidung, wohin eine Aufgabe gesendet werden sollte, war nicht die Komplexität des Problems selbst, sondern der aktuelle Zustand des Systems. Das Modell achtete am meisten darauf, wie lange eine Aufgabe in der Warteschlange für den klassischen Computer gegenüber der Quantenmaschine warten müsste. Wenn die klassische Warteschlange lang war, war das System eher geneigt, die Aufgabe an den Quantenprozessor zu senden, selbst wenn die Quantenmaschine ihre eigenen Overhead-Kosten hatte. Umgekehrt, wenn die Quantenlinie überlastet war, behielt das System die Aufgabe auf der klassischen Seite. Dies deutet darauf an, dass die beste Strategie in einer hybriden Umgebung keine starre Regel darüber ist, welche Probleme zu welcher Maschine gehören, sondern ein flexibler Ansatz, der auf die Echtzeit-Überlastung reagiert. Die Studie fand heraus, dass die Größe des Problems zwar wichtig war, aber sekundär gegenüber der unmittelbaren Verfügbarkeit von Ressourcen.

Die Forscher entdeckten auch, dass der Quanten-Workflow, selbst in der Simulation, Lösungen lieferte, die fast so gut waren wie die der klassischen Computer, mit einer Genauigkeitsrate von fast 99,8 Prozent. Dies bedeutet, dass der Quantenpfad eine praktikable Option für diese Aufgaben war, vorausgesetzt, das System konnte das Timing korrekt steuern. Die Studie behauptete nicht, dass Quantencomputer nun schneller für alle Probleme sind; tatsächlich zeigten die Simulationen, dass für kleine Aufgaben der klassische Computer oft eine viel schnellere reine Ausführungszeit aufwies. Der Wert der Quantenmaschine zeigte sich erst, wenn das System lernte, Aufgaben in Momenten an sie zu routen, in denen die klassischen Ressourcen stark beansprucht wurden.

Letztendlich zeigt diese Arbeit, dass die Verwaltung einer Mischung aus klassischen und Quantenressourcen einen dynamischen, datengesteuerten Ansatz erfordert. Indem man die Aufgabenplatzierung als ein Lernproblem statt als eine statische Regel behandelt, können Systeme auf die Schwankungen der Nachfrage reagieren. Die Ergebnisse legen nahe, dass, wenn die Quantentechnologie reift und stärker in die klassische Infrastruktur integriert wird, die Fähigkeit, diese blitzschnellen Entscheidungen basierend auf den aktuellen Bedingungen zu treffen, genauso wichtig sein wird wie die reine Rechenleistung der Maschinen selbst. Die Studie liefert einen praktischen Bauplan dafür, wie man diese intelligenten Scheduler baut, und beweist, dass ein Computer mit den richtigen Daten lernen kann, die Komplexitäten einer hybriden Zukunft zu navigieren.