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

Resumen Técnico: Qurator

1. El Problema: La Brecha entre Ejecución y Espera

A medida que la computación cuántica evoluciona desde experimentos aislados hacia la integración en flujos de trabajo a gran escala, surge un desafío crítico en la nube cuántica: la ineficiencia en la cola de espera.

• Contexto: Los proveedores de nube cuántica (IBM, IonQ, Rigetti, etc.) exponen sus Unidades de Procesamiento Cuántico (QPU) compartidas mediante colas de "primero en llegar, primero en ser atendido".
• La Brecha: Una tarea que se ejecuta en 3 segundos puede esperar desde minutos hasta un día completo (una sobrecarga de 15 a 60 veces).
• Limitaciones de los Enfoques Actuales: Las técnicas de programación clásica fallan porque no pueden manejar las restricciones cuánticas únicas:
  • Teorema de No-Clonación: Imposibilita la duplicación de tareas o el "robo de trabajo" (work stealing).
  • No-preemptibilidad: Una vez iniciada, una tarea no puede ser interrumpida.
  • Dependencias de Entrelazamiento: Las tareas que comparten pares EPR deben ejecutarse casi simultáneamente antes de que el entrelazamiento se degrade (decoherencia).
  • Heterogeneidad: Cada proveedor tiene conjuntos de puertas nativas diferentes y métricas de calibración incompatibles, lo que dificulta la estimación unificada de la fidelidad.
• El Dilema: Existe una tensión fundamental entre minimizar el tiempo de espera en cola (seleccionando dispositivos con menos carga) y maximizar la fidelidad (seleccionando dispositivos con mejor calibración, que suelen estar más saturados).

2. Metodología: La Arquitectura Qurator

Qurator es un planificador de tareas cuántico-clásico agnóstico a la arquitectura diseñado para optimizar conjuntamente el tiempo de cola y la fidelidad de ejecución.

A. Modelado de Cargas de Trabajo (DAGs Dinámicos)

• Los flujos de trabajo híbridos se modelan como Grafos Acíclicos Dirigidos (DAG) dinámicos.
• A diferencia de los DAGs clásicos, estos incluyen semántica cuántica explícita: barreras de sincronización para tareas entrelazadas, restricciones de no-clonación y decisiones de "corte" (cutting) y fusión (merging) de circuitos.
• Soporta algoritmos iterativos como VQE y QAOA, donde el DAG completo no se conoce de antemano.

B. Estimación Unificada de Fidelidad
Dado que los proveedores reportan métricas incompatibles, Qurator introduce un modelo de puntuación de éxito logarítmico unificado:

• Reconcilia datos de calibración de 6 proveedores (IBM, IonQ, IQM, Rigetti, AQT, QuEra) en un conjunto canónico: error de puertas (1 y 2 qubits), error de lectura y tiempos de decoherencia ($T_1, T_2$).
• Calcula una probabilidad de éxito estimada ($\hat{F}_{est}$) combinando la puntuación operativa de las puertas y una penalización por decoherencia basada en la duración del circuito.
• Este modelo se valida empíricamente contra resultados de hardware real.

C. Semánticas de Programación Cuántica
Qurator formaliza decisiones que rompen las suposiciones clásicas:

1. Corte de Circuitos (Circuit Cutting): Divide circuitos grandes en subcircuitos ejecutables en dispositivos más pequeños, a cambio de un costo de post-procesamiento clásico. Se trata como una decisión de planificación, no de programación.
2. Fusión de Tareas (Merging): Combina múltiples tareas cuánticas en una sola solicitud a un QPU para reducir la sobrecarga de sincronización, sujeto a restricciones de profundidad de circuito y crosstalk.
3. Barreras de Sincronización: Para tareas entrelazadas, calcula el tiempo de finalización estimado de las tareas ancestrales ($\Omega_b$) para asignar dispositivos que minimicen el desfase (skew) en el inicio de la distribución de pares EPR.

D. Optimización Conjunta Adaptativa a la Carga
El planificador utiliza un coeficiente de programación ($c_d$) que ajusta dinámicamente la ponderación entre fidelidad y tiempo de cola según la carga del sistema:

• Baja carga: Prioriza la fidelidad (selecciona el dispositivo más preciso).
• Alta carga: Prioriza el tiempo de cola (selecciona el dispositivo menos ocupado), pero mantiene la fidelidad por encima de un umbral especificado por el usuario.
• Utiliza un kernel gaussiano sobre datos históricos de colas para estimar tiempos de espera sin acceso interno a las colas de los proveedores.

3. Contribuciones Clave

1. Estimación de Fidelidad Unificada: Primer modelo que normaliza métricas de 6 proveedores distintos en una puntuación comparable, validada experimentalmente.
2. Semánticas de Planificación Conscientes de la Cuántica: Formalización de restricciones como la sincronización de entrelazamiento y la prohibición de clonación, integrando el corte y la fusión de circuitos como decisiones de nivel de planificador.
3. Optimización Conjunta Adaptativa: Un algoritmo que rebalancea automáticamente la fidelidad y el tiempo de espera según la carga, logrando un equilibrio óptimo sin sacrificar la viabilidad del resultado.
4. Primer Benchmark para Tareas Entrelazadas Distribuidas: Dado que la computación cuántica distribuida pública aún no existe, los autores introducen nuevas métricas (desfase de inicio/fin, penalización de presupuesto, proxy de supervivencia) y evalúan Qurator en un simulador impulsado por 4 meses de datos reales de colas.

4. Resultados de la Evaluación

El sistema se evaluó en un simulador utilizando el Munich Quantum Toolkit (MQT) y datos de colas reales de 11 dispositivos (incluyendo IBM Heron, IonQ Forte, etc.) bajo cargas de 5 a 35,000 tareas.

• Baja Carga: Qurator se mantiene dentro del 1% de la fidelidad máxima del mejor dispositivo, ignorando colas ligeramente más largas.
• Alta Carga (5,000 - 35,000 tareas):
  • Logra una reducción del 30-75% en el tiempo de cola en comparación con estrategias de "mayor fidelidad".
  • Mantiene una fidelidad superior a la estrategia "menos ocupada" (que sacrifica 10-20 puntos porcentuales de fidelidad).
  • El costo de fidelidad está acotado por el objetivo del usuario (ej. 0.90).
• Circuitos de Alto Número de Qubits:
  • El uso de circuit cutting permite ejecutar circuitos grandes en dispositivos más pequeños, logrando hasta un 60% de mejora en fidelidad frente a la estrategia "menos ocupada" (que fallaría completamente en estos circuitos).
  • En dispositivos IBM, el envío por lotes (batch submission) de circuitos cortados reduce la sobrecarga de cola en un 25%.
• Tareas Entrelazadas:
  • En condiciones de colas realistas actuales, la probabilidad de supervivencia de pares EPR distribuidos es casi nula ($10^{-15}$ a $10^{-239}$).
  • La fusión de circuitos (merging) en un solo QPU es la estrategia más efectiva, eliminando el problema de sincronización inter-dispositivo y mejorando drásticamente el "proxy de supervivencia".

5. Significado y Conclusión

El artículo demuestra que la planificación de flujos de trabajo híbridos cuántico-clásicos requiere un cambio de paradigma respecto a la programación clásica.

• Viabilidad: Qurator demuestra que es posible navegar la tensión entre fidelidad y tiempo de espera sin sacrificar la calidad del resultado, adaptándose dinámicamente a la carga.
• Estado de la Computación Distribuida: Los resultados cuantifican que la computación cuántica distribuida en la nube pública actual no es viable debido a los tiempos de espera excesivos en comparación con la vida útil de la coherencia del entrelazamiento.
• Futuro: Qurator proporciona una arquitectura y métricas base para evaluar el progreso a medida que las redes cuánticas mejoren y los proveedores ofrezcan reservas avanzadas. El diseño paramétrico de Qurator está preparado para adaptarse a futuras mejoras en hardware (mayor coherencia, dispositivos tolerantes a fallos) sin necesidad de cambios arquitectónicos mayores.

En resumen, Qurator es el primer planificador que trata las restricciones cuánticas como ciudadanos de primera clase, ofreciendo una solución práctica para la orquestación de tareas en la nube cuántica heterogénea actual.