MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline

En el emergente panorama de la computación moderna, dos mundos poderosos están comenzando a fusionarse: las masivas supercomputadoras clásicas que modelan el cambio climático y diseñan nuevos materiales, y las frágiles y experimentales máquinas cuánticas que prometen resolver problemas que actualmente están fuera de nuestro alcance. Esta convergencia crea un nuevo tipo de sistema híbrido donde una computadora clásica actúa como el cerebro, enviando tareas específicas a un procesador cuántico para que actúe como un acelerador especializado. Sin embargo, estas máquinas cuánticas se encuentran actualmente en una fase difícil de desarrollo. Son ruidosas, lo que significa que sus cálculos son propensos a errores, y están limitadas en tamaño, con solo un puñado de bits cuánticos disponibles. Debido a esto, simplemente enviar un programa a una computadora cuántica no es suficiente; el programa debe ser cuidadosamente preparado, remodelado y adaptado a las peculiaridades específicas de la máquina en la que se ejecutará. Si la preparación es incorrecta, el resultado será basura. El desafío radica en averiguar exactamente qué máquina utilizar y cómo transformar el código para ella, una tarea que implica navegar por un vasto y cambiante laberinto de posibilidades.

Investigadores del Centro Leibniz de Supercomputación en Alemania, trabajando con socios de la Universidad Técnica de Múnich y el Laboratorio Nacional Argonne, han propuesto una nueva forma de resolver este rompecabezas. Llaman a su sistema MQSS-Selector, una herramienta diseñada para actuar como una guía unificada para todo el proceso. En lugar de tratar la elección del hardware y la preparación del software como pasos separados, su sistema aprende a tomar ambas decisiones al mismo tiempo. El equipo construyó esta herramienta utilizando un método llamado aprendizaje por refuerzo, un tipo de inteligencia artificial donde un programa de computadora aprende mediante el ensayo y error, de forma muy similar a un niño aprendiendo a montar en bicicleta. El programa prueba diferentes combinaciones de dispositivos cuánticos y transformaciones de código, recibe retroalimentación sobre qué tan bien funcionó el resultado y aprende gradualmente a elegir el mejor camino a seguir.

La dificultad central que los investigadores abordaron es que los problemas de elegir un dispositivo y ordenar los pasos del código son increíblemente complejos. De hecho, son tan complejos que encontrar la solución perfecta para cada caso individual es matemáticamente imposible de realizar rápidamente a medida que aumenta el número de opciones. Los métodos tradicionales dependen de reglas fijas o conjeturas, que a menudo fallan cuando las máquinas cuánticas cambian su comportamiento o cuando se introducen nuevos tipos de código. Los investigadores demostraron que su enfoque basado en el aprendizaje podía navegar esta complejidad. Crearon un sistema que observa las características específicas de un programa cuántico, verifica el estado actual de las máquinas disponibles y luego selecciona el dispositivo más adecuado. Simultáneamente, decide qué secuencia de optimizaciones de código aplicar para que el programa se ejecute de manera eficiente en esa máquina específica.

Para probar su idea, el equipo entrenó su sistema con una gran colección de programas cuánticos, incluyendo aquellos diseñados para simular moléculas químicas. Compararon su selector basado en el aprendizaje contra los métodos estándar y encontraron que el modelo guiado adoptó una estrategia muy conservadora respecto a cuándo detener la optimización. Mientras que el modelo sin guía falló al llamar a la acción de "finalizar" en casi todos los casos, el modelo guiado terminó el proceso con éxito en la gran mayoría de los ensayos, aunque lo hizo con una baja exhaustividad (recall), lo que significa que perdió muchas oportunidades potenciales de identificar puntos de parada válidos. En términos de la estructura del programa, el sistema no produjo programas más cortos; en promedio, la profundidad y el recuento de operaciones de los programas resultantes aumentaron significamente en comparación con las entradas. Sin embargo, el enfoque guiado sí produjo un mejor rendimiento de compilación general al asegurar que los programas fueran ejecutables en el 95.5% de los casos, una mejora notable respecto al modelo no guiado. Cuando los investigadores introdujeron una técnica de entrenamiento especial para ayudar al sistema a explorar la vasta cantidad de posibilidades sin perderse, los resultados mejoraron en términos de fiabilidad, aunque el sistema todavía tuvo dificultades para identificar todas las oportunidades de optimización válidas.

El estudio también reveló que, si bien el sistema funciona bien para elegir dispositivos, la parte responsable de ordenar los pasos del código aún necesita más práctica. Los investigadores encontraron que, sin la guía de entrenamiento especial, el sistema tenía dificultades para encontrar buenas soluciones por sí solo, vagando a menudo por combinaciones inútiles de cambios de código; de hecho, los datos experimentales sugieren que el aprendizaje por refuerzo sin métodos adicionales no es un enfoque viable para entrenar una red para la compilación bajo las restricciones de recursos consideradas. Sin embargo, con la guía, el sistema aprendió a enfocarse en los caminos más prometedores, aunque de manera muy conservadora, lo que condujo a una ejecución más fiable. Esto sugiere que, si bien el concepto de una guía única y unificada para la computación cuántica es viable, requiere un entrenamiento cuidadoso y una cantidad significativa de datos para ser verdaderamente efectivo. El trabajo del equipo muestra que, al combinar la elección del hardware y la preparación del software en un proceso de toma de decisiones inteligente, podemos acercarnos a hacer que las computadoras cuánticas sean herramientas útiles para problemas del mundo real. Sus hallazgos indican que este enfoque no es solo una idea teórica, sino un camino práctico, capaz de adaptarse a la naturaleza ruidosa y cambiante de las máquinas cuánticas actuales, siempre que el sistema reciba la suficiente guía para superar las dificultades inherentes de la tarea.