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

आधुनिक कंप्यूटिंग के विकसित होते परिदृश्य में, दो अलग-अलग दुनिया आपस में मिल रही हैं। एक ओर क्लासिकल कंप्यूटर है, जो कार्यालयों और घरों में पाया जाने वाला परिचित मशीन है, जो सूचनाओं को बिट्स (bits) का उपयोग करके संसाधित करता है जो या तो शून्य या एक होते हैं। दूसरी ओर क्वांटम कंप्यूटर है, जो एक विशेष मशीन है जो क्वांटम बिट्स, या क्यूबिट्स (qubits) का उपयोग करती है ताकि कई संभावनाओं को एक साथ खोजा जा सके। जबकि क्वांटम मशीनें अपने क्लासिकल समकक्षों की तुलना में कुछ जटिल समस्याओं को तेजी से हल करने का वादा करती हैं, वे अभी तक एक सार्वभौमिक विकल्प नहीं बनी हैं। उन्हें अक्सर एक्सेस करना कठिन होता है, उन्हें संचालित करने के लिए चरम स्थितियों की आवश्यकता होती है, और किसी एक कार्य के लिए उन्हें सेटअप करने में समय लग सकता है। इस वास्तविकता ने हाइब्रिड वातावरण को जन्म दिया है, जहाँ एक सिस्टम को वास्तविक समय में यह निर्णय लेना होता है कि किसी विशिष्ट कार्य को मानक प्रोसेसर पर चलाना है या उसे क्वांटम प्रोसेसर पर भेजना है। चुनौती इस चुनाव को कुशलतापूर्वक करने में निहित है; गलत मशीन को कार्य भेजने से समय बर्बाद हो सकता है, जबकि सही मशीन को भेजने से महत्वपूर्ण गति प्राप्त हो सकती है।

घाना के यूनिवर्सिटी ऑफ एनर्जी एंड नेचुरल रिसोर्सेज के शोधकर्ताओं ने इस शेड्यूलिंग पहेली को हल करने के लिए एक स्मार्ट सिस्टम बनाकर इस समस्या का समाधान किया है जो निर्णय लेने का तरीका सीखता है। इस सिस्टम को निश्चित नियमों पर निर्भर रहने के बजाय, जो स्थितियाँ बदलने पर विफल हो सकते हैं, उन्होंने एक मशीन-लर्निंग मॉडल को प्रशिक्षित किया जो कंप्यूटिंग कार्यों के लिए एक ट्रैफिक कंट्रोलर के रूप में कार्य करता है। इस सिस्टम को सिखाने के लिए, उन्होंने बनावटी डेटा का उपयोग नहीं किया। उन्होंने शुरुआत एक विकिपीडिया वोटिंग सिस्टम से प्राप्त वास्तविक दुनिया के इंटरैक्शन नेटवर्क से की, जो उपयोगकर्ताओं के बीच कनेक्शन का एक विशाल ग्राफ है। इस जटिल वेब से, उन्होंने परीक्षण मामलों के रूप में उपयोगकर्ताओं के सैकड़ों छोटे, जुड़े हुए समूहों को निकाला। प्रत्येक समूह एक विशिष्ट प्रकार की अनुकूलन समस्या (optimization problem) का प्रतिनिधित्व करता था जिसे 'मैक्स-कट' (Max-Cut) समस्या के रूप में जाना जाता है, जिसमें एक नेटवर्क को दो समूहों में विभाजित करना शामिल है ताकि उनके बीच के कनेक्शन को अधिकतम किया जा सके।

इसके बाद टीम ने इन सभी परीक्षण मामलों को दो अलग-अलग रास्तों से चलाया। पहले, उन्होंने उन्हें एक मानक क्लासिकल कंप्यूटर का उपयोग करके हल किया ताकि यह देखा जा सके कि इसमें कितना समय लगा और उत्तर कितना अच्छा था। दूसरा, उन्होंने उन्हीं समस्याओं को एक सिम्युलेटेड क्वांटम वर्कफ़्लो के माध्यम से भेजा, जो एक वास्तविक क्वांटम प्रोसेसर के व्यवहार की नकल करता है, जिसमें मशीन को तैयार करने में लगने वाला समय और गणना चलाने में लगने वाला समय भी शामिल है। महत्वपूर्ण रूप से, उन्होंने केवल मशीनों की कच्ची गति (raw speed) को ही नहीं देखा। उन्होंने विभिन्न स्तरों के संकुलन (congestion), या "कतार दबाव" (queue pressure) का भी अनुकरण किया, यह देखने के लिए कि प्रतीक्षा समय ने कार्य चलाने की कुल लागत को कैसे प्रभावित किया। कभी-कभी क्वांटम मशीन खाली होती थी और सेटअप करने में तेज़ होती थी; अन्य समय में, यह प्रतीक्षा कर रहे कार्यों की लंबी कतार के कारण रुकी हुई होती थी। ग्राफ समस्याओं के संरचनात्मक विवरणों को इन बदलते सिस्टम स्थितियों के साथ जोड़कर, उन्होंने एक समृद्ध डेटासेट बनाया जिसने कंप्यूटर को यह सिखाया कि कब क्लासिकल पथ को चुनना है और कब क्वांटम पथ को चुनना है।

परिणामों ने दिखाया कि एक सरल मशीन-लर्निंग मॉडल, विशेष रूप से लॉजिस्टिक रिग्रेशन (logistic regression) पर आधारित, इन प्लेसमेंट निर्णयों को उल्लेखनीय सटीकता के साथ लेने में सक्षम था। परीक्षणों में, इस सीखे हुए शेड्यूलर ने लगभग 98 प्रतिशत कार्यों के लिए सर्वोत्तम संसाधन की सही पहचान की। अन्य तरीकों की तुलना में, स्मार्ट शेड्यूलर ने उस सिस्टम से बेहतर प्रदर्शन किया जो सब कुछ क्लासिकल कंप्यूटर को भेज देता था, उस सिस्टम से जो सब कुछ क्वांटम कंप्यूटर को भेज देता था, और यहाँ तक कि उस सिस्टम से भी जो एक निर्धारित, हस्तलिखित नियमों का पालन करता था। सीखा हुआ शेड्यूलर सबसे तेज़ समग्र पूर्ण समय और प्रति सेकंड पूरे किए गए कार्यों की उच्चतम संख्या प्राप्त करने में सफल रहा। इसने लोड को इतनी प्रभावी ढंग से प्रबंधित किया कि इसने नियम-आधारित दृष्टिकोणों की तुलना में सिस्टम द्वारा कार्यों के पूरा होने के लिए प्रतीक्षा किए जाने वाले कुल समय को काफी कम कर दिया।

कंप्यूटर ने जो सीखा उसका सूक्ष्म विश्लेषण करने पर एक आश्चर्यजनक अंतर्दृष्टि सामने आई: निर्णय लेने के लिए सबसे महत्वपूर्ण कारक स्वयं समस्या की जटिलता नहीं थी, बल्कि सिस्टम की वर्तमान स्थिति थी। मॉडल ने इस बात पर सबसे अधिक ध्यान दिया कि क्लासिकल कंप्यूटर बनाम क्वांटम मशीन के लिए कार्य को कितनी देर तक प्रतीक्षा करनी होगी। यदि क्लासिकल कतार लंबी थी, तो सिस्टम कार्य को क्वांटम प्रोसेसर पर भेजने की अधिक संभावना रखता था, भले ही क्वांटम मशीन का अपना ओवरहेड (overhead) हो। इसके विपरीत, यदि क्वांटम लाइन बाधित थी, तो सिस्टम कार्य को क्लासिकल पक्ष पर ही रखता था। यह सुझाव देता है कि एक हाइब्रिड वातावरण में, सबसे अच्छी रणनीति यह नहीं है कि कौन सी समस्या किस मशीन की है, इसके बारे में एक कठोर नियम बनाया जाए, बल्कि एक लचीला दृष्टिकोण अपनाना है जो वास्तविक समय के संकुलन के प्रति प्रतिक्रिया दे। अध्ययन में पाया गया कि जबकि समस्या का आकार मायने रखता था, यह संसाधनों की तत्काल उपलब्धता की तुलना में गौण था।

शोधकर्ताओं ने यह भी खोजा कि क्वांटम वर्कफ़्लो, सिमुलेशन में होने के बावजूद, लगभग 99.8 प्रतिशत की सटीकता दर के साथ क्लासिकल समाधानों के लगभग बराबर समाधान प्रदान करता था। इसका अर्थ है कि इन कार्यों के लिए क्वांटम पथ एक व्यवहार्य विकल्प था, बशर्ते सिस्टम समय का प्रबंधन सही ढंग से कर सके। अध्ययन ने यह दावा नहीं किया कि क्वांटम कंप्यूटर अब सभी समस्याओं के लिए तेज़ हैं; वास्तव में, सिमुलेशन ने दिखाया कि छोटे कार्यों के लिए, क्लासिकल कंप्यूटर अक्सर कच्ची निष्पादन गति (execution time) में बहुत तेज़ था। क्वांटम मशीन का मूल्य तभी उभर कर आया जब सिस्टम ने क्लासिकल संसाधनों के तनावपूर्ण होने के दौरान कार्यों को उसकी ओर रूट करना सीखा।

अंततः, यह कार्य प्रदर्शित करता है कि क्लासिकल और क्वांटम संसाधनों के मिश्रण को प्रबंधित करने के लिए एक गतिशील, डेटा-संचालित दृष्टिकोण की आवश्यकता होती है। कार्य प्लेसमेंट को एक स्थिर नियम के बजाय एक लर्निंग समस्या के रूप में मानकर, सिस्टम मांग के उतार-चढ़ाव के अनुकूल हो सकते हैं। निष्कर्ष बताते हैं कि जैसे-जैसे क्वांटम तकनीक परिपक्व होती है और क्लासिकल इंफ्रास्ट्रक्चर के साथ अधिक एकीकृत होती जाती है, वर्तमान स्थितियों के आधार पर इन त्वरित निर्णयों को लेने की क्षमता मशीनों की कच्ची शक्ति जितनी ही महत्वपूर्ण होगी। यह अध्ययन इन बुद्धिमान शेड्यूलर को बनाने के लिए एक व्यावहारिक ब्लूप्रिंट प्रदान करता है, जो यह सिद्ध करता है कि सही डेटा के साथ, एक कंप्यूटर हाइब्रिड भविष्य की जटिलताओं को नेविगेट करना सीख सकता है।