QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning

I computer quantistici promettono di risolvere problemi che richiederebbero ai computer super odierni migliaia di anni per decifrare, dalla progettazione di nuovi medicinali alla rottura di codici complessi. Tuttavia, queste macchine non sono ancora i motori affidabili della fantascienza. Sono strumenti fragili e sensibili che operano in un'era rumorosa e soggetta a errori, dove anche una minima perturbazione può rovinare un calcolo. Poiché costruire e mantenere queste macchine è incredibilmente difficile e costoso, la maggior parte dei ricercatori vi accede remotamente tramite il cloud, in modo simile all'affitto di un potente computer via internet. Ciò crea un puzzle logistico unico: come decidere quale specifica macchina quantistica debba eseguire un compito specifico quando ogni macchina è diversa, ogni compito è unico e le macchine stesse cambiano le loro caratteristiche di prestazione nel tempo?

In questo ambiente, inviare semplicemente un compito alla prima macchina disponibile è spesso un errore. Una macchina che sulla carta sembra veloce potrebbe essere troppo rumorosa per un lavoro complesso, mentre una macchina più silenziosa potrebbe essere troppo lenta, causando la scomparsa delle delicate informazioni quantistiche prima che il lavoro sia terminato. La sfida è trovare il perfetto equilibrio tra velocità e precisione, un compito troppo complesso per le normali regole di pianificazione. I ricercatori Hoa T. Nguyen, Muhammad Usman e Rajkumar Buyya hanno affrontato questo problema creando un nuovo sistema chiamato QFOR. Questo sistema funge da gestore intelligente per le risorse del cloud quantistico, utilizzando un tipo di intelligenza artificiale noto come apprendimento per rinforzo profondo (deep reinforcement learning) per imparare come prendere le decisioni migliori in tempo reale.

I ricercatori hanno costruito una sofisticata simulazione che imita un vero ambiente di cloud quantistico, completo di cinque diversi tipi di processori quantistici che vanno da 27 a 127 qubit, le unità di base dell'informazione quantistica. Hanno alimentato questo sistema con migliaia di diversi compiti quantistici, derivati da una nota collezione di algoritmi di benchmark, e hanno osservato come il loro nuovo gestore IA si comportasse rispetto ai metodi di pianificazione tradizionali. I metodi tradizionali testati includevano strategie semplici come scegliere la prima macchina disponibile, ruotare i compiti equamente tra le macchine o scegliere sempre la macchina con il tasso di errore medio più basso. Questi approcci più vecchi si affidano a regole fisse che non possono adattarsi facilmente alla natura mutevole e imprevedibile dell'hardware quantistico.

QFOR, al contrario, impara facendo. Tratta il problema della pianificazione come un gioco in cui cerca di massimizzare un punteggio basato su due fattori principali: la fedeltà, ovvero l'accuratezza del risultato, e il tempo impiegato per completare il compito. Il sistema osserva lo stato attuale delle macchine quantistiche, inclusi i loro attuali tassi di errore e da quanto tempo sono in funzione, e poi decide quale macchina è più adatta per il compito successivo in arrivo. Attraverso migliaia di sessioni di addestramento, l'IA ha scoperto schemi e strategie che le regole progettate dagli esseri umani avevano mancato. Ha imparato a guardare oltre le metriche semplici come "più veloce" o "più silenzioso" e invece a considerare la forma e la complessità specifiche del circuito quantistico che stava cercando di eseguire, abbinandolo alla macchina capace di gestire quel particolare lavoro in modo più efficace.

I risultati di questa simulazione sono stati sorprendenti. Quando testato contro i metodi tradizionali, il sistema QFOR ha prodotto costantemente risultati molto più accurati. Nelle impostazioni più favorevoli, ha migliorato la fedeltà relativa dei calcoli tra il 29,5% e l'84% rispetto al miglior baseline tradizionale. Ciò significa che i calcoli avevano una probabilità significativamente maggiore di essere corretti. Fondamentalmente, i ricercatori hanno scoperto che questo enorme guadagno in accuratezza non è avvenuto a scapito della velocità. Il sistema è riuscito a mantenere il tempo totale richiesto per completare i compiti comparabile, o solo leggermente superiore, ai metodi tradizionali più veloci. Ciò suggerisce che l'IA ha navigato con successo il difficile compromesso tra l'attendere una macchina migliore e il forzare un compito su una macchina rumorosa.

Una delle scoperte più importanti è stata che la vecchia ipotesi — secondo cui si dovrebbe semplicemente scegliere la macchina con il tasso di errore medio più basso — era errata. I ricercatori hanno dimostrato che una macchina con un basso tasso di errore medio può comunque avere prestazioni scarse se il compito quantistico specifico richiede una disposizione complessa di connessioni che la macchina non riesce a gestire bene. L'IA ha imparato che la scelta migliore dipende dai dettagli specifici del lavoro, non solo da una valutazione generale della macchina. Questa intuizione evidenzia perché un approccio flessibile e basato sull'apprendimento sia necessario per il futuro dell'informatica quantistica, dove l'hardware è diversificato ed in continua evoluzione.

Lo studio ha anche dimostrato che il sistema può essere tarato per dare priorità a obiettivi diversi. Regolando un'unica impostazione, i ricercatori potevano dire all'IA di concentrarsi maggiormente sull'ottenere il risultato più accurato possibile, o di dare priorità al completamento del lavoro il più velocemente possibile. Questa flessibilità è vitale in un campo in cui gli utenti hanno esigenze diverse; un ricercatore di scoperta di farmaci potrebbe dare priorità all'accuratezza sopra ogni cosa, mentre un analista finanziario potrebbe aver bisogno di una risposta rapida. La capacità di spostare questo equilibrio senza ricostruire l'intero sistema dimostra che l'approccio è robusto e adattabile.

Sebbene questi risultati provengano da una simulazione piuttosto che da un cloud quantistico fisico e reale, i ricercatori hanno utilizzato dati reali dai dispositivi quantistici di IBM per modellare il rumore e gli errori, rendendo la simulazione un test rigoroso del concetto. Il lavoro suggerisce che, man mano che i computer quantistici diventeranno più comuni e complessi, gli operatori umani non saranno in grado di gestirli manualmente. Inveve, sistemi intelligenti come QFOR saranno essenziali per orchestrare il flusso dei compiti, garantendo che queste risorse costose e fragili siano utilizzate in modo efficiente. Lo studio conclude che, utilizzando l'apprendimento per rinforzo profondo per bilanciare fedeltà e tempo, possiamo avvicinarci a un futuro in cui l'informatica quantistica realizzi la sua promessa, fornendo soluzioni affidabili ed economiche ai problemi più difficili del mondo.