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

Nel panorama in evoluzione dell'informatica moderna, due mondi distinti stanno iniziando a fondersi. Da un lato siede il computer classico, la macchina familiare che si trova negli uffici e nelle case, che elabora le informazioni utilizzando bit che sono o zero o uno. Dall'altro c'è il computer quantistico, una macchina specializzata che utilizza bit quantistici, o qubit, per esplorare molte possibilità simultaneamente. Sebbene le macchine quantistiche promettano di risolvere determinati problemi complessi più velocemente dei loro omologhi classici, non sono ancora un sostituto universale. Sono spesso difficili da accedere, richiedono condizioni estreme per operare e possono essere lente da preparare per un singolo compito. Questa realtà ha dato origine ad ambienti ibridi, dove un sistema deve decidere, in tempo reale, se eseguire un lavoro specifico su un processore standard o inviarlo a uno quantistico. La sfida consiste nel rendere questa scelta efficiente; inviare un compito alla macchina sbagliata può sprecare tempo, mentre inviarlo a quella giusta potrebbe sbloccare una velocità significativa.

I ricercatori dell'Università delle Risorse Energetiche e Naturali in Ghana hanno affrontato questo enigma di pianificazione costruendo un sistema intelligente che impara come prendere queste decisioni. Invece di affidarsi a regole fisse che potrebbero fallire quando le condizioni cambiano, hanno addestrato un modello di apprendimento automatico per agire come un controllore del traffico per i compiti informatici. Per insegnare a questo sistema, non hanno utilizzato dati inventati. Hanno iniziato con una rete reale di interazioni proveniente da un sistema di voto di Wikipedia, un enorme grafo di connessioni tra utenti. Da questa complessa rete, hanno estratto centinaia di gruppi più piccoli e connessi di utenti per servire come casi di test. Ogni gruppo rappresentava un tipo specifico di problema di ottimizzazione noto come problema Max-Cut, che consiste nel dividere una rete in due gruppi per massimizzare le connessioni tra di essi.

Il team ha poi eseguito ognuno di questi casi di test attraverso due percorsi differenti. Primo, hanno risolto i problemi utilizzando un computer classico standard per vedere quanto tempo impiegava e quanto era buona la risposta. Secondo, hanno inviato gli stessi problemi attraverso un flusso di lavoro quantistico simulato, che imita il comportamento di un vero processore quantistico, incluso il tempo necessario per preparare la macchina e il tempo per eseguire il calcolo. Fondamentalmente, non si sono limitati a guardare la velocità pura delle macchine. Hanno anche simulato diversi livelli di congestione, o "pressione della coda", per vedere come i tempi di attesa influenzassero il costo totale dell'esecuzione di un compito. A volte la macchina quantistica era libera e veloce da preparare; altre volte era intasata da una lunga fila di lavori in attesa. Combinando i dettagli strutturali dei problemi del grafo con queste mutevoli condizioni di sistema, hanno creato un dataset ricco che ha insegnato al computer quando scegliere il percorso classico e quando scegliere il percorso quantistico.

I risultati hanno mostrato che un semplice modello di apprendimento automatico, nello specifico uno basato sulla regressione logistica, è riuscito ad apprendere come prendere queste decisioni di posizionamento con una precisione sorprendente. Nei test, questo pianificatore appreso ha identificato correttamente la risorsa migliore per quasi il 98 percento dei compiti. Confrontato con altri metodi, lo scheduler intelligente ha superato un sistema che inviava tutto al computer classico, un sistema che inviava tutto al computer quantistico e persino un sistema che seguiva un insieme di regole manuali pre-scritte. Lo scheduler appreso ha ottenuto i tempi di completamento complessivi più rapidi e il maggior numero di compiti conclusi al secondo. È riuscito a bilanciare il carico in modo così efficace da ridurre il tempo totale che il sistema trascorreva in attesa del completamento dei compiti di un margine significativo rispetto agli approcci basati su regole.

Un esame più approfondito di ciò che il computer ha appreso ha rivelato un'intuizione sorprendente: il fattore più importante nel decidere dove inviare un compito non era la complessità del problema in sé, ma lo stato attuale del sistema. Il modello prestava la massima attenzione a quanto tempo un compito avrebbe dovuto attendere in fila per il computer classico rispetto alla macchina quantistica. Se la coda classica era lunga, il sistema era più propenso a inviare un compito al processore quantistico, anche se la macchina quantistica presentava i propri tempi di overhead. Viceversa, se la linea quantistica era intasata, il sistema manteneva il compito sul lato classico. Ciò suggerisce che in un ambiente ibrido, la migliore strategia non è una regola rigida su quali problemi appartengano a quale macchina, ma un approccio flessibile che reagisce alla congestione in tempo reale. Lo studio ha scoperto che, sebbene la dimensione del problema fosse importante, essa era secondaria rispetto alla disponibilità immediata delle risorse.

I ricercatori hanno inoltre scoperto che il flusso di lavoro quantistico, anche in simulazione, produceva soluzioni quasi altrettanto buone di quelle classiche, con un tasso di accuratezza di quasi il 99,8 percento. Ciò significa che il percorso quantistico era un'opzione percorribile per questi compiti, a condizione che il sistema potesse gestire correttamente la tempistica. Lo studio non ha sostenuto che i computer quantistici siano ora più veloci per tutti i problemi; infatti, le simulazioni hanno mostato che per i compiti piccoli, il computer classico era spesso molto più veloce in termini di tempo di esecuzione pura. Il valore della macchina quantistica emergeva solo quando il sistema imparava a instradare i compiti verso di essa durante i momenti in cui le risorse classiche erano sotto sforzo.

In definitiva, questo lavoro dimostra che gestire un mix di risorse classiche e quantistiche richiede un approccio dinamico e basato sui dati. Trattando il posizionamento dei compiti come un problema di apprendimento piuttosto che come una regola statica, i sistemi possono adattarsi ai flussi e ai cali della domanda. Le scoperte suggeriscono che, man mano che la tecnologia quantistica matura e diventa più integrata con l'infrastruttura classica, la capacità di prendere queste decisioni in frazioni di secondo basate sulle condizioni attuali sarà altrettanto importante della potenza bruta delle macchine stesse. Lo studio fornisce una tabella di marcia pratica su come costruire questi pianificatori intelligenti, provando che con i dati giusti, un computer può imparare a navigare le complessità di un futuro ibrido.