技術要約: QCOEM – 進化的多目的最適化を用いた量子クラウド・オーケストレーション

1. 問題提起

量子コンピューティングの実用的な展開は、クラウドベースのQuantum-as-a-Service (QaaS) プラットフォームへと移行している。しかし、現在のハードウェアは、量子ビット数の制限、ゲート／読み出しエラー、コヒーレンス時間の短さ、および接続性の制約を特徴とする、ノイズの多い中間規模量子（NISQ）時代において動作している。極めて重要な点は、これらのノイズプロファイルとトポロジーはデバイスごとに異なり、かつ時間の経過とともにドリフト（変動）するため、同一の回路であっても実行されるバックエンドによって忠実度（フィデリティ）が大きく異なる可能性があるということである。

既存のクラウド・オーケストレーターは、主に古典的なクラスターにおけるスループットの最大化とレイテンシの最小化を目的とした、ノイズを考慮しないヒューリスティック（例：Greedy、Round Robin）に依存している。これらを量子ワークロードに適用すると、バックエンド固有のエラー特性を無視しているため、系統的に最適とは言えない結果となる。これは以下の問題を引き起こす：

• 実行忠実度の低下。
• 負荷の不均衡（高品質なデバイスへのキューイング・ホットスポットの発生）。
• 不可能な割り当てや古い状態情報による、頻繁なタスクの再スケジューリング。

核心となる課題は、スケジューラが3つの競合する目標を同時にナビゲートしなければならない多目的最適化問題 (MOOP) として定式化される：平均完了時間の最小化、実行エラー率の最小化、および負荷不均衡の最小化である。この問題空間は、演算ごとのエラーが回路の深さに伴って乗算的に蓄積するため非凸であり、古典的な加重和スカラー化手法では、パレートフロントの凹領域における最適解を回収できないため、効果的ではない。

2. 手法: QCOEM フレームワーク

著者らは、進化計算を用いた多目的タスクスケジューリングを活用する量子クラウド・オーケストレーション・フレームワークであるQCOEMを提案する。本システムは、理想化された解析モデルではなく、リアルタイムのハードウェアデータを利用する、ノイズおよび遅延を考慮した設計となっている。

システムアーキテクチャ

QCOEMは、以下のコンポーネントからなるKubernetesベースのインフラストラクチャ上に展開される：

• 中央スケジューラ (Centralized Scheduler): グローバルなキューを管理し、入ってくるタスクをバッチ処理し、コントロールプレーンとして機能する。定期的なハートビートから得られる、クラスターのキャッシュされた状態を保持する。
• QNodes (Quantum Nodes): 校正されたスナップショット（例：結合マップ、ゲート持続時間、エラー率）を用いて特定の量子バックエンドをエミュレートするデータプレーン・ワーカー。これらは、回路をFIFO（先入れ先出し）キュー経由で逐次実行し、可用性とキューの状態をハートビートを通じて報告する。

数学的定式化

オーケストレーション・タスクは、ハードウェア制約（不可分なタスク、一意の割り当て、および量子ビット容量）の下で、目的ベクトル $F(X) = [f_1, f_2, f_3]$ を最小化することとして定義される：

1. 平均完了時間 ($f_1$): タスクがシステム内に滞在する平均時間を最小化する。これは、現在のキューイング遅延（ハートビートのテレメトリから導出）と、回路のクリティカルパスに基づく推定実行時間の合計として計算される。
2. 平均エラー率 ($f_2$): 失敗確率の平均を最小化する。これは、ターゲットとなるQNode上での個々のゲートおよび読み出し操作の成功確率を乗算することによって推定される。
3. 負荷不均衡 ($f_3$): キューイング・ホットスポットを防ぎ、公平な利用を確保するために、すべてのQNode間における完了時間の標準偏差を最小化する。

最適化戦略

このNP困難な組合せ最適化問題を解くために、QCOEMはパレート最適フロントを近似するために**非劣ソート・進化アルゴリズム（NSGA-II および NSGA-III）**を採用している。

• 非凸性の処理: 加重和アプローチとは異なり、進化アルゴリズムは目的空間の非凸領域をナビゲートすることができる。
• 意思決定: 非劣集合から単一の実行可能なスケジュールを選択するために、フレームワークは拡張達成スカラー化関数 (AASF) を適用する。この関数は、ユーザー定義の優先度重み ($w$) に基づいてパレート集合を単一の解にマッピングし、システムが異なるサービスレベル合意（SLA）（例：速度を優先するか、忠実度を優先するか）に適応することを可能にする。

3. 主な貢献

本論文は、主に3つの貢献を述べている：

1. フレームワークの提案: 校正されたハードウェア・スナップショットとハートビートによるキューイング推定を統合し、完了時間、エラー率、および負荷不均衡を共同で最適化する、ノイズおよび遅延を考慮したオーケストレーション・フレームワークであるQCOEMの導入。
2. アルゴリズムの革新: タスクとQNodeの割り当てを近似するためのNSGA-IIおよびNSGA-IIIの適用、ならびに優先度に基づく選択のためのAASFの結合。著者らは、これがAASFベースの意思決定決定と、明示的な負荷不均衡目的関数を量子スケジューリングにおいて組み合わせた最初のフレームワークの一つであることを指摘している。
3. 実証的評価: ヘテロジニアスな量子クラウド環境においてMQTBenchワークロードを用いた包括的な評価を行い、レイテンシ、忠実度、および安定性の間のトレードオフを実証した。

4. パフォーマンス結果

フレーム-ワークは、IBM Quantumのバックエンドをエミュレートする5つのQNodeを含むヘテロジニアスな環境において、MQTBench（VQEおよびQAOAアルゴリズムを含む）のワークロードを用いて評価された。

• ベースラインに対する忠実度: ノイズを考慮しないベースライン（Greedy、Round Robin、Random）と比較して、QCOEMは約30%高い平均忠実度を達成した。例えば、Greedyが約0.376の平均忠実度であったのに対し、NSGA-II/IIIはこれを約0.49まで向上させた。
• 再スケジューリング: 本フレームワークはゼロのタスク再スケジューリングを実現したが、ノイズを考慮しないヒューリスティックでは、再実行を必要とする不可能な割り当てが頻繁に発生した。
• トレードオフ:
  • 負荷重視 (Load-Focus): 負荷分散を優先する構成は、キューイング遅延を軽減することで総完了時間を減少させた（例：NSGA-IIで約5.68秒）。
  • 品質重視 (Quality-Focus): 忠実度を優先すると、平均忠実度は約0.505まで上昇したが、総完了時間と負荷不均衡が増大した。
  • 速度重視 (Speed-Focus): 速度のための積極的なルーティングは、実行時間を最小化したが、待ち時間と負荷不均衡を大幅に増加させ、最終的にはエンドツーエンドのレイテンシと忠実度を悪化させた。
• アルゴリズムの堅牢性: NSGA-IIは、繰り返しの実行において、特に「Balanced（バランス型）」構成において、NSGA-IIIよりも高い堅牢性と低い分散を示した。
• オーバーヘッド: 進化的探索によるスケジューリング・オーバーヘッドは、単純なヒューリスティックよりも高かった（例：バッチサイズ50の場合、NSGA-IIで約94秒、Greedyで1秒未満）。しかし、著者らは、QPUのキューイングがエンドツーエンドのレイテンシを支配するQaaSの設定においては、中規模から大規模なバッチにおける最適化のメリットが、コントロールプレーンのレイテンシを上回ると主張している。

5. 意義と主張

本論文は、QCOEMが量子クラウド・オーケストレーションにおける重要なギャップ、すなわち、ノイズ、キューイング・ダイナミクス、および負荷不均衡を統合的にモデル化するエンドツーエンドのクラウドネイティブなワークフローの欠如に対処していると主張している。

• 安定性と忠実度: 本フレームワークは、ノイズを考慮しないルーティングの落とし穴を回避することにより、安定した高忠実度の実行を提供するメカニズムを提供する。
• ユーザー中心の制御: AASFを利用することで、オペレーターは、特定の優先事項（速度、品質、またはバランス）に基づいてルーティング動作を再設計することなく、動的に調整できる。
• スケーラビリティ: 進化的探索の計算コストを認めつつも、クラウド環境における典型的なバッチ・ワークロードにおいて、最適化されたリソース割り当てのメリットがスケジューリング・オーバーヘッドを正当化することを示唆している。

著者らは、量子クラウド・コンピューティングが理論的な調査から信頼性の高い高性能なサービスへと移行するためには、ノイズを考慮したスケジューリングが不可欠な進化であると結論づけている。今後の課題として、深層強化学習技術とのより広範なベンチマーク比較や、実際の量子ハードウェアでの検証が提案されている。