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

Quantumcomputers beloven problemen op te lossen die de huidige supercomputers duizenden jaren zouden kosten om te kraken, van het ontwerpen van nieuwe medicijnen tot het breken van complexe codes. Deze machines zijn echter nog geen betrouwbare werkpaarden van sciencefiction. Het zijn fragiele, gevoelige instrumenten die opereren in een luidruchtig, foutgevoelig tijdperk waarin zelfs een kleine verstoring een berekening kan verpesten. Omdat het bouwen en onderhouden van deze machines ongelooflijk moeilijk en duur is, hebben de meeste onderzoekers er via de cloud toegang toe, vergelijkbaar met het huren van een krachtige computer via het internet. Dit creëert een unieke logistieke puzzel: hoe bepaal je welke specifieke quantummachine een specifieke taak moet uitvoeren wanneer elke machine anders is, elke taak uniek is, en de prestaties van de machines zelf in de loop van de tijd veranderen?

In deze omgeving is het simpelweg sturen van een taak naar de eerst beschikbare machine vaak een fout. Een machine die op papier snel lijkt, kan te luidruchtig zijn voor een complexe klus, terwijl een stillere machine misschien te traag is, waardoor de delicate quantuminformatie vervaagt voordat het werk voltooid is. De uitdaging is om de perfecte balans te vinden tussen snelheid en nauwkeurigheid, een taak die te complex is voor standaard planningsregels. Onderzoekers Hoa T. Nguyen, Muhammad Usman en Rajkumar Buyya hebben dit aangepakt door een nieuw systeem genaamd QFOR te creëren. Dit systeem fungeert als een intelligente beheerder voor quantum-cloudbronnen, waarbij gebruik wordt gemaakt van een vorm van kunstmatige intelligentie die bekend staat als deep reinforcement learning om in real-time de beste beslissingen te nemen.

De onderzoekers bouwden een geavanceerde simulatie die een echte quantum-cloudomgeving nabootst, compleet met vijf verschillende typen quantumprocessors variërend van 27 tot 127 qubits, de basisunits van quantuminformatie. Ze voerden dit systeem duizenden verschillende quantumtaken, afgeleid van een bekende collectie benchmark-algoritmen, en observeerden hoe hun nieuwe AI-beheerder presteerde vergeleken met traditionele planningsmethoden. De traditionele methoden die zij testten, omvatten eenvoudige strategieën zoals het kiezen van de eerst beschikbare machine, het gelijkmatig roteren van taken tussen machines, of altijd de machine te kiezen met het laagste gemiddelde foutpercentage. Deze oudere benaderingen vertrouwen op vaste regels die zich niet gemakkelijk kunnen aanpassen aan de veranderende, onvoorspelbare aard van quantumhardware.

QFOR daarentegen leert door te doen. Het behandelt het planningsprobleem als een spel waarbij het probeert een score te maximaliseren op basis van twee hoofdfactoren: de fidelity, oftewel de nauwkeurigheid van het resultaat, en de tijd die nodig is om de taak te voltooien. Het systeem observeert de huidige staat van de quantummachines, inclusief hun huidige foutpercentages en hoe lang ze al in bedrijf zijn, en beslist vervolgens welke machine het meest geschikt is voor de volgende inkomende taak. Over duizenden trainingssessies heen ontdekte de AI patronen en strategieën die door menselijk ontworpen regels werden gemist. Het leerde verder te kijken dan eenvoudige metrieken zoals "snelst" of "stilste" en hield in plaats daarvan rekening met de specifieke vorm en complexiteit van het quantumcircuit dat het probeerde uit te voeren, door dit te matchen met de machine die die specifieke klus het meest effectief kon afhandelen.

De resultaten van deze simulatie waren opvallend. Wanneer getest tegen de traditionele methoden, produceerde het QFOR-systeem consequent veel nauwkeurigere resultaten. In de meest gunstige settings verbeterde het de relatieve fidelity van de berekeningen met tussen de 29,5% en 84% vergeleken met de best presterende traditionele baseline. Dit betekent dat de berekeningen aanzienlijk grotere kans hadden om correct te zijn. Cruciaal was dat de onderzoekers ontdekten dat deze enorme winst in nauwkeurigheid niet ten koste ging van de snelheid. Het systeem slaagde erin de totale tijd die nodig is om de taken te voltooien vergelijkbaar te houden met, of slechts iets langer te maken dan, de snelste traditionele methoden. Dit suggereert dat de AI succesvol de moeilijke afweging heeft genavigeerd tussen wachten op een betere machine en het haasten van een taak naar een luidruchtige machine.

Een van de belangrijkste bevindingen was dat de oude aanname — dat je simpelweg de machine moet kiezen met het laagste gemiddelde foutpercentage — gebrekkig was. De onderzoekers toonden aan dat een machine met een laag gemiddeld foutpercentage nog steeds slecht kan presteren als de specifieke quantumtaak een complexe reeks verbindingen vereist die de machine niet goed kan afhandelen. De AI leerde dat de beste keuze afhangt van de specifieke details van de klus, en niet alleen van een algemene beoordeling van de machine. Dit inzicht onderstreept waarom een flexibele, lerende benadering noodzakelijk is voor de toekomst van quantumcomputing, waarbij hardware divers en voortdurend in ontwikkeling is.

De studie demonstreerde ook dat het systeem kan worden afgestemd om verschillende doelen te prioriteren. Door één enkele instelling aan te passen, konden de onderzoekers de AI opdracht geven om zwaarder te focussen op het verkrijgen van het meest nauwkeurige resultaat mogelijk, of om de prioriteit te leggen bij het zo snel mogelijk voltooien van de klus. Deze flexibiliteit is essentieel in een vakgebied waar verschillende gebruikers verschillende behoeften hebben; een onderzoeker in medicijnontwikkeling kan nauwkeurigheid boven alles stellen, terwijl een financieel analist een snel antwoord nodig heeft. Het vermogen om deze balans te verschuiven zonder het hele systeem opnieuw te bouwen, toont aan dat de aanpak robuust en aanpasbaar is.

Hoewel deze resultaten voortkomen uit een simulatie in plaats van een live, fysieke quantumcloud, gebruikten de onderzoekers echte data van IBM's quantumapparaten om de ruis en fouten te modelleren, waardoor de simulatie een rigoureuze test van het concept werd. Het werk suggereert dat naarmate quantumcomputers gemeengoed en complexer worden, menselijke operators ze niet meer handmatig kunnen beheren. In plaats daarvan zullen intelligente systemen zoals QFOR essentieel zijn om de stroom van taken te orkestreren, om ervoor te zorgen dat deze dure en fragiele middelen efficiënt worden gebruikt. De studie concludeert dat door middel van deep reinforcement learning de balans tussen fidelity en tijd te vinden, we dichter bij een toekomst komen waarin quantumcomputing zijn belofte waarmaakt door betrouwbare en kosteneffectieve oplossingen te bieden voor de moeilijkste problemen ter wereld.