⚛️ quantum physics

Advanced Scheduling Strategies for Distributed Quantum Computing Jobs

Dit artikel presenteert en evalueert diverse geavanceerde schedulingstrategieën, waaronder heuristieken en versterkingslering, om de uitdagingen van het toewijzen van gedistribueerde quantumcomputing-taken aan meerdere QPU's in een netwerk effectiever aan te pakken dan traditionele methoden.

Oorspronkelijke auteurs: Gongyu Ni, Davide Ferrari, Lester Ho, Michele Amoretti

Gepubliceerd 2026-03-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gongyu Ni, Davide Ferrari, Lester Ho, Michele Amoretti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoe we quantum-computers laten samenwerken: Een verhaal over slimme planners

Stel je voor dat quantum-computers niet als een enkele, enorme supercomputer werken, maar als een team van kleine, slimme robots. Elke robot heeft een beperkt aantal "gedachten" (qubits) om problemen op te lossen. Als we een heel groot probleem hebben, moeten we deze robots laten samenwerken. Dit noemen we Distributed Quantum Computing (DQC).

Maar hier zit de klem: deze robots zitten niet in dezelfde kamer. Ze zitten verspreid over het land en moeten met elkaar communiceren via een heel kwetsbaar netwerk. Ze kunnen alleen samenwerken als ze een speciale "handdruk" hebben, een verstrengelde toestand (EPR-paar). Het maken van zo'n handdruk kost tijd, en als je te lang wacht, gaat de handdruk kapot door ruis in de omgeving.

Dit artikel gaat over de planner die bepaalt welke robot welk stukje van het probleem oplost, en in welke volgorde, zodat alles zo snel en efficiënt mogelijk klaar is.

Het Probleem: De Chaos in de Keuken

Stel je een drukke restaurantkeuken voor. Je hebt meerdere koks (de quantum-processors) en een lange lijst met bestellingen (de quantum-taken).

De uitdaging: Sommige gerechten vereisen dat twee koks tegelijkertijd samenwerken aan één bord (dit zijn de "niet-lokale poorten"). Maar ze kunnen alleen samenwerken als ze eerst een verbinding hebben gelegd (de handdruk).
De beperking: De verbindingen tussen de koks zijn niet allemaal even goed. Soms is de telefoonlijn ruisig (slechte link), soms is hij kristalhelder (goede link). Als je een lastig gerecht op een slechte lijn probeert te maken, duurt het eeuwen. Als je wacht tot alle koks tegelijk vrij zijn, staan de bestellingen te lang op te wachten.

De auteurs van dit paper hebben verschillende strategieën bedacht om deze keuken te runnen. Ze hebben een simulatie gebouwd (een virtuele keuken) om te testen welke planner het beste werkt.

De Strijders: Verschillende Planners

Hier zijn de strategieën die ze hebben getest, vertaald naar alledaagse analogieën:

De "Eerst-Kom-Eerst-Bediend" (FIFO):
- Analogie: Een rij bij de supermarkt. Iedereen komt in de rij en wordt bediend in de volgorde van aankomst.
- Resultaat: Eerlijk, maar traag. Als de eerste persoon een heel groot pakket heeft, wachten de anderen lang, terwijl er misschien wel ruimte is voor een snelle boodschap.
De "Lijst-Maker" (LIST):
- Analogie: Een chef-kok die kijkt wie er vrij is. Als de eerste klant een groot pakket heeft, maar de tweede heeft een klein pakketje, laat hij de tweede misschien toch eerst gaan als er ruimte is.
- Resultaat: Iets sneller dan FIFO, maar nog steeds niet optimaal.
De "Kracht-Maximaliseerder" (Resource-Prioritize):
- Analogie: Een planner die probeert elke seconde van elke kok te vullen. Hij probeert zo veel mogelijk gerechten tegelijk te maken, ongeacht hoe lastig de verbindingen zijn.
- Resultaat: De koks werken hard (hoge bezetting), maar soms wachten gerechten lang omdat ze op een slechte lijn moeten wachten.
De "Handdruk-Specialist" (EPR Scheduler):
- Analogie: Deze planner kijkt eerst naar welke gerechten de minste "handdrukken" nodig hebben. Die laat hij eerst maken.
- Resultaat: De snelle, simpele dingen gaan er snel doorheen. Maar de koks staan soms stil omdat ze wachten op een specifiek type handdruk.
De "Slimme Router" (EPR met Node Selection):
- Analogie: Dit is de handdruk-specialist, maar dan met een GPS. Als een gerecht veel handdrukken nodig heeft, stuur je het naar de kok met de beste telefoonlijn. Als het weinig nodig heeft, mag het naar een minder goede lijn.
- Resultaat: Dit was een van de winnaars. Door de juiste taak naar de juiste verbinding te sturen, gaat alles veel sneller.
De "Dynamische Planner" (ASAP - As Soon As Possible):
- Analogie: Zodra een kok klaar is met zijn bord, pakt hij direct de volgende taak, zonder te wachten tot de hele groep vrij is.
- Resultaat: Zeer efficiënt in het gebruik van tijd, maar soms wat minder gestructureerd.
De "Leerling-Meester" (PPO - Reinforcement Learning):
- Analogie: Dit is een AI die de keuken heeft geleerd door duizenden keren te oefenen. Hij probeert verschillende combinaties en leert van zijn fouten. Hij krijgt een beloning als het eten snel klaar is en de koks niet te veel wachten.
- Resultaat: Ook een van de winnaars. De AI leert complexe patronen die een mens misschien niet ziet, zoals wanneer het slim is om even te wachten op een betere verbinding in plaats van direct te beginnen.

Wat hebben ze ontdekt?

De onderzoekers hebben ontdekt dat er geen "één oplossing voor alles" is, maar dat de slimste aanpakken twee dingen doen:

Kijk naar de kwaliteit van de lijn: Stuur de zware, complexe taken naar de beste verbindingen. Dit bespaart enorm veel tijd.
Wees flexibel: Wacht niet tot iedereen tegelijk vrij is. Als een kok klaar is, geef hem direct werk.

De AI-planner (PPO) en de Slimme Router (EPR met Node Selection) waren over het algemeen het snelst. Ze zorgden ervoor dat de "keuken" (het quantum-netwerk) zo efficiënt mogelijk draaide, met de minste wachttijden.

Waarom is dit belangrijk?

Vandaag de dag zijn quantum-computers nog klein. Maar in de toekomst willen we ze met elkaar verbinden om problemen op te lossen die nu onmogelijk zijn (zoals het ontwerpen van nieuwe medicijnen of het oplossen van complexe klimaatmodellen).

Zonder een slimme planner zou dit netwerk in de chaos verzanden: koks die wachten, verbindingen die kapot gaan, en eten dat koud wordt. Dit paper geeft ons de blauwdruk voor die slimme planner, zodat we in de toekomst echt kunnen profiteren van een wereldwijd quantum-netwerk.

Kortom: Het is alsof je een orkest hebt met muzikanten die verspreid over de wereld zitten. Dit paper leert je hoe je ze zo dirigeert dat ze perfect op elkaar inspelen, zelfs als de telefoonlijnen soms ruisig zijn, zodat ze een perfect concert geven in recordtijd.

Titel: Geavanceerde Schedulingstrategieën voor Gedistribueerde Quantum Computing Taken

1. Probleemstelling

Gedistribueerde Quantum Computing (DQC) wordt onderzocht als een middel om het aantal qubits te schalen door meerdere quantumapparaten met elkaar te verbinden. In tegenstelling tot klassieke distributie, waar schaling lineair is, biedt DQC een exponentiële toename in rekenkracht. De overgang van monolithische naar gedistribueerde quantumcomputing introduceert echter complexe uitdagingen in het beheer van de uitvoering.

Het kernprobleem ligt in de scheduling van DQC-taken (werklasten) op een netwerk van Quantum Processing Units (QPUs). Waar klassieke schedulers zich voornamelijk richten op het minimaliseren van de makespan (totale doorlooptijd) en het maximaliseren van resource-gebruik, moeten DQC-schedulers rekening houden met unieke quantum-specifieke beperkingen:

EPR-paar generatie: Communicatie tussen QPUs vereist het distribueren en consumeren van verstrengelde toestanden (EPR-paren of Bell-toestanden).
Trade-off tussen snelheid en kwaliteit: Er is een afweging tussen de snelheid van generatie en de fidelity (kwaliteit) van de verstrengeling.
Decoherentie: Verstrengelde toestanden hebben een beperkte levensduur voordat ze door omgevingsinteracties hun quantuminformatie verliezen.
Heterogene netwerken: De connectiviteit tussen QPUs varieert in kwaliteit (latency, success probability), wat de planning complex maakt.

Bestaande klassieke algoritmen (zoals FIFO of LIST) zijn niet optimaal omdat ze deze quantum-specifieke dynamiek en de beperkte levensduur van verstrengeling niet adequaat modelleren.

2. Methodologie

De auteurs hebben een geïntegreerd simulatiekader ontwikkeld (gebaseerd op de Qoala Simulator) om DQC-workflows te modelleren, van het compileren van circuits tot de uitvoering op een netwerk.

Het Framework:

Workflow: Een monolithisch quantumcircuit wordt door een compiler opgesplitst in lokale en externe sub-circuits (taken). Een Execution Manager plant deze taken op het netwerk.
Netwerkmodel: Een volledig verbonden QPU-topologie met heterogene links (verschillende kwaliteit, success probability, en cycle times).
Simulatie: Taken arriveren per tijdsblok volgens een afgeknotte Poisson-verdeling. De schedulers moeten beslissen welke taken parallel kunnen worden uitgevoerd binnen de beschikbare QPU-resources.

Voorgestelde Schedulingstrategieën:
De paper introduceert en evalueert meerdere strategieën, variërend van heuristieken tot Reinforcement Learning (RL):

Resource-Prioritize: Maximaliseert het QPU-gebruik per stap door subsets van taken te kiezen die het meeste resources gebruiken en de kortste geschatte doorlooptijd hebben.
EPR Scheduler: Prioriteert taken die minder EPR-paren vereisen (minder verstrengeling nodig), wat vaak leidt tot kortere uitvoeringstijden.
EPR met Node Selection: Combineert de EPR-strategie met een algoritme dat taken toewijst aan QPUs met de hoogste kwaliteit links (om de uitvoeringstijd van verstrengeling te minimaliseren).
ASAP (As Soon As Possible): Een dynamische aanpak waarbij QPUs direct vrijgegeven worden zodra een taak klaar is, in plaats van te wachten op het einde van een tijdsblok. Dit maximaliseert het gebruik van vrije resources.
PPO (Proximal Policy Optimization): Een Reinforcement Learning-benadering. Een actor-critic model leert een schedulingbeleid door beloningen (rewards) te maximaliseren die zijn ontworpen om de latency te minimaliseren en de EPR-gebruik te optimaliseren. Er zijn twee varianten: met en zonder kennis van de linkkwaliteit.
Benchmarks: Traditionele FIFO (First-In-First-Out) en LIST schedulers worden gebruikt als referentie.

Prestatiemetrics:
De strategieën worden geëvalueerd op basis van:

Makespan: Totale tijd om een wachtrij af te werken.
QPU Utilization: Percentage tijd dat QPUs actief zijn.
Non-Local Gate Rate: Maat voor de overlap in uitvoeringstijd (hoe vaak worden niet-lokale poorten parallel gebruikt).
System Execution-Latency Performance (SELP) & Fairness: Hoe dicht de werkelijke latency bij de ideale ligt en hoe eerlijk de wachttijden over taken worden verdeeld.

3. Belangrijkste Bijdragen

Definitie en Evaluatie van DQC Scheduling: De paper biedt een systematische evaluatie van diverse schedulingstrategieën specifiek voor de DQC-context, inclusief quantum-specifieke constraints.
RL-toepassing in DQC: Introductie van een PPO-gebaseerde scheduler die adaptief leert om taken te plannen op basis van dynamische netwerkomstandigheden en taakeigenschappen.
Node Selection Integratie: Het tonen van het belang van het koppelen van taken aan de beste beschikbare netwerklinks (kwaliteit van verstrengeling) om de totale doorlooptijd te verkorten.
Geïntegreerd Simulatiekader: Een robuust framework dat quantumcircuit-compilering, netwerkmodellen en scheduling in één omgeving combineert.

4. Resultaten

De simulaties werden uitgevoerd onder verschillende netwerkdrukken ( $\lambda = 4$ en $\lambda = 8$ ) en met verschillende verdelingen van taaktypes (gebaseerd op het aantal benodigde EPR-paren).

Makespan (Doorlooptijd):
- De EPR (Node Selection) en PPO (Node Selection) strategieën presteerden het beste, met de laagste makespan. Dit komt door het slimme toewijzen van zware taken aan de beste links.
- De ASAP scheduler presteerde als tweede beste, dankzij zijn dynamische toewijzing die idle tijd minimaliseert.
- Traditionele FIFO en LIST hadden de langste doorlooptijden.
QPU Utilization:
- ASAP en Resource-Priority bereikten de hoogste QPU-gebruikswaarden.
- De EPR-gebaseerde schedulers hadden een iets lager gebruik omdat ze soms wachten op specifieke resources of nodes, maar dit werd gecompenseerd door efficiëntere uitvoering.
Non-Local Gate Rate:
- Bij lage netwerkdruk konden bijna alle taken parallel worden uitgevoerd (hoge overlap).
- Bij hoge druk daalde de rate, maar EPR (Node Selection) en PPO (Node Selection) behaalden de hoogste overlap onder zware omstandigheden, wat wijst op efficiëntere groepsvorming van taken met vergelijkbare uitvoeringstijden.
Latency en Fairness:
- De EPR scheduler (zonder node selection) presteerde het beste op het gebied van systemische latency en eerlijkheid (fairness). Door taken met minder EPR-eisen eerst te draaien, worden wachttijden geminimaliseerd en wordt variatie in doorlooptijd verminderd.
- PPO-gebaseerde methoden leverden de op één na beste prestaties, wat aantoont dat RL een veelbelovende richting is, hoewel de reward-functie nog verder geoptimaliseerd kan worden.

5. Betekenis en Conclusie

Deze studie onderstreept dat klassieke schedulingmethoden ontoereikend zijn voor de complexe dynamiek van gedistribueerde quantumcomputing. De belangrijkste inzichten zijn:

Kennis van het netwerk is cruciaal: Het integreren van linkkwaliteit (node selection) in de scheduling leidt tot aanzienlijke verbeteringen in de totale doorlooptijd (makespan).
Reinforcement Learning is potentieel: PPO-schedulers kunnen leren om complexe trade-offs tussen resource-gebruik, verstrengeling en latency te balanceren, en presteren vergelijkbaar met of beter dan handontworpen heuristieken.
Doelgerichte optimalisatie: Er is een duidelijk compromis tussen het minimaliseren van de totale doorlooptijd (waarbij Node Selection wint) en het maximaliseren van eerlijkheid/laagste latency voor individuele taken (waarbij EPR-prioritering wint).

De paper concludeert dat toekomstig werk gericht moet zijn op het verfijnen van de reward-functies voor RL-schedulers en het testen van deze strategieën op realistischere, minder volledig verbonden quantumnetwerken naarmate de hardware zich ontwikkelt. De code en data zijn openbaar beschikbaar gesteld om reproduceerbaarheid te waarborgen.