TuniQ: Autotuning Compilation Passes for Quantum Workloads at Scale for Effectiveness and Efficiency

TuniQ is een op versterkingslering gebaseerd systeem dat dynamisch optimale compilatiepasses selecteert voor quantumcircuits op basis van specifieke hardware- en ruisomstandigheden, waardoor de outputfideliteit en compilatie-efficiëntie aanzienlijk worden verbeterd ten opzichte van de meest geavanceerde statische compilers zoals IBM's Qiskit-transpiler.

De kern

Stel je voor dat je probeert een delicaat, complex bericht over een zeer lawaaierige, hobbelige weg te sturen. Het bericht is een quantumprogramma (een reeks instructies voor een quantumcomputer) en de weg is de quantumhardware.

Het probleem is dat de weg vol gaten zit (fouten) en het bericht verslechtert naarmate het langer duurt om er te komen. Als je een lange, kronkelige route neemt, kan je bericht verward aankomen. Als je een snelle route neemt maar te veel gaten raakt, komt het ook verward aan.

Momenteel gebruiken de "bestuurders" (de compilers) die deze berichten sturen een vast reglement. Ze vertellen elk enkel bericht om exact dezelfde route te nemen, ongeacht of het bericht simpel of complex is, of of de weg momenteel droog of modderig is. Soms werkt dit, maar vaak is het inefficiënt, wat leidt tot trage levering of een gebroken bericht.

TuniQ is een nieuwe, slimme bestuurder die de regels verandert. In plaats van een vaste kaart te volgen, gebruikt het Versterkend Leren (een type AI dat leert door trial-and-error) om in real-time de beste route te bepalen voor elk enkel bericht.

Hier is hoe TuniQ werkt, opgesplitst in eenvoudige concepten:

1. Het "Vaste Reglement" versus de "Slimme Bestuurder"

Beschouw het huidige systeem (IBM Qiskit) als een GPS die elke auto dwingt dezelfde snelweg te nemen, zelfs als er een afkorting bestaat voor een specifieke auto. Het past dezelfde set "optimalisatiepasses" (verkeersregels) toe op elke quantumcircuit.

• De Tekortkoming: Een afkorting die tijd bespaart voor een kleine auto, kan een file veroorzaken voor een grote vrachtwagen. Evenzo kan een compiler-instelling die één quantumprogramma helpt, een ander juist schaden.
• De TuniQ-oplossing: TuniQ is als een bestuurder die kijkt naar de specifieke lading (het circuit), de huidige weersomstandigheden en wegcondities controleert (de ruisniveaus van de hardware), en vervolgens besluit: "Moet ik de schilderachtige route nemen om een gat te vermijden? Of moet ik versnellen omdat de weg vrij is?" Het kiest welke "verkeersregels" voor die specifieke reis worden toegepast en welke worden overgeslagen.

2. De "Dual-Encoder" (De Twee Zetels van de Bestuurder)

Om deze beslissingen te nemen, moet TuniQ de wereld op verschillende manieren zien tijdens verschillende stadia van de reis. Het artikel beschrijft een Dual-Encoder-systeem:

• Voor de Weg (Logisch Beeld): Aan het begin kijkt de bestuurder naar het plan van de reis. Het ziet de logische verbindingen tussen de passagiers (qubits) zonder zich nog zorgen te maken over de specifieke gaten. Het vraagt zich af: "Hoe moeten deze mensen samen zitten?"
• Na de Weg (Fysiek Beeld): Zodra de auto op de weg is, schakelt de bestuurder over naar een andere set ogen. Nu kijkt het naar de werkelijke auto en de werkelijke wegcondities. Het ziet welke specifieke banden (fysieke qubits) slijten en welke delen van de weg hobbelig zijn.
• Waarom dit belangrijk is: Dit stelt TuniQ in staat zich aan te passen. Als de weg modderiger wordt (ruis neemt toe), kan het direct overschakelen naar een veiligere, langzamere route zonder opnieuw getraind te hoeven worden.

3. De "Gevormde Beloningen" (Leren van de Reis)

Op de oude manier kreeg de bestuurder pas feedback aan het einde: "Heb je het bericht afgeleverd?" Als het bericht kapot was, wist de bestuurder niet welke bocht het probleem veroorzaakte.

• De Aanpak van TuniQ: TuniQ krijgt onderweg kleine "punten" (beloningen).
  • "Goed gedaan dat gat vermeden!" (Tussenbeloning).
  • "Mooi werk om de auto stabiel te houden!" (Nog een tussenbeloning).
  • "Je hebt het bericht perfect afgeleverd!" (Eindbeloning).
    Dit helpt de bestuurder te leren dat een specifieke bocht vroeg in de reis cruciaal was voor het succes van de hele reis, zelfs als het resultaat pas aan het einde zichtbaar was.

4. De "Dynamische Maskering" (De Veiligheidsleuning)

Je kunt een bestuurder niet zomaar elke weg laten kiezen; sommige wegen zijn doodlopend of illegaal.

• TuniQ gebruikt Dynamische Actie-maskering. Denk hierbij aan een leuning die de bestuurder direct blokkeert om een bocht te proberen die de auto zou breken of verkeerswetten zou schenden. Het zorgt ervoor dat, ongeacht wat de AI beslist, het eindresultaat altijd een geldig, berijdbaar pad is.

De Resultaten: Sneller en Duidelijker

Het artikel heeft TuniQ getest op echte quantumcomputers van IBM. Dit is wat er gebeurde:

• Beter Kwaliteit: De berichten kwamen veel duidelijker aan. Gemiddeld verbeterde de "fideliteit" (hoe goed het bericht overeenkwam met het oorspronkelijke plan) met 20%.
• Snellere Levering: De tijd die nodig was om de route te plannen (compilatietijd) daalde met 34%. Dit is enorm, omdat veel quantumalgoritmes hun route duizenden keren achter elkaar moeten plannen.
• Geen Opnieuw Trainen Nodig: Als je de bestuurder naar een andere stad verplaatst (een andere quantumcomputer), werkt TuniQ direct zonder dat het de nieuwe stad vanaf nul hoeft te leren.
• Schalen: Naarmate de berichten groter en complexer worden (circuiten op nutschaal), wordt TuniQ in vergelijking met de oude vaste reglementen nog beter.

Samenvatting

TuniQ is als een upgrade van een stijf, "one-size-fits-all" GPS-systeem naar een slimme, adaptieve copiloot. Het kijkt naar de specifieke lading, controleert de real-time wegcondities en leert van elke reis om de perfecte mix van snelheid en veiligheid te kiezen. Dit maakt quantumcomputing betrouwbaarder en sneller, vooral naarmate we in de toekomst proberen grotere problemen op te lossen.

Technische samenvatting

Technische Samenvatting: TuniQ

Probleemstelling

Quantumprocessors worden steeds vaker geïntegreerd in High-Performance Computing (HPC)-ecosystemen als co-processors, waarbij quantumcircuits fungeren als kernels die worden gedistribueerd vanuit klassieke knooppunten. Echter, huidige quantumcompilers, zoals IBM's Qiskit-transpiler, vertrouwen op een vaste reeks compilatiepasses die uniform op alle circuits worden toegepast. Deze "one-size-fits-all"-benadering houdt geen rekening met drie kritieke variabelen:

1. Circuitstructuur: Verschillende algoritmen (bijv. QPE, VQE, Grover) hebben unieke topologieën en poortsamenstellingen die profiteren van verschillende optimalisatiestrategieën.
2. Hardware-backends: Quantumapparaten variëren in koppelings-topologieën, native poortsets en foutprofielen.
3. Ruiscondities: Kalibratiegegevens (poortfouten, coherentietijden $T_1/T_2$) veranderen in de tijd op één enkel apparaat.

Een vaste pass-volgorde past vaak onnodige optimalisaties toe die de circuitdiepte of het aantal poorten vergroten, waardoor meer ruis wordt opgehoopt en de output-trouw (gemeten door de Total Variation Distance, TVD) afneemt. Omgekeerd kunnen het nuttige passes overslaan voor specifieke circuitstructuren. Bovendien is een exhaustieve zoektocht over de miljoenen mogelijke pass-combinaties computationeel onuitvoerbaar, en leidt een greedy optimalisatie per fase vaak tot globaal suboptimale resultaten, omdat vroege beslissingen latere fasen beperken.

Methodologie: TuniQ

TuniQ is een systeem gebaseerd op Versterkingslering (RL) dat is ontworpen om adaptief compilatiepasses te selecteren in elke fase van de transpilatiepijplijn. Het formuleert pass-selectie als een Markov Beslissingsproces (MDP), waarbij een agent leert om de circuittrouw te maximaliseren terwijl de compilatietijd wordt geminimaliseerd.

Kerncomponenten

1. Dual-Encoder Architectuur:

   • Pre-Layout Encoder: Encodeert de logische circuitstructuur (ruimtetijd-poortinteracties) voordat hardware-mapping plaatsvindt.
   • Post-Layout Encoder: Encodeert het circuit dat aan fysieke hardware is gebonden, met integratie van real-time ruiskenmerken (foutpercentages, coherentietijden) uit de backend-kalibratie.
   • Deze scheiding stelt de agent in staat om fase-specifieke strategieën te leren: layout/routing-beslissingen gebaseerd op logische structuur, en optimalisatiebeslissingen gebaseerd op fysieke ruisprofielen.

2. Staatruimte:

   • Bevat een one-hot fase-indicator (Init, Layout, Routing, Translate, Optimize, Cleanup).
   • Circuitkenmerken weergegeven als tensors (logische qubits pre-layout, fysieke qubits post-layout).
   • Globale kenmerken, waaronder poortaantallen, diepte en topologie-compatibiliteitsratio's.

3. Actieruimte & Dynamische Maskering:

   • De agent selecteert specifieke transpiler-passes of een "overslaan"-actie in elke fase.
   • Dynamische Actiemaskering dwingt geldige compilatievolgordes af. Het voorkomt ongeldige overgangen (bijv. het overslaan van routing vóór layout) en zorgt ervoor dat hardware-beperkingen worden nageleefd, waardoor wordt gegarandeerd dat elke voltooide episode een uitvoerbaar circuit oplevert.

4. Beloningsstructuur:

   • Gevormde Beloningen: Om het credit assignment-probleem over meerdere fasen aan te pakken, gebruikt TuniQ tussentijdse beloningen gebaseerd op een Transpilatiekwaliteit (TQ)-metriek. Deze metriek schat de succeswahrscheinlijkheid (ESP) met behulp van poortfoutpercentages en circuitdiepte, en past zich aan naarmate het circuit van logische naar fysieke representatie verschuift.
   • Eindbeloning: Na voltooiing ontvangt de agent een beloning gebaseerd op de log-ratio van de behaalde ESP ten opzichte van een Qiskit Level 3 (Fidelity Optimized) baseline, gecombineerd met aanvullende termen voor reductie van poortaantal en diepte.

5. Training & Inferentie:

   • Training: Gebruikt Maskable PPO (Proximal Policy Optimization) op willekeurige circuits en verstoord backend-ruisprofielen om robuustheid te waarborgen.
   • Inferentie: Het beleid wordt bevroren. Het systeem voert één enkele forward pass uit om passes te selecteren, wat verwaarloosbare overhead toevoegt (<1% van de totale compilatietijd). Tijdens inferentie wordt geen referentiecompilatie of beloningsberekening uitgevoerd.

Belangrijkste Bijdragen

1. Eerste Ruisondersteunde Cross-Fase Selector: TuniQ is het eerste systeem dat transpilatie formuleert als een unificerend cross-fase pass-selectieprobleem dat is voorwaardelijk op real-time ruisprofielen, en gezamenlijk optimaliseert voor trouw en compilatietijd.
2. Nieuwe RL-uitbreidingen: Het artikel introduceert een dual-encoder voor fase-bewuste representatie, gevormde beloningen voor cross-fase credit assignment, en dynamische actiemaskering om geldige compilatie te garanderen.
3. Schaalbaarheid en Generalisatie: Het systeem is getraind op kleine circuitinstanties (5–10 qubits), maar schaalt effectief naar utility-scale circuits (tot 65 qubits) zonder hertraining. Het generaliseert op een zero-shot manier over verschillende IBM Quantum backends (Torino, Fez, Kingston, Pittsburgh).
4. Open Source: Het framework en de implementatie zijn open-sourced om adoptie door de gemeenschap te faciliteren.

Experimentele Resultaten

Geëvalueerd op diverse werklasten (MQTBench, QASMBench) over meerdere IBM Quantum Cloud-processors:

• Verbetering van Trouw: TuniQ verbetert de output-trouw (vermindert TVD) met gemiddeld 20% in vergelijking met de state-of-the-art Qiskit (Fidelity Optimized) transpiler. Voor specifieke benchmarks zoals QPE werd TVD verlaagd van 0,76 naar 0,50, wat de algoritmische succeskans aanzienlijk verbetert.
• Compilatietijd: TuniQ vermindert de compilatietijd met gemiddeld 34%. Dit is cruciaal voor variational algoritmen (bijv. VQE, QAOA) die circuits duizenden keren opnieuw compileren.
• Schaling: Naarmate de circuitgrootte toeneemt (tot 65 qubits), groeit het voordeel van TuniQ, waarbij circuits worden geproduceerd met 40% minder poorten en 50% lagere diepte dan de baseline.
• Robuustheid: Het systeem behoudt zijn effectiviteit over variërende ruisniveaus (gesimuleerd door schaling van foutpercentages) en verschillende hardware-generaties (Heron R1–R3), wat weerstand tegen kalibratiedrift aantoont.

Betekenis en Claims

Het artikel stelt dat TuniQ een fundamentele beperking in huidige quantumcompilatie aanpakt: de afhankelijkheid van statische, vaste pass-volgorde. Door over te schakelen naar een adaptieve, geleerde aanpak, demonstreert TuniQ dat optimale pass-selectie sterk context-afhankelijk is van het circuit, de hardware en het ruisomgeving.

De auteurs benadrukken dat TuniQ niet slechts één metriek verbetert, maar een betere kwaliteit-tijd trade-off biedt. In tegenstelling tot zoekgebaseerde methoden (bijv. evolutionaire algoritmen) die hoge overhead per circuit veroorzaken, amortiseert TuniQ de zoekkosten tijdens de training, waardoor het geschikt is voor HPC-workflows waar doorvoer essentieel is. Het werk suggereert dat naarmate quantumhardware evolueert naar fouttolerantie, adaptieve compilatie een sleutelprestatiemotor blijft, en TuniQ een schaalbaar kader biedt om dit potentieel te realiseren.