MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline
Dit artikel introduceert MQSS-Selector, een verenigd, op leren gebaseerd framework dat reinforcement en deep learning gebruikt om de selectie van apparaten, de volgorde van compiler passes en job scheduling voor HPC-quantumcomputing workflows dynamisch te optimaliseren, met als doel gelijktijdig de getrouwheid te maximaliseren terwijl compilatietijd en latentie in het NISQ-tijdperk worden geminimaliseerd.
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
In het opkomende landschap van de moderne computertechnologie beginnen twee krachtige werelden te versmelten: de enorme, klassieke supercomputers die klimaatverandering modelleren en nieuwe materialen ontwerpen, en de fragiele, experimentele quantummachines die beloven problemen op te lossen die momenteel buiten ons bereik liggen. Deze convergentie creëert een nieuw soort hybride systeem waarbij een klassieke computer fungeert als het brein, door specifieke taken naar een quantumprocessor te sturen om als een gespecialiseerde versneller te dienen. Deze quantummachines bevinden zich echter momenteel in een moeilijke ontwikkelingsfase. Ze zijn ruisgevoelig, wat betekent dat hun berekeningen foutgevoelig zijn, en ze zijn beperkt in omvang, met slechts een handvol beschikbare quantum bits. Daarom is het simpelweg versturen van een programma naar een quantumcomputer niet voldoende; het programma moet zorgvuldig worden voorbereid, hervormd en afgestemd op de specifieke eigenaardigheden van de machine waarop het zal draaien. Als de voorbereiding niet klopt, is het resultaat waardeloos. De uitdaging ligt in het uitzoeken welke machine precies gebruikt moet worden en hoe de code voor deze machine getransformeerd moet worden, een taak die het navigeren door een uitgestrekte en verschuivende doolhof van mogelijkheden vereist.
Onderzoekers van het Leibniz Supercomputing Centre in Duitsland, werkend samen met partners van de Technische Universiteit van München en het Argonne National Laboratory, hebben een nieuwe manier voorgesteld om dit puzzelstuk op te lossen. Ze noemen hun systeem MQSS-Selector, een hulpmiddel dat is ontworpen om als een verenigde gids voor het gehele proces te fungeren. In plaats van de keuze van de hardware en de voorbereiding van de software als afzonderlijke stappen te behandelen, leert hun systeem beide beslissingen tegelijkertijd te nemen. Het team heeft dit hulpmiddel gebouwd met behulp van een methode genaamd reinforcement learning, een vorm van kunstmatige intelligentie waarbij een computerprogramma leert door middel van vallen en opstaan, net zoals een kind dat leert fietsen. Het programma probeert verschillende combinaties van quantumapparaten en code-transformaties, ontvangt feedback over hoe goed het resultaat was, en leert geleidelijk de beste weg vooruit te kiezen.
De kernmoeilijkheid waar de onderzoekers mee te maken kregen, is dat de problemen van het kiezen van een apparaat en het ordenen van de codestappen ongelooflijk complex zijn. In feite zijn ze zo complex dat het wiskundig onmogelijk is om voor elk individueel geval snel de perfecte oplossing te vinden naarmiddens het aantal opties groeit. Traditionele methoden vertrouwen op vaste regels of gokwerk, wat vaak faalt wanneer de quantummachines hun gedrag veranderen of wanneer er nieuwe soorten code worden geïntroduceerd. De onderzoekers toonden aan dat hun leergerichte benadering deze complexiteit kon navigeren. Ze creëerden een systeem dat kijkt naar de specifieke kenmerken van een quantumprogramma, de huidige status van de beschikbare machines controleert, en vervolgens het meest geschikte apparaat selecteert. Tegelijkertijd beslist het welke sequentie van code-optimalisaties moet worden toegepast om het programma efficiënt op dat specifieke apparaat te laten draaien.
Om hun idee te testen, trainden het team hun systeem op een grote collectie quantumprogramma's, waaronder die ontworpen voor het simuleren van chemische moleculen. Ze vergeleken hun leergerichte selector met standaardmethoden en stelden vast dat het begeleide model een zeer conservatieve strategie hanteerde met betrekking tot het moment waarop de optimalisatie gestopt moest worden. Terwijl het model zonder begeleiding in bijna alle gevallen naliet de "stop"-actie aan te roepen, slaagde het begeleide model er in de overgrote meerderheid van de proeven in om het proces te beëindigen, hoewel dit gebeurde met een lage recall, wat betekent dat het veel kansen miste om geldige stopmomenten te identificeren. Wat betreft de programmastructuur produceerde het systeem geen kortere programma's; gemiddeld genomen namen de diepte en het aantal operaties van de resulterende programma's aanzienlijk toe ten opzichte van de inputs. Echter, de begeleide aanpak leverde een betere algehele compilatieprestatie op door ervoor te zorgen dat de programma's in 95,5% van de gevallen uitvoerbaar waren, een aanzienlijke verbetering ten opzichte van het niet-begeleide model. Toen de onderzoekers een speciale trainingsmethode introduceerden om het systeem te helpen het enorme aantal mogelijkheden te verkennen zonder de weg kwijt te raken, verbeterden de resultaten wat betreft betrouwbaarheid, hoewel het systeem nog steeds moeite had om alle geldige optimalisatiemogelijkheden te identificeren.
De studie onthulde ook dat hoewel het systeem goed werkt voor het kiezen van apparaten, het deel dat verantwoordelijk is voor het ordenen van de codestappen nog meer oefening nodig heeft. De onderzoekers ontdekten dat het systeem zonder de speciale trainingstoeleiding moeite had om zelfstandig goede oplossingen te vinden en vaak door nutteloze combinaties van codeveranderingen dwaalde; sterker nog, de experimentele gegevens suggereren dat reinforcement learning zonder aanvullende methoden geen levensvatbare aanpak is voor het trainen van een netwerk voor compilatie onder de overwogen middelenbeperkingen. Echter, met de begeleiding leerde het systeem zich te concentreren op de meest veelbelovende paden, zij het zeer conservatief, wat leidde tot meer betrouwbare uitvoering. Dit suggereert dat hoewel het concept van een enkele, verenigde gids voor quantumcomputing levensvatbaar is, het zorgvuldige training en aanzienlijke hoeveelheden data vereist om echt effectief te zijn. Het werk van het team laat zien dat door de keuze van hardware en de voorbereiding van software te combineren in één intelligent besluitvormingsproces, we dichter bij het bruikbaar maken van quantumcomputers voor praktische, real-world problemen kunnen komen. Hun bevindingen wijzen erop dat deze aanpak niet alleen een theoretisch idee is, maar een praktisch pad vooruit, in staat om zich aan te passen aan de ruisgevoelige en veranderende aard van de huidige quantummachines, mits het systeem voldoende begeleiding krijgt om de inherente moeilijkheden van de taak te overwinnen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.