An ML-Based Hybrid Task Scheduler for Classical–Quantum Computing Environments Using Real Graph-Derived Workloads

In het evoluerende landschap van de moderne informatica beginnen twee verschillende werelden met elkaar te versmelten. Aan de ene kant staat de klassieke computer, de vertrouwde machine die men in kantoren en huizen vindt, die informatie verwerkt met bits die ofwel nul of één zijn. Aan de andere kant staat de quantumcomputer, een gespecialiseerde machine die quantum bits, of qubits, gebruikt om vele mogelijkheden tegelijkertijd te verkennen. Hoewel quantummachines de belofte inhouden om bepaalde complexe problemen sneller op te lossen dan hun klassieke tegenhangers, zijn ze nog geen universele vervanging. Ze zijn vaak moeilijk toegankelijk, vereisen extreme omstandigheden om te functioneren en kunnen traag zijn om voor een enkele taak klaar te zetten. Deze realiteit heeft geleid tot hybride omgevingen, waar een systeem in real time moet beslissen of het een specifieke taak op een standaardprocessor moet draaien of naar een quantumcomputer moet sturen. De uitdaging ligt in het efficiënt maken van deze keuze; het sturen van een taak naar de verkeerde machine kan tijd verspillen, terwijl het sturen naar de juiste machine een aanzienlijke snelheid kan ontsluiten.

Onderzoekers aan de University of Energy and Natural Resources in Ghana hebben dit planningspuzzel aangepakt door een slim systeem te bouwen dat leert hoe het deze beslissingen moet nemen. In plaats van te vertrouwen op vaste regels die kunnen falen wanneer de omstandigheden veranderen, hebben ze een machine learning-model getraind om als een verkeersregelaar voor computertaken te fungeren. Om dit systeem te onderwijzen, gebruikten ze geen verzonnen data. Ze begonnen met een echt netwerk van interacties uit een Wikipedia-stemmechanisme, een massieve grafiek van verbindingen tussen gebruikers. Uit dit complexe web extraheerden ze honderden kleinere, verbonden groepen gebruikers om te dienen als testgevallen. Elke groep vertegenwoordigde een specifiek type optimalisatieprobleem dat bekend staat als het Max-Cut-probleem, wat inhoudt dat een netwerk in twee groepen wordt verdeeld om de verbindingen tussen hen te maximaliseren.

Het team heeft vervolgens elk van deze testgevallen door twee verschillende paden gelopen. Eerst losten ze deze op met een standaard klassieke computer om te zien hoe lang het duurde en hoe goed het antwoord was. Ten tweede stuurden ze dezelfde problemen door een gesimuleerde quantumworkflow, die het gedrag van een echte quantumprocessor nabootst, inclusief de tijd die nodig is om de machine voor te bereiden en de tijd die nodig is om de berekening uit te voeren. Cruciaal was dat ze niet alleen naar de ruwe snelheid van de machines keken. Ze simuleerden ook verschillende niveaus van congestie, of "wachtrijdruk", om te zien hoe wachttijden de totale kosten van het uitvoeren van een taak beïnvloedden. Soms was de quantummachine vrij en snel klaar voor gebruik; andere keren was hij geblokkeerd door een lange rij wachtende taken. Door de structurele details van de grafiekproblemen te combineren met deze veranderende systeemcondities, creëerden ze een rijke dataset die de computer leerde wanneer hij voor het klassieke pad en wanneer voor het quantumpad moest kiezen.

De resultaten toonden aan dat een eenvoudig machine learning-model, specifiek gebaseerd op logistische regressie, met opmerkelijke nauwkeurigheid kon leren om deze plaatsingsbeslissingen te nemen. In tests identificeerde de geleerde scheduler de beste bron voor bijna 98 procent van de taken correct. In vergelijking met andere methoden presteerde de slimme scheduler beter dan een systeem dat alles naar de klassieke computer stuurde, een systeem dat alles naar de quantumcomputer stuurde, en zelfs een systeem dat een reeks handmatige, vooraf geschreven regels volgde. De geleerde scheduler bereikte de snelste algehele voltooiingstijden en het hoogste aantal voltooide taken per seconde. Het slaagde erin de belasting zo effectief te balanceren dat het de totale tijd die het systeem doorbracht met wachten op het voltooien van taken met een aanzienlijke marge verminderde in vergelijking met de regelgebaseerde benaderingen.

Een nadere blik op wat de computer heeft geleerd, onthulde een verrassend inzicht: de belangrijkste factor bij het beslissen waar een taak naartoe gestuurd moest worden, was niet de complexiteit van het probleem zelf, maar de huidige staat van het systeem. Het model besteedde de meeste aandacht aan hoe lang een taak zou moeten wachten in de rij voor de klassieke computer versus de quantummachine. Als de klassieke wachtrij lang was, was het systeem eerder geneigd een taak naar de quantumprocessor te sturen, zelfs als de quantummachine zijn eigen overhead had. Omgekeerd, als de quantumrij geblokkeerd was, hield het systeem de taak aan de klassieke zijde. Dit suggereert dat in een hybride omgeving de beste strategie geen rigide regel is over welke problemen bij welke machine horen, maar een flexibele aanpak die reageert op realtime congestie. De studie vond dat hoewel de omvang van het probleem ertoe deed, dit secundair was aan de onmiddellijke beschikbaarheid van middelen.

De onderzoekers ontdekten ook dat de quantumworkflow, zelfs in simulatie, oplossingen produceerde die bijna net zo goed waren als de klassieke oplossingen, met een nauwkeurigheidspercentage van bijna 99,8 procent. Dit betekent dat het quantumpad een levensvatbare optie was voor deze taken, mits het systeem de timing correct beheert. De studie beweerde niet dat quantumcomputers nu sneller zijn voor alle problemen; sterker nog, de simulaties toonden aan dat voor kleine taken de klassieke computer vaak veel sneller was in pure uitvoeringstijd. De waarde van de quantummachine kwam pas naar voren wanneer het systeem leerde taken naar de machine te routeren tijdens momenten waarop de klassieke middelen zwaar belast waren.

Uiteindelijk demonstreert dit werk dat het beheren van een mix van klassieke en quantumbronnen een dynamische, op data gebaseerde aanpak vereist. Door taakplaatsing te behandelen als een leerprobleem in plaats van een statische regel, kunnen systemen zich aanpassen aan de eb en vloed van de vraag. De bevindingen suggereren dat naarmate de quantumtechnologie volwassener wordt en meer geïntegreerd raakt met de klassieke infrastructuur, het vermogen om deze beslissingen van een fractie van een seconde te nemen op basis van de huidige omstandigheden, net zo belangrijk zal zijn als de ruwe kracht van de machines zelf. De studie biedt een praktisch blauwdruk voor hoe deze intelligente schedulers te bouwen, waarbij wordt bewezen dat met de juiste data een computer kan leren navigeren door de complexiteiten van een hybride toekomst.