MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline
Este artigo apresenta o MQSS-Selector, um framework unificado baseado em aprendizado que utiliza aprendizado por reforço e aprendizado profundo para otimizar dinamicamente a seleção de dispositivos, a ordenação de passagens do compilador e o escalonamento de tarefas para fluxos de trabalho de computação HPC-Quântica, visando maximizar simultaneamente a fidelidade enquanto minimiza o tempo de compilação e a latência na era NISQ.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No cenário emergente da computação moderna, dois mundos poderosos estão começando a se fundir: os massivos supercomputadores clássicos que modelam as mudanças climáticas e projetam novos materiais, e as máquinas quânticas experimentais e frágeis que prometem resolver problemas atualmente além do nosso alcance. Essa convergência cria um novo tipo de sistema híbrido onde um computador clássico atua como o cérebro, enviando tarefas específicas para um processador quântico atuar como um acelerador especializado. No entanto, essas máquinas quânticas estão atualmente em uma fase difícil de desenvolvimento. Elas são ruidosas, o que significa que seus cálculos são propensos a erros, e são limitadas em tamanho, com apenas um punhado de bits quânticos disponíveis. Por causa disso, simplesmente enviar um programa para um computador quântico não é suficiente; o programa deve ser cuidadosamente preparado, remodelado e ajustado às peculiaridades específicas da máquina na qual será executado. Se a preparação estiver errada, o resultado será lixo. O desafio reside em descobrir exatamente qual máquina usar e como transformar o código para ela, uma tarefa que envolve navegar por um vasto e mutável labirinto de possibilidades.
Pesquisadores do Centro de Computação Leibniz, na Alemanha, trabalhando com parceiros da Universidade Técnica de Munique e do Laboratório Nacional de Argonne, propuseram uma nova maneira de resolver esse quebra-cabeça. Eles chamam seu sistema de MQSS-Selector, uma ferramenta projetada para atuar como um guia unificado para todo o processo. Em vez de tratar a escolha do hardware e a preparação do software como etapas separadas, seu sistema aprende a tomar ambas as decisões ao mesmo tempo. A equipe construiu essa ferramenta usando um método chamado aprendizado por reforço, um tipo de inteligência artificial onde um programa de computador aprende por tentativa e erro, muito parecido com uma criança aprendendo a andar de bicicleta. O programa tenta diferentes combinações de dispositivos quânticos e transformações de código, recebe feedback sobre o quão bem o resultado funcionou e gradualmente aprende a escolher o melhor caminho a seguir.
A dificuldade central que os pesquisadores enfrentaram é que os problemas de escolher um dispositivo e ordenar as etapas do código são incrivelmente complexos. Na verdade, eles são tão complexos que encontrar a solução perfeita para cada caso individual é matematicamente impossível de realizar rapidamente à medida que o número de opções cresce. Métodos tradicionais dependem de regras fixas ou suposições, que frequentemente falham quando as máquinas quânticas mudam seu comportamento ou quando novos tipos de código são introduzidos. Os pesquisadores demonstraram que sua abordagem baseada em aprendizado poderia navegar por essa complexidade. Eles criaram um sistema que observa as características específicas de um programa quântico, verifica o status atual das máquinas disponíveis e, então, seleciona o dispositivo mais adequado. Simultaneamente, decide qual sequência de otimizações de código aplicar para fazer o programa rodar eficientemente naquela máquina específica.
Para testar sua ideia, a equipe treinou seu sistema em uma grande coleção de programas quânticos, incluindo aqueles projetados para simular moléculas químicas. Eles compararam seu seletor baseado em aprendizado com métodos padrão e descobriram que o modelo guiado adotou uma estratégia muito conservadora em relação a quando interromper a otimização. Enquanto o modelo sem orientação falhou em chamar a ação de "finalizar" em quase todos os casos, o modelo guiado encerrou o processo com sucesso na vasta maioria das tentativas, embora o tenha feito com baixa revocação, o que significa que perdeu muitas oportunidades potenciais de identificar pontos de parada válidos. Em termos de estrutura de programa, o sistema não produziu programas mais curtos; em média, a profundidade e a contagem de operações dos programas resultantes aumentaram significativamente em comparação com os origentes. No entanto, a abordagem guiada proporcionou um melhor desempenho geral de compilação ao garantir que os programas fossem executáveis em 95,5% dos casos, uma melhoria marcante em relação ao modelo não guiado. Quando os pesquisadores introduziram uma técnica de treinamento especial para ajudar o sistema a explorar o vasto número de possibilidades sem se perder, os resultados melhoraram em termos de confiabilidade, embora o sistema ainda tenha tido dificuldades para identificar todas as oportunidades de otimização válidas.
O estudo também revelou que, embora o sistema funcione bem para a escolha de dispositivos, a parte responsável por ordenar as etapas do código ainda precisa de mais prática. Os pesquisadores descobriram que, sem a orientação especial de treinamento, o sistema tinha dificuldade em encontrar boas soluções por conta própria, frequentemente vagando por combinações inúteis de mudanças de código; de fato, os dados experimentais sugerem que o aprendizado por reforço sem métodos adicionais não é uma abordagem viável para treinar uma rede para compilação sob as restrições de recursos consideradas. No entanto, com a orientação, o sistema aprendeu a focar nos caminhos mais promissores, embora de forma muito conservadora, levando a uma execução mais confiável. Isso sugere que, embora o conceito de um guia único e unificado para a computação quântica seja viável, ele requer treinamento cuidadoso e dados significativos para ser verdadeiramente eficaz. O trabalho da equipe mostra que, ao combinar a escolha do hardware e a preparação do software em um processo de tomada de decisão inteligente e único, podemos nos aproximar de tornar os computadores quânticos ferramentas úteis para problemas do mundo real. Suas descobertas indicam que essa abordagem não é apenas uma ideia teórica, mas um caminho prático a seguir, capaz de se adaptar à natureza ruidosa e mutável das máquinas quânticas de hoje, desde que o sistema receba orientação suficiente para superar as dificuldades inerentes da tarefa.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.