CONQURE: A Co-Execution Environment for Quantum and Classical Resources

本文提出了 CONQURE，这是一个开源的量子与经典资源协同执行环境，通过模块化调度框架和 OpenMP 扩展，实现了将量子内核无缝集成到高性能计算与机器学习工作流中，并显著降低了运行开销。

要点

这篇论文介绍了一个名为 CONQURE 的新系统。为了让你轻松理解，我们可以把超级计算机（HPC）想象成一个巨大的、繁忙的现代化厨房，而量子计算机（QPU）则是一个拥有神奇魔法的“炼金术士”。

1. 背景：厨房里的“魔法”难题

现在的超级计算机（比如用来做天气预报、训练 AI 的）就像是一个装备了顶级厨师（CPU）和超级搅拌机（GPU）的厨房。它们处理常规任务非常快。

但是，有些特别复杂的难题（比如设计新药、优化物流），普通的厨师和搅拌机怎么算都算得慢。这时候，我们需要请那位**“炼金术士”（量子计算机）**来帮忙。炼金术士能瞬间完成某些特定的魔法步骤（量子算法），比普通人快得多。

问题出在哪？
目前的厨房（超级计算机）和炼金术士之间没有顺畅的沟通渠道：

• 语言不通： 厨师们习惯用 OpenMP、MPI 等“通用语言”指挥工作，但炼金术士只懂特定的“魔法咒语”（量子电路）。
• 排队混乱： 没有统一的调度员。厨师不知道什么时候该把任务交给炼金术士，炼金术士也不知道什么时候该把结果交回来。
• 缺乏工具： 以前没有开源的“翻译官”能把厨师的指令自动变成炼金术士能听懂的指令，并管理好排队和结果回收。

2. CONQURE 是什么？

CONQURE 就是这位“超级调度员”兼“万能翻译官”。

它是一个开源的、模块化的系统，专门负责把超级计算机（经典资源）和量子计算机（量子资源）完美地连接在一起。

• 它的核心功能： 让厨师（经典程序）可以像指挥普通助手一样，轻松地把任务“外包”给炼金术士（量子处理器），然后等着拿结果，中间不需要厨师懂任何魔法。
• 它的架构（像乐高积木）：
  1. 用户界面层： 厨师们在这里写菜单（代码）。
  2. 翻译层： 把菜单翻译成炼金术士能懂的“魔法书”。
  3. 工作管理器： 就像餐厅的领班，决定哪个任务先做，哪个后做，怎么分配给不同的设备。
  4. 数据库： 像个记事本，记录谁做了什么，结果是什么，防止任务丢了。
  5. 控制层： 直接指挥炼金术士的手（控制硬件）。

3. 它是怎么工作的？（OpenMP-Q 的魔法）

论文中最酷的部分是它扩展了 OpenMP（一种让厨师们并行工作的通用指令集）。

• 以前的做法： 厨师想请炼金术士帮忙，得停下来，写一堆复杂的脚本来连接，等炼金术士做完，再手动把结果拿回来。这就像厨师每切一刀菜，都要跑去隔壁房间问炼金术士意见，效率极低。
• CONQURE 的做法（OpenMP-Q）：
  • 厨师只需要在代码里加一行简单的指令（比如 #pragma omp target device(Quantum)）。
  • 自动翻译： 系统自动把这段指令变成量子电路，发给炼金术士。
  • 并行魔法： 如果厨房里有多个炼金术士（多个量子计算机），CONQURE 可以让厨师同时指挥他们所有人一起干活，而不是一个一个排队。
  • 双向沟通： 炼金术士做完一步，马上把结果（比如“这个角度不对”）传回给厨师，厨师立刻调整参数，再传给炼金术士。这种“边做边改”的循环非常快。

4. 实际效果如何？

作者们在真实的离子阱量子计算机（一种真实的“炼金术士”）和模拟器上测试了 CONQURE。

• 速度极快： 这个调度系统本身几乎不拖后腿。厨师把任务交给它，平均只需要 12.7 毫秒（眨眼都还没完）。
• 效率大增： 在测试一个名为 VQE（变分量子本征求解器，常用于化学模拟）的任务时：
  • 如果让厨师一个一个地排队找炼金术士帮忙，跑完 6 个任务需要 228 秒。
  • 如果用 CONQURE 让 6 个炼金术士同时工作，只需要 71 秒。
  • 结果：速度提升了 3.1 倍！

5. 总结：为什么这很重要？

想象一下，如果未来的超级计算机要解决人类最难的科学问题（如癌症治疗、气候模拟），它们必须同时调动所有的“普通大脑”（经典计算机）和“超级大脑”（量子计算机）。

CONQURE 就是连接这两者的桥梁。 它不需要科学家去重新发明轮子，也不需要他们去学复杂的量子硬件控制。它提供了一个开源、免费、通用的接口，让现有的超级计算机程序可以无缝地调用量子算力。

这就好比给所有的高级餐厅都装上了一个**“魔法点餐系统”**，让厨师们能轻松利用魔法加速烹饪，从而更快地端出解决世界难题的“大餐”。

技术摘要

CONQURE：量子与经典资源协同执行环境技术总结

1. 研究背景与问题 (Problem)

随着高性能计算（HPC）和机器学习（ML）日益依赖 GPU 等加速器，量子计算被视为未来在特定算法（如量子优势领域）提供显著加速的关键技术。然而，将量子计算集成到现有的 HPC 和 ML 工作流中面临以下主要挑战：

• 缺乏开源软件基础设施：目前的量子卸载（Offloading）主要依赖专有软件或 Python 库，缺乏能够无缝集成经典 HPC 环境（如 C/C++、OpenMP、MPI）的开源中间件。
• 互操作性差：现有的量子框架（如 Qiskit, Cirq）通常针对特定硬件或受限于 Python 生态，难以与传统的 HPC 软件栈（如 OpenMP 并行编程模型）直接交互。
• 调度与资源管理缺失：缺乏对量子处理单元（QPU）资源的有效调度、内核执行控制、结果追踪以及与经典计算上下文的协调机制。
• 串行执行瓶颈：现有的中间件多支持串行操作，无法利用并行化来缓解量子退相干带来的噪声影响，也无法充分利用中性原子等支持并行门操作的硬件架构。
• 混合工作流效率低：在变分量子算法（如 VQE）中，经典求解器与量子内核之间的迭代通信存在延迟，导致硬件利用率低下。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了 CONQURE，这是一个完全开源的、模块化的量子 - 经典协同执行环境。其核心设计包括：

2.1 分层架构 (Five-Layer Architecture)

CONQURE 采用五层模块化架构，确保灵活性和可扩展性：

1. 用户接口层 (User Interface Layer)：支持多种前端（Qiskit, Cirq, Tket 等）进行量子内核定义和工作流编排。
2. 翻译层 (Translation Layer)：通过可插拔的适配器，将平台无关的量子操作转换为特定硬件指令，屏蔽底层编译和优化细节。
3. 工作负载管理器 (Workload Manager)：结合云队列、作业调度和资源管理，实施基于优先级的执行策略，协调经典与量子资源。
4. 数据库层 (DB)：持久化存储作业元数据、量子电路定义及执行结果。
5. 量子控制层 (Quantum Control Layer)：提供与设备无关的脉冲级控制接口，支持通过可插拔驱动程序适配不同的量子技术（如离子阱、超导等）。

2.2 云队列 API (Cloud Queue API)

• 设计为 AWS 量子设备云队列的互操作替代方案，但专注于私有云环境，支持跨研究实验室的远程量子内核执行。
• 提供 create_work 和 get_results 等 API，支持异步作业提交、状态追踪和历史结果检索。
• 利用 SLURM 进行作业排队，确保资源的高效利用。

2.3 OpenMP-Q 扩展 (核心创新)

为了将量子计算无缝集成到 HPC 中，作者扩展了 OpenMP 标准，提出了 OpenMP-Q：

• 量子卸载 (Quantum Offloading)：允许 C++ 代码通过 #pragma omp target device(Quantum) 指令将量子内核卸载到 QPU。
• 反向卸载 (Reverse Offloading)：支持量子内核保持活跃，同时经典计算（如参数更新）在主机上异步运行。结果可触发经典代码执行，输出再反馈给量子处理器（例如 VQE 中的角度调整）。
• 并行执行：利用 OpenMP 的多线程模型，允许不同线程在独立的 QPU 或模拟器上并行执行不同的量子电路（例如并行运行不同初始参数的 VQE）。
• 实现机制：基于 LLVM-Clang 和 Python 库的管道（Pipe）交互。OpenMP 运行时将 C++ 映射的数据序列化为 Python 脚本，在后台执行，并将结果反序列化回主机内存。

3. 主要贡献 (Key Contributions)

1. 开源管理框架：创建了一个用于管理量子资源和工作负载的开源软件框架，填补了 HPC 与量子计算之间的软件栈空白。
2. 模块化设计：提出了一个五层模块化架构，允许用户在不影响上层 API 的情况下替换底层硬件驱动或调度策略。
3. OpenMP-Q 扩展：
   • 将 OpenMP 扩展为支持量子卸载（OpenMP-Q）。
   • 设计了反向卸载机制，优化了混合量子 - 经典迭代算法（如 VQE）的通信效率。
   • 实现了 C++ 与 Python 量子库之间的管道交互，支持动态生成和执行量子脚本。
4. 实证验证：
   • 在模拟工作负载上评估了集成软件栈。
   • 在杜克量子中心（Duke Quantum Center）的离子阱实验设备上验证了 CONQURE 的功能。
5. 性能提升：展示了通过并行化 VQE 运行，显著减少了收敛时间。

4. 实验结果 (Results)

• API 开销：
  • create_work（创建作业）的平均延迟约为 12.69ms（真实设备）和 12.82ms（模拟器）。
  • get_results（获取结果）的开销更低，因为主要是从数据库读取数据。
  • 这表明 CONQURE 的引入对系统性能影响极小。
• VQE 并行加速：
  • 针对 7 个顶点的 Max-Cut 问题进行了 VQE 实验。
  • 串行执行：6 次 VQE 运行耗时 228 秒。
  • 并行执行 (OpenMP-Q)：6 次 VQE 运行并行执行仅需 71 秒。
  • 加速比：实现了 3.1 倍 的总运行时间减少（线性加速），证明了利用多 QPU 并行化优化收敛时间的有效性。
• 硬件兼容性：成功在离子阱设备上运行了 GHZ 态制备电路和 VQE 工作负载，验证了框架对真实硬件的适配能力。

5. 意义与影响 (Significance)

• 填补生态空白：CONQURE 提供了首个将 OpenMP 等主流 HPC 标准与量子计算深度集成的开源解决方案，降低了量子算法在 HPC 环境中部署的门槛。
• 提升硬件利用率：通过并行化执行和反向卸载机制，有效解决了混合工作流中的空闲等待问题，提高了 QPU 的利用效率。
• 促进算法发展：为变分量子算法（VQE, QAOA）等需要频繁经典 - 量子交互的算法提供了高效的执行框架，有助于加速量子优势的实现。
• 可扩展性与互操作性：其模块化设计使其能够适应未来不断演进的量子硬件技术（如超导、离子阱、中性原子）和软件生态，为构建通用的量子 - 经典混合计算平台奠定了基础。

综上所述，CONQURE 不仅是一个技术原型，更是推动量子计算从实验室走向实际 HPC 应用的关键基础设施，解决了当前量子计算集成中的互操作性、调度效率和软件工具链缺失等核心痛点。