Transpilation-Aware Runtime Prediction for Noisy Quantum Circuit Simulation
本文评估了用于预测带有噪声的量子线路仿真运行时间的图神经网络与传统回归模型，发现虽然利用转译后信息的模型通常表现最佳，但显式图建模相对于标准回归模型的优越性在很大程度上取决于特定的后端和转译优化水平。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
量子计算机有望解决当今超级计算机需要数千年才能解决的问题，但这些机器仍然非常脆弱且容易出错。由于真实的量子硬件稀缺且难以获取，科学家们依赖强大的经典计算机来模拟量子程序的行为。这些模拟过程充当了至关重要的测试场，允许研究人员在实际接触物理设备之前调试代码并规划实验。然而，运行这些模拟本身就是一项繁重的计算任务。模拟一个量子程序所需的时间会根据程序的复杂程度和模拟器的特定设置而发生剧烈变化。对于管理这些模拟的任务系统而言，准确了解一项工作将耗时多久至关重要；这使它们能够高效地调度任务，并将计算能力分配到最需要的地方。
挑战在于，科学家编写的量子程序很少是模拟器实际运行的那个程序。在模拟开始之前，一种被称为“转译器”（transpiler）的特殊软件工具会将原始程序重写，以适配目标模拟器的特定规则。这一过程是必要的，因为模拟器有其自身独特的一套允许的操作和连接规则。转译器将复杂的指令分解为更简单的指令，并增加额外的步骤以确保程序在这些约束条件下运行。这种重写过程可以极大地改变程序的结构，通常使程序比原始程序更长或更复杂。因此，仅凭原始代码来预测模拟将耗时多久，就像是试图仅通过观察目的地的草图来预测公路旅行的行程时间，却不知道汽车实际行驶的路线。
为了解开这个谜题，伍斯特理工学院的研究人员致力于构建一个能够准确预测模拟运行时间的系统。他们收集了一个包含超过 1,400 个独特量子电路的大规模数据集，这些电路代表了各种各样的数学问题。他们使用两种不同的虚拟硬件配置和四种不同程度的重写强度，将这些电路中的每一个都在模拟器中运行。目标是观察计算机是否可以通过观察被重写前的电路、被重写后的电路，或者结合这两个阶段的信息，来学习预测执行时间。他们测试了几种不同类型的机器学习模型，包括标准的统计工具和更先进的、旨在理解数据内形状与连接的系统。
研究人员发现，预测最准确的模型是那些观察经过转译器重写后电路的模型。当团队使用一种分析程序最终重写结构的模型时，它在所有重写强度水平下都实现了极高的准确度。相比之下，仅观察原始、未重写代码的模型表现明显较差，尤其是在重写过程非常剧烈的情况下。这表明，重写阶段所做的更改对于理解模拟将耗时多久至关重要。研究还显示，仅仅向原始代码中添加一些关于重写后程序的额外细节是不够的；模型需要看到整个新的结构才能做出可靠的预测。
然而，研究也表明，复杂的、具备形状感知能力的模型并不总是唯一的答案。在某些特定场景下，特别是在预测两种虚拟硬件配置之一的运行时间时，更简单且传统的统计模型表现得与先进模型一样好。这表明，虽然理解程序的最终结构是必不可少的，但并不一定需要最复杂的数学方法也能完成任务。研究人员还发现了一个权衡：使用最激进的重写设置通常会减少模拟运行的时间，但会增加进行重写本身所需的时间。对于最快且最简单的程序来说，这种额外的重写时间对于获得的微小速度提升而言并不划算；但对于最复杂且运行最慢的程序来说，激进的重写则是值得的。
最终，这项工作为管理量子模拟提供了更清晰的路径。它证明了要预测量子模拟将耗时多久，必须观察程序在准备运行时其实际存在的状态，而不仅仅是它最初被编写时的样子。虽然能够映射程序内部连接的先进模型提供了最佳的整体性能，但更简单的方法在某些语境下仍然有效。这些见解对于量子计算的未来至关重要，因为在未来，高效的调度和资源管理将是充分利用有限计算能力的关键词。通过理解重写如何影响执行时间，开发者可以更好地决定何时应用复杂的优化措施，以及如何为下一代量子实验分配资源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。