💻 计算机科学

When Should a Quantum Workflow Call the QPU? - A Systematic Review and Taxonomy of Semantic QPU Minimization

本文通过分析60项研究，识别了现有量子工作流系统中存在的关键缺陷，即无法自动判定是否必须执行QPU任务，并据此提出了一个用于“语义化QPU最小化”的规范化分类法和多目标优化框架，以解决任务调度与量子硬件本质需求之间的脱节问题。

原作者： David Vesterlund

发布于 2026-10-13

📖 1 分钟阅读☕ 轻松阅读

原作者： David Vesterlund

原始论文采用 CC BY 4.0 许可（https://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破解的问题。它们通过使用量子比特（qubits）来实现这一点，量子比特可以同时存在于多种状态中，从而允许它们同时探索巨大的可能性。然而，这些机器目前非常稀少、极其昂贵且难以获取。想要使用它们的研究人员经常面临漫长的等待队列，而且每次进行计算时，他们都会消耗有限的“次数”（shots）或尝试额度，之后机器必须重置。由于这些限制，科学界开始提出了一个关键问题：我们真的需要将复杂计算的每一个部分都在量子机器上运行吗？是否可以将某些步骤交给我们现有的强大经典计算机处理，从而将珍贵的量子硬件留给那些真正不可或缺的任务？

David Vesterlund 的一项最新系统性综述探讨了这一确切问题，审查了 2018 年至 2026 年间发表的六十项试图减轻量子硬件负担的研究。作者将这种努力称为“语义量子最小化”（semantic quantum minimization），即探讨一个计划中的量子任务是否真的需要在其当前形式下存在。该综述揭示了该领域的一个显著差距：虽然研究人员已经开发出了数十种巧妙的技巧来减少量子使用量，但目前还没有任何软件系统能够自动决定特定的任务应该移动到经典计算机上，还是保留在量子计算机上。相反，现有的系统只是调度已经定义好的任务，询问的是“这个任务应该在哪里运行？”，而不是“这个任务是否真的需要在量子机器上运行？”

该综述将这六十项研究组织成一张清晰的图谱，展示了研究人员试图节省量子资源的地点和方式。他们发现，这些方法在科学过程的四个主要阶段发挥作用。首先，在构建量子电路之前，研究人员可以简化问题本身，例如移除图中不必要的连接，或选择更高效的数据表示方式。第二，在算法设计期间，可以通过剪枝不必要的步骤或使用数学捷径来减少所需的逻辑门数量。第三，在机器运行时，可以优化测量方式或将相似任务分组以更高效地运行。最后，在量子模型训练完成后，有时可以用一个模拟其行为的经典版本来替换量子组件，从而仅在未来的训练中保留量子硬件。

尽管这些方法极具创意，但该综述强调了现实世界测试的严重匮乏。作者发现，近三分之二的研究（即 62.1%）仅在经典计算机的模拟中进行测试，而在模拟中噪声和误差往往被忽略了。只有极小比例（约 17%）在具有足够量子比特、可被视为大规模实验的实际量子硬件上进行了验证。这意味着对于大多数提出的节省方案，我们尚不知道它们在面对物理量子设备的混乱现实时是否依然有效。此外，这些研究很少报告将工作转移到经典计算机所带来的成本。虽然它们自豪地宣布节省了多少量子次数，但几乎从未提及为了实现这种节省，其经典计算机消耗了多少额外的处理时间、能量或计算能力。事实上，零篇论文报告了能耗，只有不到 12% 的论文报告了其中央处理器的运行时间。

该论文还引入了一个框架，用以更诚实地衡量这些权衡。它建议，只有当在经典计算机上执行相同任务的成本不是高得离谱时，节省量子时间才算是一次胜利。例如，一种方法可能节省了十分钟的量子时间，但却需要五百万小时的图形处理器（GPU）算力来完成同样的工作，这实际上是净损失。综述显示，虽然某些技术（如将测量结果分组）能以几乎没有额外成本的方式带来巨大收益，但其他技术（如尝试在经典计算机上模拟量子电路）可能会消耗指数级的经典算力，从而在处理大规模问题时变得不切实际。

或许最重要的发现是，该领域缺乏一种统一的方法来结合这些技术。只有约 8.6% 的研究尝试同时使用不止一种方法。大多数研究人员都在孤立地工作，完善某一个特定的技巧，而没有观察它如何与其他技巧相互作用。作者认为，下一个重大步骤不仅是寻找更多减少量子使用量的方法，而是建立一个能够自动审视整个工作流、决定哪些部分可以移至经典计算机、并重新组织整个流程以最小化量子机器负载的系统。在这样的系统出现之前，研究人员只能凭直觉手动猜测哪些实验部分值得占用稀缺且昂贵的量子处理器资源，且往往缺乏对这些选择之完整成本的清晰认识。

综述总结道，何时使用量子计算机的问题不仅仅取决于可用的量子比特数量，更取决于问题的性质和所需的保真度。作者认为，认为一个问题一旦超过一定规模（例如二十个量子比特）就一定需要量子计算机的想法是一种误解。经典方法已经证明，对于特定类型的计算，它们能够模拟规模大得多的系统。真正的挑战在于确定经典计算机何时无法提供所需的精度，以及何时量子机器的独特属性成为唯一的可行路径。通过将这一决策过程形式化，该领域可以从临时性的优化转向系统性的策略，确保量子资源仅在真正需要时才被使用。

技术摘要：量子工作流何时应当调用 QPU？

问题陈述

量子处理器单元（QPU）目前处于稀缺、昂贵且面临显著排队等待时间的阶段。虽然传统的量子计算工作流将 QPU 视为变分算法（如 VQE、QAOA）的主要计算引擎，但越来越多的文献表明，并非量子实验生命周期中的所有部分都需要量子硬件。

本文识别的核心问题是：缺乏一个系统性的框架来确定一次计划中的 QPU 操作是否真的必要。现有的工作流系统（如 QCSC、Qurator、Fluence）侧重于调度（决定任务在何处运行）或后端选择（在模拟器与 QPU 之间进行选择），但没有一个系统能够自动判断是否应该存在某个量子任务。此外，该领域存在方法碎片化、资源置换缺乏标准化指标，以及在将工作从 QPU 卸载时所产生的经典计算成本被系统性低报的问题。

研究方法

本文呈现了一项针对 2018 年至 2026 年间发表的 60 项研究进行的系统性映射综述（Systematic Mapping Review）。本综述遵循了系统性映射研究指南（Petersen 等人）和 PRISMA 2020 报告标准。

检索策略： 通过四个概念块（量子资源、缩减项、经典置换、工作流术语）构建查询语句，并利用数据库（arXiv、IEEE Xplore、ACM 等）及出版商平台进行检索。
雪球检索法： 由于缺乏关于“QPU 最小化”的通用词汇（例如，关于热启动或电路切割的论文很少自我标识为此类），作者采用了向后和向前雪球检索法，直到达到饱和状态。
语料库： 最终语料库由 60 项研究组成，分为核心语料库（52 篇直接减少量子资源向量的论文）和相邻系统语料库（8 篇关于调度/编排的论文）。
数据提取： 使用结构化模式提取元数据、干预点、变换语义、证据成熟度和资源置换数据。

核心贡献

1. 多维分类法

作者引入了一个包含三个独立维度的分类法，用于对 QPU 最小化方法进行分类：

维度 1：干预点（4 个层级，12 个点）：
- 第 1 层（问题/表示）： 预处理、表示缩减、初始化。
- 第 2 层（算法/电路）： 参数优化、电路设计、分解。
- 第 3 层（执行/测量）： 执行路由、批处理、测量优化、采样（shot）优化。
- 第 4 层（摊销/混合化）： 量子/经典划分、后训练部署。
维度 2：变换语义（形式化为 DAG 操作）：
方法根据其对工作流有向无环图（DAG）的影响进行分类：
- 消除 (Eliminate)： 移除节点（例如，仅限经典的求解器）。
- 替换 (Replace)： 用经典操作进行替代（例如，代理模型、张量网络）。
- 压缩 (Compress)： 减少资源需求（例如，稀疏化、自适应采样）。
- 复用/摊销 (Reuse/Amortize)： 缓存或传递结果（例如，参数传递）。
- 推迟 (Defer)： 延迟执行（例如，候选筛选）。
- 批处理 (Batch)： 合并操作（例如，寄存器打包）。
维度 3：证据维度：
- 语义保证 (G)： 范围涵盖从精确（Exact）到启发式（Heuristic）。
- 证据成熟度 (E)： 范围涵盖从理论（E0）到生产部署（E5）。
- 硬件规模 (S) 与部署成熟度 (D)。

2. 语义化 QPU 最小化的形式化

本文将语义 QPU 最小化定义为一个多目标帕累托优化问题。目标是找到一组工作流变换 $T$ ，在满足以下条件时，使量子资源向量 $R_Q$ 和经典置换成本 $C_C$ 最小化：

效用约束（ $U(T(W)) \ge U(W) - \epsilon$ ）
经典资源预算（ $C_C \le B_C$ ）
墙钟时间预算（ $T_{wall} \le B_T$ ）

该形式化区分了调度（在哪里运行）与语义最小化（是否运行）。

3. 资源置换框架

作者提出了一个使用三个有符号量来评估权衡的框架：

$S_Q$ ：量子节省（正值表示节省）。
$C_C$ ：经典置换成本（正值表示额外成本）。
$L_U$ ：效用损失（正值表示性能下降）。
该框架强调，如果会导致过高的经典成本（例如，巨大的 GPU 时间），那么减少 QPU 使用并不一定是有益的。

关键结果

1. 证据成熟度与验证

模拟主导： 62.1% 的方法类论文仅在模拟层面运行（E1–E2）。
硬件验证： 仅 17.2% 的论文达到了硬件证据水平 E4+（规模 $\ge$ 20 个量子比特的硬件实验）。
语义保证： G-精确（G-Exact）方法主要存在于模拟层面（E1）。经硬件验证的方法（E4+）则主要为 G-近似（G-Approximate）或 G-启发式（G-Heuristic）。

2. 变换有效性

替换与压缩： 这些变换类型产生了最大的单个 QPU 资源维度减少。
- 代理模型（Surrogates） 实现了数量级的减少。
- 测量分组（Measurement grouping） 实现了高达 100 倍的减少。
组合使用： 仅 8.6% 的论文结合了多种技术。关于协同或叠加效应的严谨证据几乎不存在。

3. 系统性报告缺失

经典资源低报： 关于卸载工作的经典成本数据严重缺失。
- 0% 的论文报告了能耗。
- 5.8% 的论文报告了 GPU 时间。
- 11.5% 的论文报告了 CPU 时间。
- 仅 15.4% 的论文报告了 QPU 墙钟时间。
工作流系统： 对现有系统（QCSC、Qurator、Fluence、CONQURE、QFaaS、Q-IRIS、Catalyst、CUDA-Q）的分析显示，没有任何一个执行自动化的语义 QPU 最小化。它们进行调度或编译，但不进行基于效用约束来消除或替换计划中的 QPU 操作的工作流变换。

4. 研究空白

综述识别了 10 个特定的空白，包括：

缺乏标准化的资源-置换指标。
缺乏语义上的 QPU 必要性分析。
质量保持测试不足（缺乏标准化的 $\epsilon$ 容差）。
将模拟器节省与硬件加速混淆。
缺乏统一的 QPU 规避框架。

意义与主张

本文声称，该领域已达到这样一个阶段：问题不再仅仅是“如何改进量子算法”，而是“哪些部分可以在整个生命周期中移出 QPU”。

这项工作的首要意义在于识别了一个根本性的差距：虽然存在许多孤立减少 QPU 消耗的技术，但目前还没有一个系统能够自动确定在端到端工作流中，特定任务是否需要调用 QPU。作者认为，“经典可模拟性并非量子比特的截断点”，并且许多当前的工作流可以在调用稀缺的 QPU 资源之前，围绕经典/HPC 计算进行重组。

文章总结道，语义 QPU 最小化代表了一个必须在调度之前进行的独立优化层。它呼吁开发实现以下流程的软件系统：调研 $\to$ 形式化 $\to$ 经验验证 $\to$ 软件系统，以实现量子节省与经典置换成本之间的权衡运营化。