An ML-Based Hybrid Task Scheduler for Classical–Quantum Computing Environments Using Real Graph-Derived Workloads
本文提出了一种基于机器学习的混合任务调度器，该调度器利用真实的图衍生工作负载优化了经典处理器与量子处理器之间的资源分配，并证明了其在完成时间、跨度（makespan）和吞吐量方面均优于传统及基于规则的基准方案。
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
在现代计算不断演进的格局中，两个截然不同的世界正开始融合。一方是经典计算机，即我们在办公室和家庭中常见的熟悉机器，它使用非零即一的比特来处理信息。另一方是量子计算机，一种专门的机器，它使用量子比特（qubits）来同时探索许多可能性。虽然量子机器有望比其经典对手更快地解决某些复杂问题，但它们目前还不是通用的替代品。它们通常难以获取，需要极端的条件才能运行，并且在执行单项任务时可能设置缓慢。这种现实催生了混合环境，在这种环境下，系统必须实时决定是将特定的作业运行在标准处理器上，还是将其发送到量子处理器。挑战在于如何高效地做出这一选择：将任务发错机器会浪费时间，而发往正确的机器则能释放巨大的速度潜力。
加纳能源与自然资源大学的研究人员通过构建一个能够学习如何做出决策的智能系统，解决了这一调度难题。他们没有依赖于在条件变化时可能会失效的固定规则，而是训练了一个机器学习模型来充当计算任务的“交通控制器”。为了教导这个系统，他们没有使用虚构的数据。他们从一个真实的维基百科投票系统交互网络中开始，这是一个用户之间连接的庞大图谱。从这个复杂的网络中，他们提取了数百个较小的、相互连接的用户群体作为测试案例。每个群体都代表了一种被称为“最大剪切”（Max-Cut）问题的特定优化问题，该问题涉及将一个网络分为两组，以使两组之间的连接数达到最大。
随后，研究团队将每一个测试案例都通过两条路径运行。首先，他们使用标准的经典计算机求解，以观察其耗时和解的质量。其次，他们将同样的问题通过模拟量子工作流进行处理，该流程模拟了真实量子处理器的行为，包括准备机器所需的时间以及运行计算所需的时间。至关重要的是，他们不仅仅关注机器的原始速度。他们还模拟了不同的拥塞程度，或称“队列压力”，以观察等待时间如何影响运行任务的总成本。有时量子机器处于空闲且易于设置的状态；有时则则因排队等待任务过多而出现积压。通过将图问题的结构细节与这些变化的系统状况相结合，他们创建了一个丰富的数据集，从而教会了计算机何时选择经典路径，何时选择量子路径。
结果表明，一个简单的机器学习模型，具体来说是基于逻辑回归的模型，可以学习以惊人的准确度做出这些放置决策。在测试中，这个学习型调度器能为近 98% 的任务正确识别出最佳资源。与其他方法相比，该智能调度器的表现优于所有任务都发往经典计算机的系统、所有任务都发往量子计算机的系统，甚至优于遵循一套预设手动规则的系统。该学习型调度器实现了最快的整体完成时间和最高的每秒完成任务数。它有效地平衡了负载，使得系统等待任务完成的总时间比基于规则的方法显著降低。
对计算机所学内容的深入观察揭示了一个令人惊讶的洞察：决定将任务发送到何处的最重要因素并非问题本身的复杂度，而是系统的当前状态。该模型最关注的是任务在经典计算机与量子机器之间等待的时间长短。如果经典队列很长，系统更有可能将任务发送到量子处理器，即使量子机器本身存在开销。反之，如果量子队列积压，系统就会将任务保留在经典端。这表明，在混合环境中，最佳策略不是关于哪个问题属于哪台机器的僵化规则，而是一种响应实时拥塞的灵活方法。研究发现，虽然问题的规模很重要，但相对于即时资源的可用性而言，它是次要的。
研究人员还发现，即使在模拟中，量子工作流产生的解也几乎与经典解一样好，准确率接近 99.8%。这意味着，只要系统能够管理好时机，量子路径对于这些任务来说是一个可行的选择。这项研究并不声称量子计算机现在已经比经典计算机更快解决所有问题；事实上，模拟显示对于小型任务，经典计算机在原始执行时间上通常更快。只有当系统学会利用经典资源紧张的时刻将任务路由至量子机器时，量子机器的价值才得以体现。
最终，这项工作证明了管理经典与量子混合资源需要一种动态的、数据驱动的方法。通过将任务放置视为一个学习问题而非静态规则，系统可以适应需求的变化。研究结果表明，随着量子技术趋于成熟并与经典基础设施更加集成，基于当前状况做出这些瞬时决策的能力，将与机器本身的原始算力同样重要。该研究提供了一个构建此类智能调度器的实用蓝图，证明了只要拥有正确的数据，计算机就可以学会如何应对混合未来的复杂性。
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。