Où faut-il exécuter un circuit quantique ? Un ordonnanceur sensible à la charge peut estimer la meilleure correspondance pour chaque tâche avant une compilation coûteuse

Pourquoi un circuit quantique s’adapte mieux à certains processeurs qu’à d’autres

Un circuit quantique ressemble à une recette écrite dans une langue abstraite. Il liste des portes, des qubits et l’ordre dans lequel les opérations doivent se produire. Dans un cloud quantique réel, il devient plusieurs objets, car chaque processeur a son propre corps physique. Une machine peut avoir plus de qubits, ou les placer de façon à ce que seuls certains voisins puissent communiquer directement. Ses instructions natives peuvent inclure certaines rotations mais pas d’autres. Son profil de bruit peut rendre un type d’erreur fréquent et en garder un autre rare.

Quand un circuit est envoyé vers un QPU précis, un compilateur le réécrit dans la langue native de cette machine. Cette étape choisit quels qubits physiques portent les rôles logiques. Elle insère aussi des portes supplémentaires pour déplacer l’information là où elle est nécessaire, et elle adapte les opérations aux contraintes locales. Ces choix peuvent modifier la fidélité attendue de l’exécution finale. Les dispositifs quantiques sont bruités, et de petites erreurs peuvent s’accumuler à mesure que la séquence compilée s’allonge. Le même circuit peut donc avoir des fidélités attendues très différentes, car chaque QPU le compile différemment.

Une façon simple de trouver la meilleure machine consisterait à compiler chaque circuit sur tous les QPU disponibles. Pour un lot de k circuits et D dispositifs, cela signifie k fois D compilations, alors que seuls k programmes sont réellement exécutés. Le coût est réel, car la compilation peut être lente, surtout pour les grands circuits. Ses parties les plus difficiles concernent le placement des qubits et le routage de l’information à travers une disposition limitée. La même entrée peut donc convenir bien à un QPU et mal à un autre avant tout début d’exécution. Le choix du dispositif devient alors un problème pratique, car compiler pour chaque dispositif gaspillerait du temps et de la capacité cloud.

Comment un modèle de graphe lit un circuit avant compilation

Avant tout début de compilation, le circuit est transformé en un graphe qu’un système d’apprentissage automatique peut inspecter. Chaque porte devient un nœud, et les flèches entre nœuds enregistrent quelles opérations doivent se produire avant d’autres. Cette disposition préserve l’ordre du calcul sans demander à un compilateur de le résoudre à nouveau sur chaque dispositif.

Ensuite, chaque nœud opération reçoit une description numérique construite à partir de quarante valeurs soigneusement choisies. Vingt-huit de ces nombres identifient le type de porte, afin que le modèle puisse distinguer une rotation d’une mesure. Six autres encodent les angles de rotation au moyen du sinus et du cosinus, ce qui garde les valeurs d’angle répétées lisses plutôt qu’à pic. Les six dernières enregistrent des faits structurels, comme le nombre de qubits utilisés par la porte ou si elle se trouve sur un chemin de dépendance long.

Elles notent aussi combien d’opérations précèdent cette porte et combien la suivent, ce qui donne au modèle une idée de sa position. L’encodeur de graphe laisse ensuite chaque nœud rassembler des informations auprès de ses voisins immédiats dans ce réseau de dépendances. À chaque couche, une porte combine les informations des opérations directement avant et après elle dans le circuit.

Les couches plus profondes élargissent cette vue, si bien que les caractéristiques ultérieures peuvent refléter de longues chaînes de dépendances plutôt que seulement les types de portes locaux. L’encodeur utilise deux groupes de telles couches, et le second groupe fait avancer les informations antérieures par des connexions résiduelles.

Cette conception aide les circuits complexes à conserver un signal utile en traversant de nombreuses transformations successives à l’intérieur du réseau. Après chaque étape d’agrégation, une normalisation rééchelonne les valeurs afin que les couches ultérieures puissent s’entraîner plus stably. Une activation non linéaire permet ensuite au modèle de représenter des motifs au-delà de simples moyennes des portes voisines.

Le dropout supprime aléatoirement certaines caractéristiques apprises pendant l’entraînement, ce qui réduit le surapprentissage à un ensemble particulier d’exemples. Le modèle peut aussi traiter le graphe du circuit dans les deux directions lors d’un seul passage par l’encodeur.

Une direction suit l’ordre naturel des entrées vers les sorties, tandis que la direction inverse permet à chaque opération d’apprendre ce qui se passe après elle. Ce mode optionnel est traité comme un choix de conception, pas comme une exigence fixe de la méthode.

À la fin, toutes les descriptions de nœuds sont combinées par moyenne, maximum élément par élément et somme. La moyenne capture la structure typique, le maximum préserve des caractéristiques inhabituellement fortes, et la somme conserve l’information sur la taille globale du circuit.

Ces trois résumés sont concaténés, donnant un portrait numérique compact de tout le circuit avant que toute compilation spécifique à un dispositif ne commence.

Un réglage qui échange la fidélité contre une utilisation équilibrée des machines

L’ordonnanceur garde une seule molette, appelée poids de fidélité, et elle modifie ce que le système valorise le plus quand un lot de circuits attend. À zéro, la molette ignore la qualité prédite et répartit uniformément le travail entre les processeurs disponibles, comme dans un ordonnancement round robin. À un, elle envoie chaque circuit vers le processeur qui semble le mieux adapté à ce circuit, même si une machine reçoit beaucoup plus de tâches qu’une autre.

Entre ces deux extrêmes, l’ordonnanceur accepte une petite perte de probabilité de succès attendue afin que plusieurs machines puissent tourner en même temps et que tout le lot se termine plus tôt.

Pour chaque circuit en attente, l’ordonnanceur note chaque dispositif avec deux termes. Le premier terme est le poids de fidélité multiplié par la fidélité prédite pour ce dispositif. Le second terme soustrait un moins le poids de fidélité fois la part de charge actuelle du dispositif.

La part de charge signifie la fraction des circuits déjà attribués à cette machine dans le tour d’envoi actuel. Un dispositif qui a reçu beaucoup de tâches devient moins attractif, tandis qu’un dispositif calme gagne un avantage. Comme le score utilise les fidélités prédites brutes plutôt que des rangs normalisés, une mince avance en qualité ne surmonte pas facilement une pénalité de charge lourde.

Une grande avance en qualité peut la dominer.

Le poids agit donc comme un taux d’échange entre qualité et équilibre. Il fixe combien de travail supplémentaire un processeur peut absorber pour chaque unité d’avantage en fidélité prédite. Quand le poids est bas, le système favorise l’étalement des tâches ; quand il monte vers un, les circuits fortement préférés sont déplacés tôt vers leurs meilleurs dispositifs, tandis que les circuits moins préférés restent plus longtemps sur des machines occupées.

L’attribution se fait circuit par circuit, et après chaque choix, le compteur de charge du dispositif choisi augmente immédiatement. Les circuits suivants voient cette pénalité mise à jour, si bien qu’une série de circuits compatibles ne peut pas s’accumuler accidentellement sur un seul processeur.

Ce qui se passe quand 5 117 circuits rencontrent trois profils de processeurs

Lorsqu’on teste le lot de 5 117 circuits contre trois profils de processeurs, EQE1 Top, EQE1 Bottom et QExa20, les résultats montrent un compromis clair entre qualité et utilisation uniforme. Le jeu de test a un motif de préférence marqué : 55,6 % des circuits s’exécutent le mieux sur EQE1 Bottom, 35,1 % sur QExa20, et seulement 9,3 % sur EQE1 Top.

Une stratégie qui choisirait toujours la plus haute fidélité réelle enverrait donc la plupart du travail vers une seule machine. Dans un système réel avec une capacité d’exécution limitée, ce déséquilibre pourrait créer des files d’attente tandis que d’autres processeurs resteraient inactifs.

Le round robin ignore la fidélité et répartit uniformément le travail, mais sa fidélité réelle moyenne n’est que de 0,3436. Le choix idéal en qualité, qui connaît le meilleur dispositif réel de chaque circuit et ignore la charge, atteint 0,3759. Cet écart de 0,032 sur une échelle de zéro à un est la quantité de qualité qu’un ordonnanceur peut échanger contre l’équilibre.

L’ordonnanceur basé sur la prédiction se déplace en douceur entre ces extrêmes lorsque son poids de fidélité augmente. À un poids modéré de 0,5, il atteint une fidélité réelle moyenne de 0,3675, soit une amélioration de 7,0 % par rapport au round robin.

La charge reste bien répartie, avec un coefficient de variation entre dispositifs de seulement 0,069. À poids 0,7, la qualité monte à 0,3703, un gain de 7,8 %, tandis que le déséquilibre reste modéré à 0,149.

La dernière étape vers une sélection purement qualitative apporte peu d’avantage supplémentaire. Porter le poids à son maximum augmente la fidélité de 0,3703 à 0,3737, environ 0,9 point de pourcentage de plus, mais le déséquilibre de charge saute brusquement à un coefficient de variation de 0,884.

La plupart des circuits se concentrent alors sur EQE1 Bottom. Le bon compromis pratique se situe donc bien avant que l’ordonnanceur ne devienne purement qualitatif.

La politique basée sur la prédiction reste aussi proche de la meilleure version possible qui utilise les fidélités exactes. Sur tout le balayage, elle demeure dans un écart de 0,0034 par rapport à cette borne supérieure.

À poids de fidélité maximal, les deux politiques choisissent le même dispositif pour environ 80 % des circuits. Les désaccords restants ont tendance à se produire quand la différence de qualité entre dispositifs est faible, si bien que choisir le mauvais coûte peu.

La perte médiane de fidélité par circuit due à l’erreur de prédiction reste à zéro tout au long du balayage.

Choisir la bonne machine quantique avant que la compilation ne commence

Ce qui émerge est une couche d’ordonnancement qui déplace la décision la plus difficile plus tôt, de après compilation à avant.

Au lieu de compiler chaque circuit sur chaque processeur, le système lit le circuit non compilé comme un graphe et estime avec quelle fidélité chaque dispositif l’exécuterait.

Le gain inclut à la fois précision et temps, car la compilation peut être lente quand les circuits grandissent.

Une seule molette décide ensuite combien de cet avantage prédit doit être dépensé pour garder tous les dispositifs occupés.

Quand la molette est basse, le travail s’étale uniformément ; quand elle monte, les circuits se déplacent vers les machines où ils sont censés s’exécuter au mieux.

Sur un lot de 5 117 circuits et trois processeurs différents, cet équilibre paie.

L’ordonnanceur qui utilise des fidélités prédites atteint une fidélité réelle moyenne de 0,3737 au réglage le plus orienté vers la précision, tandis que la borne supérieure idéale à fidélité connue est de 0,3759.

Il reste dans un écart de 0,0034 par rapport à cette borne supérieure pour chaque poids testé.

L’attribution round robin n’atteint que 0,3436, si bien que l’amélioration n’est pas un simple effet d’arrondi.

Le prédicteur lui-même est assez proche pour être utile, avec une erreur moyenne d’environ un point de pourcentage et une erreur quadratique moyenne près de deux.

Ses cas les plus difficiles sont des circuits dont la fidélité réelle tombe entre environ dix et quarante pour cent, mais même là l’erreur groupée reste sous quatre points de pourcentage.

La leçon plus large est que les clouds quantiques peuvent devoir traiter le choix du dispositif comme une décision de ressource en direct plutôt qu’un appariement unique.

L’opportunité est une couche d’ordonnancement qui apprend de la structure des circuits, respecte la charge actuelle et peut échanger fidélité contre utilisation équilibrée des machines.

L’obstacle est que les prédictions doivent rester fiables alors que les dispositifs changent, que les circuits grandissent et que les données d’étalonnage dérivent.

Un autre obstacle est l’équité : si la plupart des circuits préfèrent un backend, une politique purement fidélistique peut affamer les autres.

L’étape suivante est de tester ce type d’ordonnancement sur des flottes plus grandes, des dispositifs plus bruités et des charges qui arrivent en temps réel.

Si la prédiction reste assez proche de la vérité, le gain discret sera moins de compilations gaspillées et davantage de minutes quantiques utiles.

La prochaine génération de clouds quantiques choisira-t-elle les machines par instinct, ou par un sens appris de l’endroit où chaque circuit appartient ?