Dove dovrebbe essere eseguito un circuito quantistico? Un pianificatore sensibile al carico può stimare la migliore corrispondenza per ogni lavoro prima della costosa compilazione

Perché un circuito quantistico si adatta meglio ad alcuni processori che ad altri

Un circuito quantistico sembra una ricetta scritta in un linguaggio astratto. Elenca porte, qubit e l’ordine in cui le operazioni devono avvenire. In un cloud quantistico reale diventa più oggetti perché ogni processore ha il proprio corpo fisico. Una macchina può avere più qubit o disporli in modo che solo determinati vicini possano parlare direttamente. Le sue istruzioni native possono includere alcune rotazioni ma non altre. Il suo profilo di rumore può rendere comune un tipo di errore e mantenere raro un altro.

Quando un circuito viene inviato a uno specifico QPU, un compilatore lo riscrive nel linguaggio nativo di quella macchina. Questa fase sceglie quali qubit fisici svolgano i ruoli logici. Inserisce anche porte aggiuntive per spostare le informazioni dove servono e adatta le operazioni ai vincoli locali. Queste scelte possono cambiare la fedeltà attesa dell’esecuzione finale. I dispositivi quantistici sono rumorosi e piccoli errori possono accumularsi man mano che la sequenza compilata si allunga. Lo stesso circuito può quindi avere fedeltà attese molto diverse, poiché ogni QPU lo compila in modo diverso.

Un modo semplice per trovare la macchina migliore sarebbe compilare ogni circuito su ogni QPU disponibile. Per un lotto di k circuiti e D dispositivi, ciò significa k volte D compilazioni anche se vengono eseguiti solo k programmi. Il costo è reale perché la compilazione può essere lenta, soprattutto per circuiti grandi. Le sue parti più difficili riguardano il posizionamento dei qubit e l’instradamento delle informazioni attraverso un layout limitato. Lo stesso input può quindi essere una buona corrispondenza per un QPU e una scarsa corrispondenza per un altro prima che inizi qualsiasi esecuzione. Ciò rende la scelta del dispositivo un problema pratico, poiché compilare per ogni dispositivo sprecherebbe tempo e capacità cloud.

Come un modello a grafo legge un circuito prima della compilazione

Prima che inizi qualsiasi compilazione, il circuito viene trasformato in un grafo che un sistema di apprendimento automatico può ispezionare. Ciascuna porta diventa un nodo e le frecce tra i nodi registrano quali operazioni devono avvenire prima di altre. Questo layout preserva l’ordine del calcolo senza chiedere a un compilatore di risolverlo di nuovo su ogni dispositivo. Dopo ciò, ciascun nodo di operazione riceve una descrizione numerica costruita da quaranta valori accuratamente scelti. Ventotto di questi numeri identificano il tipo di porta, in modo che il modello possa distinguere una rotazione da una misurazione. Altri sei codificano gli angoli di rotazione usando seno e coseno, il che mantiene i valori degli angoli ripetuti fluidi anziché bruschi. Gli ultimi sei registrano fatti strutturali, come quante qubit usa la porta e se si trova su un percorso di dipendenza lungo. Notano anche quante operazioni precedono quella porta e quante seguono, dando al modello una sensazione di posizione. Il codificatore a grafo consente poi a ciascun nodo di raccogliere informazioni dai suoi vicini immediati in questa rete di dipendenza. In ogni strato, una porta combina le informazioni dalle operazioni direttamente prima e dopo di essa nel circuito. Gli strati più profondi allargano quella visione, in modo che i successivi tratti possano riflettere catene più lunghe di dipendenze anziché solo tipi di porte locali. Il codificatore usa due gruppi di tali strati e il secondo gruppo trasmette le informazioni precedenti attraverso connessioni residue. Quel design aiuta i circuiti complessi a mantenere un segnale utile mentre attraversano molte trasformazioni successive all’interno della rete. Dopo ogni passo di aggregazione, la normalizzazione ricalibra i valori in modo che gli strati successivi possano addestrarsi più stabilmente. Un’attivazione non lineare consente poi al modello di rappresentare modelli oltre semplici medie delle porte vicine. Il dropout sopprime casualmente alcuni tratti appresi durante l’addestramento, il che riduce l’eccessivo adattamento a un particolare insieme di esempi. Il modello può anche elaborare il grafo del circuito in entrambe le direzioni durante una singola passata attraverso il codificatore. Una direzione segue l’ordine naturale dagli input agli output, mentre la direzione inversa consente a ciascuna operazione di apprendere ciò che accade dopo di essa. Questa modalità opzionale è trattata come una scelta progettuale, non come un requisito fisso del metodo. Alla fine, tutte le descrizioni dei nodi vengono combinate facendo la loro media, prendendone il massimo elemento per elemento e sommandole. La media cattura la struttura tipica, il massimo preserva tratti insolitamente forti e la somma mantiene informazioni sulla dimensione complessiva del circuito. Queste tre sintesi sono concatenate, fornendo un ritratto numerico compatto dell’intero circuito prima che inizi qualsiasi compilazione specifica per dispositivo.

Una manopola che scambia fedeltà contro uso bilanciato delle macchine

Il pianificatore mantiene una sola manopola, chiamata «peso di fedeltà», e cambia ciò che il sistema valuta di più quando un lotto di circuiti è in attesa. A zero, la manopola ignora la qualità prevista e distribuisce uniformemente il lavoro tra i processori disponibili, molto come la pianificazione round-robin. A uno, invia ogni circuito al processore che sembra migliore per quel circuito, anche se una macchina riceve molti più lavori di un’altra. Tra quegli estremi, il pianificatore accetta una piccola perdita nella probabilità attesa di successo in modo che più macchine possano funzionare contemporaneamente e l’intero lotto finisca prima.

Per ogni circuito pendente, il pianificatore assegna a ciascun dispositivo due termini. Il primo termine è il peso di fedeltà moltiplicato per la fedeltà prevista per quel dispositivo. Il secondo termine sottrae uno meno il peso di fedeltà per la quota di carico attuale del dispositivo. Quota di carico significa la frazione di circuiti già assegnati a quella macchina nell’attuale giro di invio. Un dispositivo che ha ricevuto molti lavori diventa meno attraente, mentre un dispositivo tranquillo guadagna un vantaggio. Poiché il punteggio usa le fedeltà previste grezze anziché ranghi normalizzati, un piccolo vantaggio di qualità non supera facilmente una pesante penalità di carico. Un grande vantaggio di qualità può dominarla.

Il peso agisce quindi come un tasso di cambio tra qualità ed equilibrio. Stabilisce quanto carico aggiuntivo un processore possa assorbire per ciascuna unità di vantaggio previsto in fedeltà. Quando il peso è basso, il sistema favorisce la distribuzione dei lavori; quando sale verso uno, i circuiti fortemente preferiti vengono spostati presto sui loro dispositivi migliori, mentre i circuiti meno preferiti restano più a lungo su macchine più occupate. L’assegnazione avviene un circuito alla volta e dopo ogni scelta il contatore di carico del dispositivo scelto aumenta immediatamente. I circuiti successivi vedono quella penalità aggiornata, in modo che una serie di circuiti compatibili non possa accumularsi per caso su un solo processore.

Cosa è successo quando 5117 circuiti hanno incontrato tre profili di processore

Quando il lotto di 5117 circuiti è stato testato contro tre profili di processore, EQE1 Top, EQE1 Bottom e QExa20, i risultati mostrano un chiaro scambio tra qualità e uso uniforme. L’insieme di test aveva un forte schema di preferenza: il 55,6% dei circuiti funzionava meglio su EQE1 Bottom, il 35,1% su QExa20 e solo il 9,3% su EQE1 Top. Una strategia che sceglie sempre la massima fedeltà reale invierebbe quindi la maggior parte del lavoro a una macchina. In un sistema reale con capacità di esecuzione limitata, quel squilibrio potrebbe creare code mentre altri processori restano inattivi.

Il round robin ignora la fedeltà e distribuisce uniformemente il lavoro, ma la sua fedeltà media ground-truth è solo 0,3436. La scelta ideale di qualità, che conosceva il miglior dispositivo reale per ciascun circuito e ignorava il carico, raggiunge 0,3759. Quel divario di 0,032 su una scala da zero a uno è la quantità di qualità che qualsiasi pianificatore può scambiare con l’equilibrio.

Il pianificatore basato sulla previsione si muove fluidamente tra quegli estremi man mano che il suo peso di fedeltà sale. A un peso moderato di 0,5, raggiunge una fedeltà media ground-truth di 0,3675, che è un miglioramento del 7,0% rispetto al round robin. Il carico resta ben distribuito, con un coefficiente di variazione tra dispositivi di solo 0,069. A peso 0,7, la qualità sale a 0,3703, un guadagno del 7,8%, mentre lo squilibrio rimane modesto a 0,149.

L’ultimo passo verso la selezione pura di qualità porta poco beneficio aggiuntivo. Portare il peso al suo massimo aumenta la fedeltà da 0,3703 a 0,3737, circa 0,9 punti percentuali in più, ma lo squilibrio del carico salta bruscamente a un coefficiente di variazione di 0,884. La maggior parte dei circuiti si concentra quindi su EQE1 Bottom. Il punto pratico ottimale era quindi ben prima che il pianificatore diventasse solo qualità.

La politica basata sulla previsione resta anche vicina alla versione migliore possibile che usava fedeltà esatte. In tutta la scansione, rimane entro 0,0034 di quel limite superiore. A peso di fedeltà pieno, le due politiche scelgono lo stesso dispositivo per circa l’80% dei circuiti. Le restanti divergenze tendono a verificarsi quando la differenza di qualità tra dispositivi è piccola, in modo che scegliere quello sbagliato costa poco. La perdita mediana di fedeltà per circuito dovuta all’errore di previsione resta a zero durante tutta la scansione.

Scegliere la macchina quantistica giusta prima che inizi la compilazione

Ciò che emerge è uno strato di pianificazione che sposta la decisione più difficile prima, da dopo la compilazione a prima di essa. Invece di compilare ogni circuito su ogni processore, il sistema legge il circuito non compilato come un grafo e stima quanto fedelmente ciascun dispositivo lo eseguirebbe. Il guadagno include sia accuratezza che tempo, perché la compilazione può essere lenta quando i circuiti crescono. Una singola manopola decide poi quanta di quel vantaggio previsto dovrebbe essere spesa per mantenere tutti i dispositivi occupati. Quando la manopola è bassa, il lavoro si distribuisce uniformemente; quando sale, i circuiti si spostano verso le macchine dove ci si aspetta che vengano eseguiti meglio. Su un lotto di 5117 circuiti e tre processori diversi, quell’equilibrio ha dato frutti. Il pianificatore che usava fedeltà previste raggiunge una fedeltà media ground-truth di 0,3737 all’impostazione più orientata all’accuratezza, mentre il limite superiore ideale a fedeltà nota è 0,3759. Resta entro 0,0034 di quel limite superiore a ogni peso testato. L’assegnazione round robin gestisce solo 0,3436, quindi il miglioramento non è un piccolo effetto di arrotondamento. Il predittore stesso era abbastanza vicino da essere utile, con un errore medio di circa un punto percentuale e un errore quadratico medio vicino a due. I suoi casi più difficili erano circuiti la cui fedeltà reale cadeva tra circa dieci e quaranta percento, ma anche lì l’errore raggruppato restava sotto i quattro punti percentuali. La lezione più ampia è che i cloud quantistici potrebbero dover trattare la scelta del dispositivo come una decisione di risorsa in tempo reale anziché un singolo abbinamento. L’opportunità è uno strato di pianificazione che impara dalla struttura dei circuiti, rispetta il carico attuale e può scambiare fedeltà contro uso bilanciato delle macchine. L’ostacolo è che le previsioni devono restare affidabili man mano che i dispositivi cambiano, i circuiti crescono e i dati di calibrazione derivano. Un altro ostacolo è l’equità: se la maggior parte dei circuiti preferisce un backend, una politica puramente guidata dalla fedeltà può affamare gli altri. Il prossimo passo è testare questo tipo di pianificazione su flotte più grandi, dispositivi più rumorosi e carichi di lavoro che arrivano in tempo reale. Se la previsione resta abbastanza vicina alla verità, la vittoria silenziosa sarà meno compilazioni sprecate e minuti quantistici più utili. La prossima generazione di cloud quantistici sceglierà le macchine per istinto o con un senso appreso di dove appartiene ciascun circuito?