Um agendador que considera a carga estima o melhor encaixe para cada tarefa antes da compilação cara

Por que um circuito quântico funciona melhor em certos processadores do que em outros

Um circuito quântico assemelha-se a uma receita redigida em linguagem abstrata: ele lista portas, qubits e a ordem das operações. Em uma nuvem quântica real, porém, essa mesma descrição se materializa de formas distintas, pois cada processador possui sua própria arquitetura física. Uma máquina pode ter mais qubits ou dispor os existentes de modo que apenas vizinhos específicos interajam diretamente. O conjunto de instruções nativas varia: algumas portas de rotação podem estar disponíveis, enquanto outras não. Além disso, o perfil de ruído de cada dispositivo faz com que certos tipos de erro sejam frequentes e outros, raros.

Ao enviar um circuito a um QPU específico, um compilador o reescreve na linguagem nativa da máquina. Essa etapa define quais qubits físicos assumem os papéis lógicos do algoritmo. O processo também insere portas adicionais para mover informações onde necessário e adapta as operações às restrições locais. Tais escolhas alteram a fidelidade esperada da execução final. Como os dispositivos quânticos são ruidosos, pequenos erros tendem a se acumular à medida que a sequência compilada se alonga. Consequentemente, o mesmo circuito pode apresentar fidelidades esperadas muito diferentes, já que cada QPU o compila de maneira distinta.

Uma abordagem simples para identificar a melhor máquina seria compilar cada circuito em todos os QPUs disponíveis. Para um lote com k circuitos e D dispositivos, isso implicaria k vezes D compilações, mesmo que apenas k programas sejam executados de fato. O custo é significativo, pois a compilação pode ser lenta, especialmente para circuitos grandes. As etapas mais difíceis envolvem posicionar os qubits e rotear as informações através de um layout limitado. Assim, uma mesma entrada pode ser ideal para um QPU e inadequada para outro antes mesmo que qualquer execução comece. Isso torna a escolha do dispositivo um problema prático, já que compilar para todos os equipamentos desperdiçaria tempo e capacidade da nuvem.

Como o modelo de grafos interpreta o circuito antes da compilação

Antes de iniciar a compilação, o circuito é convertido em um grafo para análise por sistemas de aprendizado de máquina. Cada porta vira um nó, e as setas entre eles indicam quais operações precisam ocorrer antes das outras. Essa estrutura preserva a ordem da computação sem exigir que um compilador resolva esse problema novamente em cada dispositivo. Em seguida, cada nó recebe uma descrição numérica baseada em quarenta valores selecionados com cuidado. Vinte e oito desses números identificam o tipo de porta, permitindo ao modelo distinguir uma rotação de uma medição. Mais seis codificam os ângulos de rotação usando seno e cosseno, o que mantém a variação dos ângulos suaves em vez de abrupta quando valores se repetem. Os últimos seis registram fatos estruturais, como o número de qubits usados pela porta e se ela faz parte de um longo caminho de dependências. Eles também anotam quantas operações precedem ou seguem aquela porta, dando ao modelo uma noção de posição. O codificador do grafo então permite que cada nó colete informações dos vizinhos imediatos nessa rede de dependências. Em cada camada, a porta combina dados das operações imediatamente anteriores e posteriores no circuito. Camadas mais profundas ampliam essa visão, permitindo que os recursos finais reflitam cadeias longas de dependências, não apenas tipos locais de portas. O codificador usa dois grupos dessas camadas. O segundo grupo transmite a informação anterior adiante por meio de conexões residuais. Esse design ajuda circuitos complexos a manter um sinal útil enquanto passam por muitas transformações sucessivas dentro da rede. Após cada etapa de agregação, a normalização reescala os valores para que as camadas posteriores treinem com mais estabilidade. Uma ativação não linear permite então que o modelo represente padrões além das médias simples das portas vizinhas. O dropout suprime aleatoriamente alguns recursos aprendidos durante o treinamento, reduzindo o sobreajuste a um conjunto específico de exemplos. O modelo também pode processar o grafo do circuito em ambas as direções durante uma única passagem pelo codificador. Uma direção segue a ordem natural, das entradas para as saídas, enquanto a reversa permite que cada operação aprenda sobre o que acontece depois dela. Esse modo opcional é tratado como uma escolha de projeto, não um requisito fixo do método. No final, todas as descrições dos nós são combinadas por média, máximo elemento a elemento e soma. A média captura a estrutura típica, o máximo preserva recursos incomumente fortes e a soma mantém informações sobre o tamanho geral do circuito. Esses três resumos são concatenados, gerando um retrato numérico compacto de todo o circuito antes que qualquer compilação específica do dispositivo comece.

Um ajuste fino entre fidelidade e equilíbrio na utilização das máquinas

O agendador opera com um único parâmetro, o peso da fidelidade, que define a prioridade do sistema quando há circuitos aguardando despacho. Com valor zero, o parâmetro ignora a qualidade prevista e distribui as tarefas igualmente entre os processadores disponíveis, seguindo a lógica do rodízio (round-robin). No valor um, ele direciona cada circuito para o processador que oferece a melhor previsão de desempenho, mesmo que isso resulte em uma carga muito maior em uma máquina do que nas outras. Entre esses extremos, o agendador aceita uma pequena perda na probabilidade esperada de sucesso para permitir que várias máquinas operem simultaneamente e o lote inteiro seja concluído mais rapidamente.

Para cada circuito pendente, o sistema calcula a pontuação de cada dispositivo com base em dois termos. O primeiro é o peso da fidelidade multiplicado pela fidelidade prevista para aquele dispositivo. O segundo subtrai um menos o produto do peso da fidelidade pela participação atual da carga do dispositivo. A participação da carga representa a fração dos circuitos já atribuída àquela máquina na rodada de despacho corrente. Assim, um dispositivo que recebeu muitas tarefas torna-se menos atrativo, enquanto um equipamento ocioso ganha vantagem. Como a pontuação utiliza as fidelidades previstas brutas e não classificações normalizadas, uma pequena diferença de qualidade não supera facilmente uma penalidade alta de carga. Apenas uma vantagem significativa de desempenho consegue dominar esse fator.

O peso funciona, portanto, como uma taxa de câmbio entre qualidade e equilíbrio. Ele determina quanta carga extra um processador pode absorver por cada unidade de vantagem na fidelidade prevista. Quando o peso é baixo, o sistema prioriza a distribuição das tarefas. Quando se aproxima do valor um, os circuitos com forte preferência são movidos precocemente para seus melhores dispositivos, enquanto os menos preferidos permanecem em máquinas mais ocupadas por mais tempo. A atribuição ocorre um circuito de cada vez e, após cada escolha, o contador de carga do dispositivo selecionado aumenta imediatamente. Os circuitos subsequentes percebem essa penalidade atualizada, impedindo que uma sequência de circuitos compatíveis se acumule acidentalmente em um único processador.

Quando 5.117 circuitos foram testados contra três perfis de processadores

O teste do lote de 5.117 circuitos contra três perfis de processadores (EQE1 Top, EQE1 Bottom e QExa20) revelou um claro compromisso entre qualidade e uso equilibrado dos recursos. O conjunto de dados apresentava uma preferência acentuada: 55,6% dos circuitos executavam melhor no EQE1 Bottom, 35,1% no QExa20 e apenas 9,3% no EQE1 Top. Uma estratégia que priorizasse sempre a maior fidelidade real concentraria, portanto, a maior parte do trabalho em uma única máquina. Em um sistema real com capacidade de execução limitada, esse desequilíbrio geraria filas enquanto outros processadores permaneceriam ociosos.

O agendamento por rodízio ignorava a fidelidade e distribuía o trabalho uniformemente, mas sua fidelidade média real era de apenas 0,3436. A escolha ideal de qualidade que conhecia o melhor dispositivo para cada circuito e desconsiderava a carga alcançou 0,3759. Essa diferença de 0,032 em uma escala de zero a um representa a quantidade de qualidade que qualquer agendador pode sacrificar em troca do equilíbrio.

O agendador baseado em previsão transicionou suavemente entre esses extremos à medida que o peso da fidelidade aumentava. Com um peso moderado de 0,5, atingiu uma fidelidade média real de 0,3675, uma melhoria de 7,0% em relação ao rodízio. A carga permaneceu bem distribuída, com um coeficiente de variação entre dispositivos de apenas 0,069. Com peso 0,7, a qualidade subiu para 0,3703, um ganho de 7,8%, enquanto o desequilíbrio manteve-se modesto em 0,149.

O último passo rumo à seleção puramente por qualidade trouxe pouco benefício adicional. Elevar o peso ao máximo aumentou a fidelidade de 0,3703 para 0,3737, cerca de 0,9 ponto percentual a mais, mas o desequilíbrio da carga saltou bruscamente para um coeficiente de variação de 0,884. A maioria dos circuitos concentrou-se então no EQE1 Bottom. O ponto ideal prático situava-se, portanto, bem antes do agendador se tornar focado exclusivamente na qualidade.

A política baseada em previsão também permaneceu próxima da melhor versão possível, que utilizava fidelidades exatas. Ao longo de toda a varredura, manteve-se dentro de 0,0034 desse limite superior. Com o peso máximo de fidelidade, as duas políticas escolheram o mesmo dispositivo para cerca de 80% dos circuitos. As divergências restantes tendiam a ocorrer quando a diferença de qualidade entre os dispositivos era pequena, de modo que escolher o errado custava pouco. A perda mediana de fidelidade por circuito devido ao erro de previsão permaneceu em zero durante toda a varredura.

Antes da compilação começar, escolher a máquina quântica certa

O que se desenha é uma camada de agendamento que antecipa a decisão mais difícil: ela sai da etapa pós-compilação e vai para o início do processo. Em vez de compilar cada circuito em todos os processadores, o sistema lê o circuito ainda não compilado como um grafo e estima com qual fidelidade cada dispositivo o executaria. O ganho é duplo, em precisão e tempo, já que a compilação tende a ficar lenta conforme os circuitos crescem. Um único controle decide então quanto dessa vantagem prevista deve ser investido para manter todos os dispositivos ocupados. Quando o controle está baixo, o trabalho se distribui de forma uniforme. Quando sobe, os circuitos migram para as máquinas onde se espera que tenham melhor desempenho. Em um lote de 5.117 circuitos e três processadores diferentes, esse equilíbrio deu resultado. O agendador que usou fidelidades previstas atingiu uma fidelidade média real de 0,3737 na configuração mais voltada à precisão, enquanto o limite superior ideal com fidelidade conhecida foi de 0,3759. Ele permaneceu dentro de 0,0034 desse limite superior em todos os pesos testados. A atribuição por rodízio alcançou apenas 0,3436, portanto a melhoria não é um pequeno efeito de arredondamento. O próprio preditor foi próximo o suficiente para ser útil, com uma média de erro de cerca de um ponto percentual e um erro quadrático médio próximo de dois. Seus casos mais difíceis foram circuitos cuja fidelidade real ficava entre aproximadamente dez e quarenta por cento, mas mesmo ali o erro agrupado permaneceu abaixo de quatro pontos percentuais. A lição mais ampla é que as nuvens quânticas podem precisar tratar a escolha do dispositivo como uma decisão de recursos em tempo real, e não como um único pareamento. A oportunidade é uma camada de agendamento que aprende com a estrutura dos circuitos, respeita a carga atual e pode trocar fidelidade por uso equilibrado das máquinas. O obstáculo é que as previsões devem permanecer confiáveis à medida que os dispositivos mudam, os circuitos crescem e os dados de calibração se desviam. Outro obstáculo é a equidade: se a maioria dos circuitos preferir um único backend, uma política puramente baseada em fidelidade pode deixar os outros sem trabalho. O próximo passo é testar esse tipo de agendamento em frotas maiores, dispositivos mais ruidosos e cargas de trabalho que chegam em tempo real. Se a previsão permanecer próxima o suficiente da verdade, a vitória silenciosa será menos compilações desperdiçadas e mais minutos quânticos úteis. A próxima geração de nuvens quânticas escolherá as máquinas por instinto ou por um senso aprendido de onde cada circuito pertence?