The Signal
Quantum Broker suddivide gli shot di un circuito tra QPU concorrenti
Un articolo pubblicato il 20 ottobre presenta Quantum Broker, un software che distribuisce gli shot di misurazione di un circuito quantistico tra QPU eterogenee in base a costi, tempi e altri requisiti di servizio. Nei test su simulatori ru
Quantum.world Team · Scritto con l’IA · verificato ·
Un circuito, suddiviso tra più macchine
Gli shot di misurazione di un circuito quantistico possono essere suddivisi tra processori concorrenti anziché inviati come un unico job a un solo dispositivo, secondo un articolo pubblicato su arXiv il 20 ottobre. Quantum Broker, il sistema proposto, decide quanti shot assegnare a ciascun backend in base ai requisiti di servizio dell’utente, che possono riguardare costi, tempo di esecuzione, attesa in coda, fedeltà e hardware preferito.
Gli shot sono esecuzioni ripetute dello stesso circuito, usate per costruire un quadro statistico del suo output. Poiché queste ripetizioni sono indipendenti, è possibile distribuirle e poi aggregare i conteggi delle misurazioni. Gli autori dell’articolo descrivono così il framework:
«Il framework rende operativa la distribuzione per shot sfruttando l’indipendenza statistica degli shot di misurazione quantistica per distribuire l’esecuzione di un singolo circuito tra più QPU eterogenee, in base a vincoli e obiettivi di ottimizzazione definiti dall’utente».
Giuseppe Bisicchia, Alessandro Bocci, Jose Garcia-Alonso, Juan Manuel Murillo e Antonio Brogi
Gli autori distinguono il nuovo framework dal metodo di suddivisione degli shot su cui si basa, già introdotto in lavori precedenti. Il loro contributo è un sistema integrato di gestione dell’esecuzione che collega requisiti degli utenti, profili dei processori, ottimizzazione ed esecuzione dei job.
QQSpec traduce le preferenze in regole di distribuzione
Quantum QoS Specification Language, o QQSpec, il linguaggio dichiarativo di Quantum Broker, permette all’utente di descrivere vincoli e obiettivi senza legarli all’interfaccia di un particolare fornitore. Una richiesta può fissare limiti o preferenze relativi a spesa, durata dell’esecuzione, tempo di attesa, qualità attesa, uso dei backend e assegnazione degli shot. Il sistema traccia quindi i profili dei backend disponibili, sceglie come distribuire gli shot e invia a ciascun processore la quota assegnata.
L’architettura ripartisce il lavoro fra tre componenti: un Profiler raccoglie informazioni sui backend, un Reasoner calcola un piano di distribuzione e un Executor invia i job e ne combina i risultati. Il Reasoner offre due approcci. Un risolutore di programmazione lineare a numeri interi misti elabora rapidamente un piano usando modelli di servizio linearizzati; un risolutore non lineare basato su dual annealing valuta profili più complessi con un maggiore costo computazionale.
Nei test dell’articolo, il risolutore non lineare ha impiegato in media da circa 16 a 24 secondi nei tre scenari, contro frazioni di secondo per quello lineare. Il metodo più rapido talvolta non è riuscito a produrre una distribuzione che soddisfacesse tutti i requisiti: i tassi di fallimento riportati hanno raggiunto il 28,57% in uno scenario e il 14,29% in un altro. In quei test, il risolutore non lineare non ha registrato fallimenti, anche se non garantisce una soluzione ottimale a livello globale.
Nei test sui simulatori, un punteggio medio di 0,907
Il gruppo ha valutato sette famiglie di algoritmi, con circuiti da 6, 8 e 10 qubit, usando cinque backend di simulatori rumorosi basati su Qiskit e modellati su dispositivi IBM. Ogni job prevedeva 4.096 shot. Per un test separato dell’intero processo, gli autori hanno selezionato sei carichi di lavoro Deutsch-Jozsa e della trasformata quantistica di Fourier per i quali il risolutore non lineare aveva prodotto piani realizzabili in tutti e tre gli scenari, per un totale di 18 esecuzioni.
Dopo che i backend simulati hanno eseguito gli shot loro assegnati, Broker ha aggregato i conteggi delle misurazioni e confrontato le distribuzioni risultanti con riferimenti ideali, privi di rumore. Il coefficiente di Bhattacharyya al quadrato medio è stato di 0,907, con valori compresi tra 0,756 e 0,998; più il valore si avvicina a uno, maggiore è la concordanza. In un caso di trasformata di Fourier a 10 qubit, un backend a cui erano stati assegnati appena 76 shot ha ottenuto, considerato da solo, un punteggio di somiglianza delle distribuzioni di circa 0,073, mentre il risultato combinato dei 4.096 shot ha ottenuto circa 0,919.
Questo contrasto mostra perché l’articolo valuta il risultato fornito all’applicazione, anziché il campione parziale di ciascun backend considerato isolatamente. Un’assegnazione ridotta può produrre un campione troppo esiguo per rappresentare da sola un’ampia distribuzione di output, pur contribuendo con dati utili al risultato aggregato.
Aggregare i conteggi può comunque introdurre distorsioni
Gli autori avvertono che l’indipendenza degli shot non significa che processori diversi producano distribuzioni di output identiche. Se le loro caratteristiche di rumore differiscono, la semplice aggregazione dei conteggi grezzi fornisce una stima di una miscela di quelle distribuzioni ponderata per il numero di shot, che può essere distorta rispetto all’output ideale del circuito. Secondo l’articolo, per ricostruire senza distorsioni un risultato bersaglio condiviso occorre che i processori campionino dalla stessa distribuzione effettiva, oppure che vengano corretti affinché lo facciano.
I risultati, inoltre, non comprendono una dimostrazione su una piattaforma cloud quantistica reale. Gli esiti delle misurazioni provenivano da simulatori rumorosi specifici per dispositivo, mentre le stime di costi, attesa in coda e tempo di esecuzione si basavano su profili sintetici fissi, anziché su misurazioni effettuate su processori in produzione. L’articolo indica tra i test ancora da svolgere esecuzioni ripetute su QPU reali, profili dei backend basati su misurazioni e metodi migliori per tenere conto delle distorsioni legate ai singoli dispositivi.