Verso la profilazione continua e l’ottimizzazione delle pipeline quantistico-classiche

Abstract degli autori

Le applicazioni quantistiche vengono sempre più spesso eseguite come pipeline quantistico-classiche articolate in più fasi, che alternano il calcolo sulla QPU a fasi classiche come la generazione dei circuiti, la traspilazione, la mappatura del layout, la mitigazione degli errori quantistici (QEM) e la post-elaborazione. Queste fasi hanno requisiti di risorse diversi e presentano comportamenti stocastici in presenza di rumore hardware variabile, eppure gli attuali framework per i workflow le trattano come componenti statici e isolati. Presentiamo LLQM (Low-Level Quantum Machine), un meta-framework per pipeline quantistico-classiche basato sulla profilazione. LLQM scompone le pipeline in task granulari e ne profila in modo continuo le dipendenze da CPU/GPU, memoria, QPU e code, insieme agli stati hardware in tempo reale. Questa astrazione unificata a runtime acquisisce le dipendenze tra le risorse delle diverse fasi e rivela come interagiscono le decisioni classiche e quantistiche, consentendo di caratterizzarne l’impatto sulla fedeltà e sul consumo di risorse. Valutiamo LLQM usando la QEM come fase rappresentativa di una pipeline, su processori IBM Heron r2 da 156 qubit, con circuiti fino a 100 qubit e 1e7 gate traspilati. I nostri risultati mostrano che la profilazione continua mette in luce i colli di bottiglia a runtime e consente ottimizzazioni che tengono conto dell’hardware, della fedeltà e del carico di lavoro.