論文の概要: Adaptive Job Scheduling in Quantum Clouds Using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2506.10889v1
- Date: Thu, 12 Jun 2025 16:54:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.850576
- Title: Adaptive Job Scheduling in Quantum Clouds Using Reinforcement Learning
- Title（参考訳）: 強化学習を用いた量子雲における適応的ジョブスケジューリング
- Authors: Waylon Luo, Jiapeng Zhao, Tong Zhan, Qiang Guan,
- Abstract要約: 現在の量子システムは、量子ビット数制限、短いコヒーレンス間隔、エラーに対する高い感受性など、重大なボトルネックに直面している。
本稿では、リアルタイムな古典チャネルを介して接続されたネットワークQPU上での分散スケジューリングと並列実行をサポートするシミュレーションベースのツールを提案する。
- 参考スコア（独自算出の注目度）: 1.0542466736167886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Present-day quantum systems face critical bottlenecks, including limited qubit counts, brief coherence intervals, and high susceptibility to errors-all of which obstruct the execution of large and complex circuits. The advancement of quantum algorithms has outpaced the capabilities of existing quantum hardware, making it difficult to scale computations effectively. Additionally, inconsistencies in hardware performance and pervasive quantum noise undermine system stability and computational accuracy. To optimize quantum workloads under these constraints, strategic approaches to task scheduling and resource coordination are essential. These methods must aim to accelerate processing, retain operational fidelity, and reduce the communication burden inherent to distributed setups. One of the persistent challenges in this domain is how to efficiently divide and execute large circuits across multiple quantum processors (QPUs), especially in error-prone environments. In response, we introduce a simulation-based tool that supports distributed scheduling and concurrent execution of quantum jobs on networked QPUs connected via real-time classical channels. The tool models circuit decomposition for workloads that surpass individual QPU limits, allowing for parallel execution through inter-processor communication. Using this simulation environment, we compare four distinct scheduling techniques-among them, a model informed by reinforcement learning. These strategies are evaluated across multiple metrics, including runtime efficiency, fidelity preservation, and communication costs. Our analysis underscores the trade-offs inherent in each approach and highlights how parallelized, noise-aware scheduling can meaningfully improve computational throughput in distributed quantum infrastructures.
- Abstract（参考訳）: 現在の量子システムは、限られた量子ビット数、短いコヒーレンス間隔、大きな回路や複雑な回路の実行を妨げるエラーに対する高い感受性など、重大なボトルネックに直面している。
量子アルゴリズムの進歩は、既存の量子ハードウェアの能力を大きく上回っており、計算を効果的にスケールすることは困難である。
さらに、ハードウェア性能と広範量子ノイズの不整合は、システムの安定性と計算精度を損なう。
これらの制約の下で量子ワークロードを最適化するためには、タスクスケジューリングとリソース調整に対する戦略的アプローチが不可欠である。
これらの方法は、処理を高速化し、運用の忠実さを維持し、分散セットアップに固有の通信負担を軽減することを目的としている。
この領域における永続的な課題の1つは、大規模な回路を複数の量子プロセッサ(QPU)で効率的に分割し、実行する方法である。
そこで本研究では,分散スケジューリングと,リアルタイムな古典チャネルを介して接続されたネットワークQPU上での量子ジョブの同時実行をサポートするシミュレーションベースのツールを提案する。
このツールは、個別のQPU制限を超えるワークロードの回路分解をモデル化し、プロセッサ間通信による並列実行を可能にする。
このシミュレーション環境を用いて、強化学習によるモデルである4つの異なるスケジューリング手法を比較した。
これらの戦略は、実行効率、忠実度保存、通信コストなど、複数のメトリクスで評価される。
我々の分析は、それぞれのアプローチに固有のトレードオフを強調し、分散量子インフラにおける並列化されたノイズ対応スケジューリングが、いかに有意義に計算スループットを向上できるかを強調している。
関連論文リスト
- Network-Aware Scheduling for Remote Gate Execution in Quantum Data Centers [8.528068737844364]
我々は,2つの絡み合いスケジューリング戦略を静的かつ動的に評価し,その性能を解析する。
動的スケジューリングは、高い絡み合いの並列性を持つシナリオにおいて、静的スケジューリングよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-04-28T18:22:22Z) - Resource Management and Circuit Scheduling for Distributed Quantum Computing Interconnect Networks [4.0985912998349345]
本稿では,MILP(Mixed-Integer Linear Programming)の定式化と手法を組み合わせた回路スケジューリングと資源割当アルゴリズムを提案する。
提案手法は, 回路実行時間と資源利用量を大幅に改善し, メースパン, スループット, およびQPU使用量によって測定した。
論文 参考訳（メタデータ） (2024-09-19T11:39:46Z) - Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。
短絡の新規・ハードウェア対応回路の発見能力を示す。
本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文 参考訳（メタデータ） (2024-06-18T01:49:48Z) - Compiler for Distributed Quantum Computing: a Reinforcement Learning Approach [6.347685922582191]
本稿では,EPRペアの生成とルーティングを共同で管理することで,実行時間の短縮を優先する新しいコンパイラを提案する。
本稿では, 量子回路の絡み合い生成の性質と動作要求を考慮し, リアルタイムかつ適応的なコンパイラ設計手法を提案する。
i)マルコフ決定過程(MDP)の定式化を用いてDQCの最適コンパイラをモデル化し、最適アルゴリズムの存在を確立し、(ii)この最適コンパイラを近似するために制約付き強化学習(RL)法を導入する。
論文 参考訳（メタデータ） (2024-04-25T23:03:20Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud
Computing [73.7522199491117]
量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。
ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。
本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
論文 参考訳（メタデータ） (2023-07-25T00:38:46Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。
量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。
我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
論文 参考訳（メタデータ） (2021-06-11T18:00:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。