[論文レビュー] Multi-tasking through quantum annealing

Jargalsaikhan Artag, Koki Awaya+4 more|arXiv (Cornell University)|Mar 10, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

MTQAは量子ハードウェア上で複数の最適化問題を個別インスタンスパラメータ化で並列解決し、解の品質を維持しつつ解決時間を短縮し、グローバルパラメータ並列アプローチを上回る。

ABSTRACT

Quantum annealing approximately solves combinatorial optimization problems by leveraging the principles of adiabatic quantum systems. In this approach, the system's Hamiltonian evolves from an initial general state to a problem-specific state. This study introduces multi-tasking quantum annealing (MTQA), a method that enables the parallel processing of multiple optimization problems by embedding them into spatially distinct regions on quantum hardware. MTQA is evaluated using two NP-hard problems: the minimum vertex cover problem (MVCP) and the graph partitioning problem (GPP). This parallel approach optimizes quantum resource utilization by concurrently utilizing idle qubits. The findings demonstrate that MTQA achieves a solution quality comparable to single-problem quantum annealing and classical simulated annealing (SA), while notably reducing the time-to-solution (TTS) metrics. Eigenspectrum analysis further theoretically supports the hypothesis that parallel embedding preserves quantum coherence and does not increase computational complexity by efficiently utilizing available quantum hardware (e.g., qubits and couplers). MTQA enables efficient multitasking in quantum annealing, optimizing hardware utilization and improving throughput for concurrent tasks and demonstrating performance for problems up to 100 nodes in real-world applications.

研究の動機と目的

• 量子アニーラの効率的なマルチタスク実行を促進・実現するため、複数の最適化問題を個別のハードウェア領域へ埋め込む。
• アイテムごとの特徴を分離、個別インスタンスのチェーン強度、個別インスタンスQUBOスケーリングを通じて保持。
• MVCPとGPPにおけるMTQAの信頼性と速度を、単一インスタンスQA、PQA、SA、厳密解法と比較して実証。
• 固有スペクトラムとエネルギーギャップ分析を通じたMTQAのスケーラビリティとハードウェア活用の理論・経験的裏付けを提供。

提案手法

• MTQAを用いてD-Wave Advantage 6.4システム上で複数の問題インスタンスを並列に埋め込む。
• 近接する問題領域を緩衝するアイソレーション層戦略を導入し、偽結合を低減。
• 並列実行前に個別インスタンスのチェーン強度と個別インスタンスQUBOスケーリングを算出。
• 各インスタンスを個別取り出し戦略でアンビルド（解析では多数決を使用）。
• ブロック対角ハミルトニアンを用いたエイゲンサペクトラム解析を提示し、スペクトラムギャップの維持を示す。
• MVCPとGPPにおいてMTQAをQA、PQA、SA、厳密解法と比較し、GSP、TTS、カットエッジなどの指標で評価。

実験結果

リサーチクエスチョン

• RQ1 MTQAは、量子ハードウェア上で異質な複数の最適化問題を並列に解いた場合でも高い解品質を維持できるか。
• RQ2 個別インスタンスパラメータ化と個別スケーリングは、グローバルパラメータ化と比較してチェーン長さ、埋め込み容量、およびスペクトラムギャップにどう影響するか。
• RQ3 MTQAは地盤状態確率と解決時間において、単一インスタンスQA、PQA、SA、厳密解法と比較してどのような影響を与えるか。
• RQ4 MTQAはより大きな問題サイズや複数の問題タイプにスケール可能で、全体の複雑さや安定性を損なわずに拡張できるか。

主な発見

n	CPLEX	Gurobi	SA	MTQA isolated	MTQA non-isolated	PQA	QA
10	22	22	22	22	22	22	22
20	80	80	80	80	80	80	80
30	187	187	187	191	190	189	192
40	331	331	331	338	338	333	341
50	528	528	530	542	540	541	541
60	767	767	772	785	789	779	787
70	1063	1063	1070	1082	1087	1082	1085
80	1352	1352	1369	1394	1389	1379	1390
90	1752	1752	1773	1771	1791	1787	1783
100	2152	2152	2179	2195	2195	2190	2191

• MTQAは単一問題のQAおよびSAと比較可能な解品質を達成しつつ、解決時間を短縮。
• 個別インスタンスパラメータ化はグローバルパラメータ化で見られるスペクトラムギャップの崩壊を防ぎ、特にMVCPで効果的。
• アイソレーション層は干渉を抑制し、密に接続された大規模な問題の性能を改善。
• MTQAはほとんどのMVCPおよびGPPインスタンスで基底状態確率を高く維持（>0.9）、一方PQAはMVCPのサイズ拡大で崩壊。
• MVCPにおいてMTQAはPQAを大幅に上回り、特にグラフサイズが大きい場合に顕著。多くの場合、従来のQAおよびSAよりも低いTTSを示す。
• GPPではMTQA、PQA、QA、SAのエネルギー分布は最適解に近く、MTQAは解のエネルギー品質を犠牲にしない。