[論文レビュー] Optimal Stochastic Resource Allocation for Distributed Quantum Computing

Napat Ngoenriang, Minrui Xu+5 more|arXiv (Cornell University)|Sep 16, 2022

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本稿では、タスク需要、量子コンピュータの能力、およびキュービットの忠実度の不確実性を考慮して、総導入コストを最小化する分散量子計算（DQC）向けの2段階確率的プログラミングに基づくリソース割り当て方式を提案する。この手法は、事前に導入するリソースとオンデマンドで利用するリソースの最適なバランスを図り、低忠実度のエンタングルメントや変動するオンデマンド価格を含むさまざまなシナリオにおいて、最小コストを達成する。

ABSTRACT

With the advent of interconnected quantum computers, i.e., distributed quantum computing (DQC), multiple quantum computers can now collaborate via quantum networks to perform massively complex computational tasks. However, DQC faces problems sharing quantum information because it cannot be cloned or duplicated between quantum computers. Thanks to advanced quantum mechanics, quantum computers can teleport quantum information across quantum networks. However, challenges to utilizing efficiently quantum resources, e.g., quantum computers and quantum channels, arise in DQC due to their capabilities and properties, such as uncertain qubit fidelity and quantum channel noise. In this paper, we propose a resource allocation scheme for DQC based on stochastic programming to minimize the total deployment cost for quantum resources. Essentially, the two-stage stochastic programming model is formulated to handle the uncertainty of quantum computing demands, computing power, and fidelity in quantum networks. The performance evaluation demonstrates the effectiveness and ability of the proposed scheme to balance the utilization of quantum computers and on-demand quantum computers while minimizing the overall cost of provisioning under uncertainty.

研究の動機と目的

• 需要、忠実度、計算能力の不確実性下で、限られたかつ不安定な量子リソースを分散量子計算（DQC）で効率的に割り当てる課題に対処する。
• 事前に導入する量子コンピュータの固定コストとオンデマンドアクセスの変動コストを組み合わせた総導入コストを、需要と量子特性の不確実性下で最小化する。
• 計算タスクの需要、量子コンピュータの計算能力（キュービット数）、および量子ネットワーク全体におけるエンタングルドベル状態の忠実度の不確実性を扱う。
• 低忠実度または高需要状態を含むさまざまなシナリオの確率に適応できる、頑健なリソース割り当てを確保する。
• 動的で不確実な量子ネットワーク環境下で、決定論的またはランダムな割り当て戦略を上回るスケーラブルかつ適応可能なソリューションを提供する。

提案手法

• タスク需要（キュービット数）、量子コンピュータの計算能力（キュービット容量）、エンタングルドベル状態の忠実度の3つの主要パラメータの不確実性を扱う2段階確率的プログラミングモデルを構築する。
• 第1段階を事前に量子コンピュータを導入する意思決定とし、固定コストを発生させる。第2段階では、実現したシナリオに応じてオンデマンドでの量子コンピュータ利用を決定する。
• 離散確率分布（例：π(ω₁) = 0.8, π(ω₂) = 0.2）を用いたシナリオベースのモデリングにより、需要、能力、忠実度の異なる組み合わせを表現する。
• 不足利用と過剰利用をペナルティとするコスト関数を組み込み、エンタングルメント品質が十分（≥0.5）であることを保証する忠実度制約を設ける。
• GAMSを用い、MINLPソルバーでモデルを解き、複数のシナリオにわたる最適な導入およびオンデマンド利用意思決定を計算する。
• 導入済みおよびオンデマンドのシステム全体のキュービット容量がタスク需要を満たすかそれを上回ること、および忠実度の低下が計算を不可能にしないことを保証する制約を統合する。

実験結果

リサーチクエスチョン

• RQ1 タスク需要、計算能力、キュービット忠実度の不確実性下で、分散量子計算における量子リソース割り当てをどのように最適化できるか？
• RQ2 さまざまな不確実性レベル下で、事前に導入する量子コンピュータへの投資と、より高価なオンデマンドリソースの使用の間のトレードオフは何か？
• RQ3 エンタングルドベル状態の忠実度は、オンデマンド量子コンピュータの使用の必要性とコストにどのように影響するか？
• RQ4 好都合なシナリオ（高需要、高能力、高忠実度）の確率が、最適な割り当て戦略と総コストにどのように影響するか？
• RQ5 不確実性下で、決定論的またはランダムな割り当て戦略に比べ、確率的プログラミングアプローチがコスト効率面で優れているか？

主な発見

• 提案された確率的モデルは、テストしたすべてのシナリオで最低の総導入コストを達成し、期待値形式（EVF）およびランダム割り当てモデルを上回る。
• タスク需要が事前に導入された量子コンピュータの容量を超える場合（例：11キュービット）、オンデマンド量子コンピュータが必要となり、モデルはその使用を正しく引き起こす。
• 量子コンピュータの計算能力が向上する（例：キュービット数が増加する）につれて、総導入コストは低下する。これは、高価なオンデマンドリソースへの依存度が減少するためである。
• ベル状態の忠実度が0.5未満に下がると、エンタングルメントが計算をサポートできなくなるため、オンデマンド量子コンピュータが必要となる。0.5以上では、完全な計算が可能である。
• オンデマンド量子コンピュータのコストがベースコストの2倍を超えると、事前に導入されたリソースが好まれる。逆に、コストが低い場合はオンデマンドリソースが好まれる。
• シナリオの確率が変化しても、モデルはコスト効率を維持する。好都合なシナリオ（高需要、高能力、高忠実度）の確率が0.8以上になると、事前に導入されたリソースが優先される。