[논문 리뷰] On Modeling Local Search with Special-Purpose Combinatorial Optimization Hardware

Xiaoyuan Liu, Hayato Ushijima‐Mwesigwa외 4명|arXiv (Cornell University)|2019. 01. 01.

Quantum Computing Algorithms and Architecture참고 문헌 38인용 수 4

한 줄 요약

이 논문은 특수 목적의 조합 최적화 하드웨어—예를 들어 등온 양자 컴퓨터와 CMOS 안내기—를 조합 과학 계산을 위한 국소 검색 솔버에 통합하는 새로운 프레임워크를 제안한다. 문제 크기와 정밀도 제한이라는 핵심 과제를 해결함으로써, NP-완전 하위문제에 대해 고품질의 해를 도출할 수 있게 되었으며, 하이브리드 고성능 계산 워크플로우에서 전반적인 해 품질과 성능을 향상시켰다.

ABSTRACT

Many combinatorial scientific computing problems are NP-hard which in practice requires using heuristics that either decompose a large-scale problem and solve many smaller local subproblems in parallel or iteratively improve the solution by local processing for sufficiently many steps to achieve a good quality/performance trade-off. These subproblems are NP-hard by themselves and the quality of their solution that depends on the subproblem size vitally affects the global solution of the entire problem. As we approach the physical limits predicted by Moore’s law, a variety of specialized combinatorial optimization hardware (such as adiabatic quantum computers, CMOS annealers, and optical parametric oscillators) is emerging to tackle specialized tasks in different domains. Many researchers anticipate that in the near future, these devices will be hybridized with high-performance computing systems to tackle large-scale problems which will open a door for the next breakthrough in performance of the combinatorial scientific computing algorithms. Most of these devices solve the Ising combinatorial optimization model that can represent many fundamental combinatorial scientific computing models. In this paper, we tackle the main challenges of problem size and precision limitation that the Ising hardware model typically suffers from. Although, our demonstration uses one of these novel devices, the models we propose can be generally used in any local search and refinement solvers that are broadly employed in combinatorial scientific computing algorithms.

연구 동기 및 목표

• 신규로 등장하는 특수 목적의 조합 최적화 하드웨어에서 문제 크기와 정밀도 제한으로 인한 과제를 해결한다.
• 조합 과학 계산에서 사용되는 국소 검색 및 정밀화 솔버에 이징 모델 기반 하드웨어를 효과적으로 통합할 수 있도록 한다.
• 특수 목적의 하드웨어에서 하위문제 해의 정확도와 확장성을 향상시켜 전반적인 해 품질을 향상시킨다.
• 다양한 조합 최적화 도메인에 적용 가능한 일반화 가능한 모델링 프레임워크를 개발한다.
• 기존 고성능 계산(HPC)과 특수 목적 최적화 가속기의 조합을 통해 하이브리드 고성능 계산 시스템의 길을 열다.

제안 방법

• 신규로 등장하는 특수 목적 하드웨어의 네이티브 계산 모델과 일치시키기 위해 국소 검색 하위문제를 이징 모델로 재구성한다.
• 제한된 큐비트 수와 정밀도 제약이 있는 하드웨어에 더 큰 하위문제를 스케일링하기 위해 문제 분해 및 매핑 기법을 설계한다.
• 특수 장치의 제한된 비트 해상도가 미치는 영향을 완화하기 위해 정밀도 인식 인코딩 전략을 구현한다.
• 하드웨어 가속을 통해 얻은 하위문제 해를 반복적 국소 검색 프레임워크에 통합하여 전반적인 해를 정밀화한다.
• 반복적 정밀화 루프를 사용하여 점진적으로 해 품질을 향상시키며, 빠른 국소 최적화를 위해 하드웨어를 활용한다.
• 일반적인 모델링 인터페이스를 통해 하드웨어 특화 세부 정보를 추상화하여 기존 조합 과학 계산 파ip라인과의 호환성을 확보한다.

실험 결과

연구 질문

• RQ1 특수 목적의 조합 최적화 하드웨어는 대규모 과학 계산 문제를 위한 국소 검색 솔버에 어떻게 효과적으로 통합될 수 있는가?
• RQ2 현재 이징 모델 기반 하드웨어의 문제 크기와 정밀도 측면에서의 핵심 제약은 무엇이며, 이를 어떻게 완화할 수 있는가?
• RQ3 하드웨어 가속을 통한 국소 하위문제 해가 전반적인 조합 최적화 워크플로우의 품질과 성능에 어느 정도 기여하는가?
• RQ4 제안된 모델링 프레임워크는 다양한 조합 과학 계산 문제와 하드웨어 플랫폼에 일반화될 수 있는가?
• RQ5 특수 목적 하드웨어의 통합은 반복적 국소 검색 알고리즘의 수렴성과 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 크기와 정밀도 제약에도 불구하고 대규모 국소 하위문제를 이징 모델 기반 하드웨어에 성공적으로 매핑한다.
• 정밀도 인식 인코딩 기법이 특수 장치의 제한된 비트 해상도로 인한 해 품질 저하를 크게 감소시킨다.
• 하드웨어 가속을 통한 국소 검색은 순수 고전적 국소 솔버에 비해 해 품질과 수렴 속도를 향상시킨다.
• 이 방법은 다양한 조합 과학 계산 문제에 대해 일반화 가능하며, 반복적 국소 정밀화에 의존하는 문제에 적용 가능하다.
• 고성능 계산과 특수 목적 최적화 하드웨어의 하이브리드 통합은 확장성과 고품질의 NP-완전 문제 해결을 가능하게 한다.
• 이 방법은 기존 알고리즘 파이프라인과 강한 호환성을 보이며, 실제 과학 계산 워크로드에서 원활한 배포가 가능하다.