[논문 리뷰] Multi-tasking through quantum annealing

Jargalsaikhan Artag, Koki Awaya외 4명|arXiv (Cornell University)|2026. 03. 10.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

MTQA는 per-instance 매개변화를 통해 양자 하드웨어에서 여러 최적화 문제를 병렬로 해결하면서 해의 질을 유지하고 솔빙 시간(TTS)을 줄이며 글로벌 매개변수 병렬 방법보다 우수합니다.

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.

연구 동기 및 목표

• quantum annealers에서 다중 최적화 문제를 별도 하드웨어 영역에 임베딩하여 효율적 멀티태스킹을 촉진하고 가능하게 한다.
• isolate를 통한 per-item 문제 특성 보존 및 per-instance 체인 강도, per-instance QUBO 스케일링 보장.
• MVCP 및 GPP에서 MTQA의 신뢰성과 속도를 단일 인스턴스 QA, PQA, SA, 및 정확 해석기(solvers)와 비교하여 입증.
• MTQA의 확장성과 하드웨어 활용도에 대해 고유값 스펙트럼 및 에너지 갭 분석을 통한 이론적·경험적 지원 제공

제안 방법

• MTQA를 사용하여 D-Wave Advantage 6.4 시스템에 다중 문제 인스턴스를 병렬로 임베딩한다.
• 인접 문제 영역을 완충하고 불필요한 결합을 줄이기 위한 격리층 전략을 도입한다.
• 병렬 실행 전 per-instance 체인 강도 및 per-instance QUBO 스케일링을 계산한다.
• per-instance 추출 전략(분석에 사용된 다수결 투표를 포함)으로 각 인스턴스별로 솔루션을 언임베싱한다.
• 스펙트럼-갭 보존을 보이기 위한 블록 대각 Hamiltonian 기반의 고유값 스펙트럼 분석을 제시한다.
• MVCP 및 GPP에 대해 MTQA, PQA, QA, SA를 GSP, TTS, 절단 간선과 같은 지표로 비교한다.

실험 결과

연구 질문

• RQ1 양자 하드웨어에서 서로 다른 최적화 문제를 병렬로 해결할 때 MTQA가 높은 해 품질을 유지할 수 있는가?
• RQ2 전용 매개변수화 및 per-instance 스케일링이 글로벌 매개변수화와 비교해 체인 길이, 임베딩 용량, 스펙트럼 갭에 어떤 영향을 미치는가?
• RQ3 MTQA가 단일 인스턴스 QA, PQA, SA, 정확 해석기에 비해 기저 상태 확률 및 솔빙 시간에 미치는 영향은 어떤가?
• RQ4 MTQA가 문제 규모 확대 및 다양한 문제 유형에 대해 전체 복잡도를 증가시키거나 안정성을 해치지 않고 확장되는가?

주요 결과

n	CPLEX	Gurobi	SA	MTQA 격리	MTQA 비격리	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

• MTQA는 단일 문제 QA 및 SA와 비견되는 해 품질을 유지하되 솔빙 시간을 감소시킨다.
• 전용 매개변수화는 글로벌 매개변수화에서 볼 수 있는 스펙트럼 갭 붕괴를 방지하며, 특히 MVCP에서 그렇다.
• 격리층은 간섭을 줄이고 크고 밀접하게 연결된 문제의 성능을 개선한다.
• 대부분의 MVCP 및 GPP 인스턴스에서 MTQA는 높은 기저 상태 확률(>0.9)을 유지하지만, 규모가 커질수록 MVCP에 대해 PQA는 붕괴한다.
• MTQA는 MVCP에서 특히 더 큰 그래프 크기에서 PQA보다 현저히 우수하고 일반 QA 및 SA보다 더 낮은 TTS를 자주 보인다.
• GPP의 경우 MTQA, PQA, QA, SA의 에너지 분포가 최적에 매우 가깝고 MTQA가 해 에너지 품질을 희생하지 않는다.