[论文解读] On Modeling Local Search with Special-Purpose Combinatorial Optimization Hardware

Xiaoyuan Liu, Hayato Ushijima‐Mwesigwa+4 more|arXiv (Cornell University)|Jan 1, 2019

Quantum Computing Algorithms and Architecture参考文献 38被引用 4

一句话总结

本文提出了一种新颖的框架，将专用组合优化硬件（如绝热量子计算机和CMOS退火器）集成到组合科学计算的局部搜索求解器中。通过解决问题规模和精度限制的关键挑战，该方法能够在专用硬件上实现高质量的NP难子问题求解，从而提升混合高性能计算工作流中的全局解质量和性能。

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.

研究动机与目标

• 解决新兴专用组合优化硬件在问题规模和精度方面的限制挑战。
• 实现基于伊辛模型的硬件与组合科学计算中使用的局部搜索和精炼求解器的有效集成。
• 通过提升专用硬件上子问题求解的精度和可扩展性，改善全局解的质量。
• 开发一种可推广的建模框架，适用于多种组合优化领域。
• 为结合经典HPC与专用优化加速器的混合高性能计算系统铺平道路。

提出的方法

• 将局部搜索子问题表述为伊辛模型，以匹配新兴专用硬件的原生计算模型。
• 设计问题分解与映射技术，将更大规模的子问题映射到具有有限量子比特和精度约束的硬件上。
• 实现精度感知的编码策略，以减轻专用设备中有限位分辨率的影响。
• 将硬件加速的子问题求解结果集成到迭代局部搜索框架中，以精炼全局解。
• 使用迭代精炼循环逐步提升解的质量，利用硬件实现快速的局部优化。
• 通过通用建模接口抽象硬件特定细节，确保与现有组合科学计算流水线的兼容性。

实验结果

研究问题

• RQ1 如何有效将专用组合优化硬件集成到大规模科学计算问题的局部搜索求解器中？
• RQ2 当前基于伊辛模型的硬件在问题规模和精度方面存在哪些关键限制，如何加以缓解？
• RQ3 硬件加速的局部子问题求解在多大程度上能提升全局组合优化工作流的解质量和性能？
• RQ4 所提出的建模框架能否推广应用于多种组合科学计算问题和硬件平台？
• RQ5 专用硬件的集成如何影响迭代局部搜索算法的收敛性和鲁棒性？

主要发现

• 所提出的框架在存在规模和精度限制的情况下，成功将大规模局部子问题映射到基于伊辛模型的硬件上。
• 精度感知编码技术显著降低了因专用设备中有限位分辨率导致的解质量退化。
• 硬件加速的局部搜索相比纯经典局部求解器，显著提升了解的质量和收敛速度。
• 该方法具有可推广性，适用于依赖迭代局部精炼的多种组合科学计算问题。
• 将高性能计算与专用优化硬件混合集成，能够实现可扩展且高质量的NP难问题求解。
• 该方法在与现有算法流水线的兼容性方面表现优异，支持在真实科学计算工作负载中无缝部署。