[论文解读] 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 5

一句话总结

本文提出了一种基于两阶段随机规划的分布式量子计算（DQC）资源分配方案，旨在不确定性任务需求、量子计算机能力及量子比特保真度条件下最小化总部署成本。该方法在预部署与按需使用量子资源之间实现最优平衡，在各种场景下（包括低保真度纠缠和波动的按需定价）均实现最低成本。

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.

研究动机与目标

• 解决在不确定性条件下高效分配有限且不可靠的量子资源的挑战，适用于分布式量子计算（DQC）。
• 在需求和量子特性不确定的条件下，最小化总部署成本——包括预部署量子计算机的固定成本和按需访问的可变成本。
• 处理计算任务需求、量子计算机算力（量子比特数量）以及量子网络中贝尔纠缠对保真度的不确定性。
• 确保资源分配具有鲁棒性，能够适应不同情景发生概率的变化，包括低保真度或高需求条件。
• 提供一种可扩展且自适应的解决方案，在动态且不确定的量子网络条件下，优于确定性或随机分配策略。

提出的方法

• 构建一个两阶段随机规划模型，以处理三个关键参数的不确定性：任务需求（量子比特数量）、量子计算机算力（量子比特容量）以及贝尔纠缠对的保真度。
• 将第一阶段建模为提前部署量子计算机的决策，产生固定成本；第二阶段则根据实际实现的情景确定按需使用量子计算机的策略。
• 采用基于情景的建模方法，使用离散概率分布（例如，π(ω₁) = 0.8，π(ω₂) = 0.2）表示需求、算力和保真度的不同组合。
• 引入成本函数以惩罚资源利用不足和过度使用，并通过保真度约束确保纠缠质量足够高（≥0.5）以支持成功计算。
• 使用GAMS结合MINLP求解器求解该模型，以计算在多个情景下最优的部署与按需使用决策。
• 集成约束条件，确保部署和按需系统的总量子比特容量满足或超过任务需求，并防止因保真度下降而无法进行计算。

实验结果

研究问题

• RQ1 在任务需求、算力和量子比特保真度不确定的条件下，如何优化分布式量子计算中的量子资源分配？
• RQ2 在不同不确定性水平下，投资预部署量子计算机与使用更昂贵的按需资源之间的权衡是什么？
• RQ3 贝尔纠缠对的保真度如何影响按需使用量子计算机的必要性与成本？
• RQ4 有利情景（高需求、高算力、高保真度）发生的概率如何影响最优分配策略与总成本？
• RQ5 在不确定性条件下，随机规划方法是否能在成本效率方面优于确定性或随机分配策略？

主要发现

• 所提出的随机模型在所有测试情景下均实现了最低的总部署成本，优于期望值公式（EVF）和随机分配模型。
• 当任务需求超过预部署量子计算机容量时（例如11个量子比特），需要使用按需量子计算机，该模型能正确触发其使用以满足需求。
• 随着量子计算机算力提升（例如，量子比特数量增加），总部署成本下降，因为对昂贵按需资源的依赖减少。
• 当贝尔纠缠对保真度低于0.5时，必须使用按需量子计算机，因为纠缠无法支持计算；保真度高于0.5时，可实现完整计算。
• 当按需量子计算机成本超过基础成本的2倍时，模型优先选择预部署资源，反之亦然，且能有效适应成本变化。
• 即使情景概率发生变化，该模型仍保持成本效益；当有利情景（高需求、高算力、高保真度）发生的概率≥0.8时，模型倾向于优先使用预部署资源。