Новый метод DRLQ для размещения задач в квантовых облачных вычислениях

Постоянно развивающаяся природа квантовых вычислений делает управление задачами традиционным эвристическим подходом очень сложным. Существующие модели часто сталкиваются с трудностями в адаптации к изменениям и сложностям квантовых вычислений, сохраняя при этом эффективность системы. Планирование задач критически важно для таких систем, чтобы сократить время потерь и управление ресурсами. Существующие модели склонны размещать задачи на несоответствующих квантовых компьютерах, требуя частого перепланирования из-за несоответствия ресурсов. Ресурсы квантовых вычислений требуют новых стратегий для оптимизации времени завершения задач и эффективности планирования.

Использование глубокого обучения с подкреплением для оптимизации размещения задач

Исследователи из Университета Мельбурна и Data61, CSIRO предложили DRLQ, новую технику на основе глубокого обучения с подкреплением для размещения задач в квантовых облачных вычислениях. DRLQ использует архитектуру Deep Q Network (DQN), усиленную методом Rainbow DQN, для создания динамической стратегии размещения задач. Цель DRLQ заключается в преодолении ограничений традиционных эвристических методов путем изучения оптимальных политик размещения задач через непрерывное взаимодействие с окружением квантовых вычислений, тем самым улучшая эффективность завершения задач и снижая необходимость в перепланировании.

Эффективность DRLQ в сравнении с эвристическими методами

Эксперименты, проведенные на симуляторе QSimPy, демонстрируют, что DRLQ значительно улучшает эффективность выполнения задач. Предложенный метод сокращает общее время завершения квантовых задач на 37,81% – 72,93% по сравнению с другими эвристическими подходами. Более того, DRLQ эффективно минимизирует необходимость в перепланировании задач, добиваясь отсутствия попыток перепланирования во время оценок, по сравнению с существующими методами.

Заключение

Документ представляет DRLQ, инновационный подход на основе глубокого обучения с подкреплением для оптимизации размещения задач в квантовых облачных вычислениях. Используя технику Rainbow DQN, DRLQ преодолевает ограничения традиционных эвристических методов, предоставляя динамическое и адаптивное решение для эффективного управления квантовыми облачными ресурсами. Этот подход является одним из первых в управлении квантовыми облачными ресурсами, обеспечивая адаптивное обучение и принятие решений.