Architectural Vision for Quantum Computing in the Edge-Cloud Continuum

要約

タイトル：エッジ-クラウド連続における量子コンピューティングのアーキテクチャの展望

要約：
– QPU（量子処理ユニット）は現在、クラウドベンダーからのみ提供されている。
– しかし、最近の進歩により、QPUをどこでもホストすることが可能になってきている。
– 既存の研究では、モバイルQPUを利用するシステムや、分散型の異種資源を利用するハイブリッドアプリケーションについて、エッジコンピューティングの研究からの知見を引き出していない。
– そこで、本研究では、エッジ-クラウド連続における量子コンピューティングのためのアーキテクチャを提案する。
– 既存のクラシカルなエッジコンピューティングの研究を拡張して、QPUを統合するための必要性、課題、解決策について議論する。
– 温め始めによって、階層的に分散されたリソースを利用するワークフローを定義する方法について説明する。
– 次に、ハイブリッドクラシカル-量子ニューラルネットワーク（QNN）を備えた分散推論エンジンを紹介することで、複雑な要件を持つアプリケーションを収容するシステム設計者を支援する。
– クラシカルなレイヤ分割と量子回路の切断に焦点を当てた解決策を提案し、クラシカルと量子の計算を連続的に利用する可能性を示す。
– 私たちは、クラシカルな分割法を拡張して量子回路を統合する方法がソリューションの品質を向上させることができることを証明するための概念実証を提供する。
– 具体的には、オプションのハイブリッドQNN予測子を備えたスプリットニューラルネットワークを実装することで、クラシカルなメソッドをQNNで拡張することが可能であり、将来的な研究に有望であることを示す結果を得た。

要約(オリジナル)

Quantum processing units (QPUs) are currently exclusively available from cloud vendors. However, with recent advancements, hosting QPUs is soon possible everywhere. Existing work has yet to draw from research in edge computing to explore systems exploiting mobile QPUs, or how hybrid applications can benefit from distributed heterogeneous resources. Hence, this work presents an architecture for Quantum Computing in the edge-cloud continuum. We discuss the necessity, challenges, and solution approaches for extending existing work on classical edge computing to integrate QPUs. We describe how warm-starting allows defining workflows that exploit the hierarchical resources spread across the continuum. Then, we introduce a distributed inference engine with hybrid classical-quantum neural networks (QNNs) to aid system designers in accommodating applications with complex requirements that incur the highest degree of heterogeneity. We propose solutions focusing on classical layer partitioning and quantum circuit cutting to demonstrate the potential of utilizing classical and quantum computation across the continuum. To evaluate the importance and feasibility of our vision, we provide a proof of concept that exemplifies how extending a classical partition method to integrate quantum circuits can improve the solution quality. Specifically, we implement a split neural network with optional hybrid QNN predictors. Our results show that extending classical methods with QNNs is viable and promising for future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI