Hype or Heuristic? Quantum Reinforcement Learning for Join Order Optimisation

要約

最適な結合順序 (JO) を特定することは、データベースの研究とエンジニアリングにおける重要な課題として際立っています。
探索空間が広いため、確立された古典的な手法は近似とヒューリスティックに依存しています。
最近の取り組みでは、JO の強化学習 (RL) の研究に成功しました。
同様に、RL の量子バージョンは科学的にかなりの注目を集めています。
しかし、改良された量子プロセッサによって持続可能で全体的な実用的な利点を達成できるかどうかは未解決の疑問です。
この論文では、ハイブリッド変分量子解析に基づいた JO の量子強化学習 (QRL) を使用する新しいアプローチを紹介します。
量子 (-inspired) 最適化に基づくアプローチと比較して、より単純な左深バリアントに頼るのではなく、一般的な茂みのある結合ツリーを処理できますが、必要な量子ビットが数桁少なく、ポスト NISQ にとっても希少なリソースです。
システム。
適度な回路深さにもかかわらず、アンザッツは現在の NISQ 能力を超えており、数値シミュレーションによる評価が必要です。
QRL は、結果の品質に関して JO 問題を解決する際に古典的なアプローチよりも大幅に優れているわけではありませんが (パリティは見られますが)、必要なトレーニング可能なパラメーターが大幅に減少していることがわかりました。
これは、従来の RL と比較してトレーニング時間の短縮、従来の最適化パスの複雑さの軽減、利用可能なトレーニング データの有効活用など、実際に関連する側面にメリットをもたらし、データ ストリームおよび低遅延処理のシナリオに適合します。
私たちの包括的な評価と慎重な議論により、実際的な量子の利点の可能性についてバランスのとれた視点が提供され、将来のシステム的アプローチへの洞察が得られ、データベース管理システムの最も重要な問題の 1 つに対する量子アプローチのトレードオフを定量的に評価することが可能になります。

要約(オリジナル)

Identifying optimal join orders (JOs) stands out as a key challenge in database research and engineering. Owing to the large search space, established classical methods rely on approximations and heuristics. Recent efforts have successfully explored reinforcement learning (RL) for JO. Likewise, quantum versions of RL have received considerable scientific attention. Yet, it is an open question if they can achieve sustainable, overall practical advantages with improved quantum processors. In this paper, we present a novel approach that uses quantum reinforcement learning (QRL) for JO based on a hybrid variational quantum ansatz. It is able to handle general bushy join trees instead of resorting to simpler left-deep variants as compared to approaches based on quantum(-inspired) optimisation, yet requires multiple orders of magnitudes fewer qubits, which is a scarce resource even for post-NISQ systems. Despite moderate circuit depth, the ansatz exceeds current NISQ capabilities, which requires an evaluation by numerical simulations. While QRL may not significantly outperform classical approaches in solving the JO problem with respect to result quality (albeit we see parity), we find a drastic reduction in required trainable parameters. This benefits practically relevant aspects ranging from shorter training times compared to classical RL, less involved classical optimisation passes, or better use of available training data, and fits data-stream and low-latency processing scenarios. Our comprehensive evaluation and careful discussion delivers a balanced perspective on possible practical quantum advantage, provides insights for future systemic approaches, and allows for quantitatively assessing trade-offs of quantum approaches for one of the most crucial problems of database management systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google