Lucy Xing Sanjay Vishwakarma David Kremer Francisco Martin-Fernandez Ismael Faro Juan Cruz-Benito

Abstract

Diese Arbeit untersucht die Anwendung von Machine-Learning-(ML)-Techniken zur Vorhersage der QPU-Verarbeitungszeiten von Quantenjobs. Unter Verwendung von ML-Algorithmen stellt diese Studie prädiktive Modelle vor, die darauf abzielen, die Betriebseffizienz in Quantenrechensystemen zu verbessern. Anhand eines Datensatzes von etwa 150.000 Jobs, die dem IBM Quantum-Schema folgen, setzen wir ML-Methoden basierend auf Gradient-Boosting (LightGBM) ein, um die QPU-Verarbeitungszeiten vorherzusagen, wobei datenbasierte Vorverarbeitungsmethoden eingesetzt werden, um die Modellgenauigkeit zu steigern. Die Ergebnisse belegen die Wirksamkeit von ML bei der Prognose von Quantenjobs. Diese Verbesserung kann erhebliche Auswirkungen auf die Ressourcenverwaltung und das Scheduling innerhalb von Quantenrechensystemen haben. Diese Forschung unterstreicht nicht nur das Potenzial von ML zur Feinabstimmung der Vorhersage von Quantenjobs, sondern legt auch die Grundlage für die Integration künstlich-intelligenter Werkzeuge in fortgeschrittene Quantenrechensysteme.