Multitasking durch Quantenannealing

Quantenannealing löst kombinatorische Optimierungsprobleme näherungsweise durch Nutzung der Prinzipien adiabatischer Quantensysteme. Dabei entwickelt sich der Hamiltonoperator des Systems von einem anfänglichen allgemeinen Zustand zu einem problemspezifischen Zustand. Diese Studie führt Multi-tasking Quantum Annealing (MTQA) ein, eine Methode, die die parallele Verarbeitung mehrerer Optimierungsprobleme durch deren Einbettung in räumlich getrennte Bereiche auf Quantenhardware ermöglicht. MTQA wird anhand von zwei NP-schweren Problemen bewertet: dem Minimum Vertex Cover Problem (MVCP) und dem Graph Partitioning Problem (GPP). Dieser parallele Ansatz optimiert die Nutzung der Quantenressourcen, indem gleichzeitig inaktive Qubits verwendet werden. Die Ergebnisse zeigen, dass MTQA eine Lösungsqualität erreicht, die mit einzelproblemigem Quantenannealing und klassischem simuliertem Annealing (SA) vergleichbar ist, während die time-to-solution (TTS) Metriken deutlich reduziert werden. Die Eigenspektrumanalyse unterstützt die Hypothese theoretisch, dass parallele Einbettung die Quantenkohärenz bewahrt und die Rechenkomplexität durch effiziente Nutzung der verfügbaren Quantenhardware (z.B. Qubits und Koppler) nicht erhöht. MTQA ermöglicht effizientes Multitasking im Quantenannealing, optimiert die Hardwarenutzung und verbessert den Durchsatz bei gleichzeitigen Aufgaben und zeigt Leistungsfähigkeit bei Problemen bis zu 100 Knoten in realen Anwendungen.