DRLQ：基于深度强化学习的量子云计算任务放置
分布式、并行与集群计算
2024-07-04 v1 新兴技术
摘要
量子云计算范式由于动态且异构的量子计算资源，在任务放置方面呈现出独特挑战。传统的启发式方法不足以适应量子计算快速演变的格局。本文提出了 DRLQ，即一种基于深度强化学习 (DRL) 的新型技术，用于量子云计算环境中的任务放置，旨在优化任务完成时间和量子任务调度效率。它利用深度 Q 网络 (DQN) 架构，结合 Rainbow DQN 方法，创建动态的任务放置策略。该方法是该领域量子云资源管理的首批方法之一，使量子云环境能够实现自适应学习和决策，并能根据变化的条件和资源可用性有效优化任务放置。我们使用 QSimPy 模拟工具箱进行大量实验，以评估我们方法的性能，结果显示在任务执行效率和减少量子任务重新调度需求方面具有显著提升。我们的结果表明，利用 DRLQ 方法进行任务放置可将总体量子任务完成时间降低 37.81% 至 72.93%，并相对于其他启发式方法防止任务重新调度尝试。
引用
@article{arxiv.2407.02748,
title = {DRLQ: A Deep Reinforcement Learning-based Task Placement for Quantum Cloud Computing},
author = {Hoa T. Nguyen and Muhammad Usman and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2407.02748},
year = {2024}
}
备注
Accepted paper at IEEE CLOUD 2024 conference