Quantum Machine Learning algorithms generally rely on hybrid implementation with a classical learning loop running on a CPU and small quantum circuits running on a Quantum Processing Unit (QPU) for serialized processing batches of data. Considering the scarcity of quantum resources, parallelizing the execution of multiple instances of small quantum circuits instead of allocating a single circuit would better use quantum hardware resources. However, exploiting all available qubits in QPUs could result in a noisier operating condition and disrupt or slow the learning mechanism.
This paper investigates the parallelization of QML algorithms on QPU for data clustering based on trainable generative models. We design a parallel macro-circuit with the Qiskit framework and measure their performance on an IBM superconducting quantum computer. A theoretical performance model is then proposed to determine the expected level of acceleration. Finally, we measure the impact of the QPU's occupancy on the loss functions of our QML algorithm, enabling us to identify the most reliable and exploitable acceleration range
Les algorithmes d'apprentissage automatique quantique (QML) reposent généralement sur une mise en œuvre hybride avec une boucle d'apprentissage classique fonctionnant sur un processeur et de petits circuits quantiques fonctionnant sur une unité de traitement quantique (QPU) pour le traitement en série de lots de données.
Compte tenu de la rareté des ressources quantiques, la parallélisation de l'exécution de multiples instances de petits circuits quantiques au lieu de l'allocation d'un seul circuit permettrait de mieux utiliser les ressources matérielles quantiques. Toutefois, l'exploitation de tous les qubits disponibles dans les QPU pourrait entraîner des conditions de fonctionnement plus bruitées et perturber ou ralentir le mécanisme d'apprentissage.
Cet article étudie la parallélisation des algorithmes de QML sur QPU pour le regroupement de données basé sur des modèles génératifs entraînables. Nous concevons un macro-circuit parallèle dans l'environnement Qiskit et mesurons ses performances sur un ordinateur quantique supraconducteur d'IBM. Un modèle de performance théorique est ensuite proposé pour déterminer le niveau d'accélération attendu. Enfin, nous mesurons l'impact de l'occupation du QPU sur les fonctions de pe.
