SEQO - Libérer la synergie de l’optimisation exascale et quantique

Coordinateur : Nouredine Melab CRIStAL

Équipe : BONUS du Groupe Thématique : OPTIMA.

Durée : 48 mois

Résumé :

Ce projet vise la synergie entre le calcul exascale et l’informatique quantique pour résoudre des problèmes d’optimisation combinatoire (COPs) à grande échelle, un domaine encore émergent. Un défi majeur des systèmes quantiques NISQ (Noisy intermediate-Scale Quantum) est l’allocation de qubits - affecter les qubits logiques aux qubits physiques pour minimiser erreurs, décohérence et temps d’exécution. Une allocation efficace peut être formulée comme un COP et résolue à l’optimalité grâce à des méthodes d’optimisation (par exemple Branch-and Bound), revisitées pour l’exascale. Le projet explorera de nouvelles formulations et concevra des méthodes exascale assistées par le Machine Learning, pour améliorer performance, robustesse et scalabilité des systèmes NISQ.

Dans une direction exploratoire opposée et complémentaire, les sous-COPs générés par les calculs exascale, y compris l’allocation de qubits elle-même, seront reformulés en QUBO et résolus par exemple avec des émulateurs quantiques tels que QLM et sa version open-source MyQLM, intégrant les systèmes quantiques comme accélérateurs. Cette approche permettra une évaluation systématique des méthodes hybrides exascale-quantique et offrira une vision détaillée de leurs performances.

La validation expérimentale s’appuiera sur des jeux de tests standard (RevLib, QTBench, etc.) ainsi que sur de nouveaux benchmarks développés dans le projet. Les expériences seront menées sur des supercalculateurs large échelle (Jean-Zay, Slices.fr/Grid’5000), des systèmes du Top500 (LUMI, MeluXina(-AI)) et les futures machines exascales d’EuroHPC (Jupiter, Alice Recoque), ainsi que sur des plateformes quantiques comme MeluXina-Q.

Le projet livrera des solutions optimales, de nouveaux benchmarks et des méthodologies hybrides validées, établissant de nouveaux standards de pointe pour évaluer les méthodes d’optimisation et ouvrant des voies vers l’informatique hybride exascale-quantique pour l’optimisation combinatoire.

Abstract :

This project aims to bridge exascale computing and quantum computing to solve large-scale combinatorial optimization problems (COPs), a field still in its infancy. A key challenge in Noisy Intermediate-Scale Quantum (NISQ) systems is qubit allocation - mapping logical qubits to physical qubits to minimize errors, decoherence, and execution times. Efficient qubit allocation can be formulated as a COP and solved optimally using optimization methods (e.g., Branch-and-Bound) revisited for exascale. The project will explore new formulations and develop exascale methods assisted by Machine Learning to enhance performance, robustness, and scalability of NISQ systems.

In an exploratory opposite and complementary direction, sub-COPs generated by exascale computations, including qubit allocation itself, will be reformulated as QUBOs and solved for instance with quantum emulators such as QLM and its open-source version MyQLM, integrating quantum methods as accelerators. This approach will allow systematic evaluation of hybrid exascale-quantum methods and provide an in-depth understanding of their respective strengths and limitations.

Experimental validation rely on standard test suites (RevLib, QTBench, etc.) as well as new benchmarks developed within the project. Experiments will be conducted on large-scale supercomputers (Jean-Zay, Slices.fr/Grid5000), Top500 systems (LUMI, MeluXina(-AI)), and forthcoming EuroHPC exascale machines (Jupiter, Alice Recoque), as well as on quantum platforms such as MeluXina-Q.

The project will deliver optimal solutions, new benchmarks, and validated hybrid methodologies, setting new state-of-the-art standards for evaluating optimization methods and opening pathways toward hybrid exascale-quantum computing for combinatorial optimization.