发表机构
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究混合量子与经典工作负载管理问题，核心方法是用基于Fluxion图调度器支持的Fluence插件，贡献在于评估其在三种场景下表现，能消除节点时间浪费、减少线程空闲时间、降低成本并缩短结果时间，可在不修改容器下添加量子感知到云原生调度器。
AI 中文摘要
高性能计算中心正在扩展到传统计算之外的资源。通过将资源扩展到量子计算，混合量子-经典工作流能够解决以前无法解决的复杂优化问题。然而，将量子处理单元集成到云原生和科学工作负载管理器中带来了独特的编排挑战：远程量子设备除了传统调度器的队列外，还引入了第二个外部队列，即双队列问题。在这项工作中，我们展示了Fluence，这是一个由基于Fluxion图的调度器支持的Kubernetes调度器插件，它能够为量子-经典工作负载和自定义资源进行明智的、分组调度放置。我们使用AWS Braket模拟器和真实量子处理单元在三种场景下评估了Fluence。首先，在节点竞争情况下，Fluence的原子分组放置几乎消除了默认调度器因部分放置分组而产生的节点时间浪费。其次，我们为双队列问题引入了一种同步原语，其中单个生产者提交共享量子任务，而消费者保持调度门控，在短设备队列下将工作线程空闲时间减少了约5倍，当真实设备队列延长至数小时时减少了几个数量级。第三，成本和队列感知后端选择确定了满足工作负载的最便宜或最短队列设备，将每次运行的平均成本降低了约70倍，将结果时间从数小时缩短至不到一分钟。这些结果表明，可以在不修改用户容器的情况下将量子感知添加到云原生调度器中。
英文摘要
High Performance Computing (HPC) centers are expanding to integrate quantum resources, enabling hybrid quantum-classical workflows for complex optimization. Integrating quantum processing units (QPUs) into workload managers poses an orchestration challenge: a remote QPU introduces a second queue - a "two-queue problem" - alongside the scheduler's own. We present Fluence, a Kubernetes scheduler plugin backed by the Fluxion graph-based scheduler, enabling gang-scheduled placement for quantum-classical workloads and custom resources. First, under contention, Fluence's atomic gang placement eliminates the node-time a default scheduler wastes on partially placed gangs. Second, a synchronization primitive gates consumers behind a single producer's shared quantum task, cutting worker idle time roughly 1.2-12x under short queues and orders of magnitude under long ones. Third, policy-aware backend selection cuts mean per-run cost roughly 72x and time-to-result from hours to under two minutes. Together, these results show that quantum-awareness can be added to a cloud-native scheduler without modifying user containers.
Comments10 pages, 6 figures
