Plánovací problém, který nedokáže zvládnout žádný klasický počítač

Právě teď obíhá kolem Země více než 10 000 aktivních satelitů. Do roku 2030 toto číslo překročí 50 000. Každý satelit má své úkoly -- snímání cílů, zprostředkování komunikace, sběr vědeckých dat -- a každý úkol podléhá celé síti omezení: orbitálním oknům, energetickým rozpočtům, tepelným limitům, kapacitě přenosu dat na Zemi, dostupnosti pozemních stanic a prioritním konfliktům s ostatními úkoly na téže kosmické lodi i napříč celou konstelací.

Problém optimálního naplánování těchto úkolů není pouze obtížný. Patří do třídy matematických problémů, kde počet možných rozvrhů roste rychleji, než dokáže prohledat jakýkoli klasický počítač. A na rozdíl od mnoha teoretických výsledků v oblasti složitosti má tento bezprostřední a vyčíslitelné důsledky. Zlepšení efektivity plánování o 3 % napříč konstelací s 10 000 satelity se promítá do stovek milionů dolarů dodatečných příjmů a kapacity ročně.

Kombinatorická exploze

Abychom pochopili, proč satellite scheduling rozbíjí klasické výpočty, uvažujme zjednodušenou verzi problému. Máte N satelitů, z nichž každý má M možných úkolů, které lze naplánovat do kteréhokoli z T časových slotů. Omezení jsou, že úkoly na stejném satelitu se nesmějí překrývat, úkoly vyžadující stejnou pozemní stanici nelze přenášet na Zemi současně a musí se dodržet prioritní pravidla.

Počet možných rozvrhů je přibližně T^(N*M). Pro skromnou konstelaci se 100 satelity, 50 úkoly na satelit a 100 časovými sloty je to 100^5000 -- číslo s 10 000 ciframi. Pozorovatelný vesmír obsahuje přibližně 10^80 atomů. Prostor řešení tohoto plánovacího problému převyšuje toto číslo o faktor, který sám má tisíce cifer.

Žádný klasický algoritmus nedokáže tyto možnosti vyjmenovat. V praxi klasické přístupy používají heuristiky -- hladové algoritmy, genetické algoritmy, šíření omezení a metody větvení a mezí (branch-and-bound) -- které nacházejí „dostatečně dobrá" řešení bez záruky optimality. Nejlepší klasickou aproximací pro základní problém grafové optimalizace (maximální vážený řez, na který se satellite scheduling redukuje) je Goemansův-Williamsonův algoritmus, který zaručuje řešení dosahující alespoň 87,8 % optima.

Tato záruka 87,8 % platí už tři desetiletí. Jde o matematický strop, nikoli o inženýrské omezení. Žádný klasický algoritmus s polynomiálním časem jej nedokáže prokazatelně překročit za předpokladu, že P se nerovná NP. Pro provozovatele konstelace to znamená, že přibližně 12 % potenciální hodnoty plánování je prostřednictvím klasických výpočtů trvale nedostupných.

Proč má tento strop každým rokem větší význam

Ta 12% mezera mezi Goemansovou-Williamsonovou zárukou a optimem by byla pouhou zajímavostí, kdyby si problém zachoval stejnou velikost. Jenže tomu tak není. Každý satelit přidaný do konstelace zvyšuje složitost problému nadlineárně. Interakční členy -- konflikty pozemních stanic, omezení sdílení spektra, požadavky na předcházení kolizím -- rostou s velikostí konstelace kvadraticky.

To znamená, že absolutní hodnota uzamčená za klasickým stropem se každým rokem zvyšuje. Když měla konstelace 100 satelitů, 12% mezera mohla představovat 20 milionů dolarů v neefektivitě plánování. Při 10 000 satelitech představuje miliardy. Ekonomika vesmírných operací mění teoretický výsledek o složitosti v praktické obchodní omezení.

Provozovatelé na to reagovali tím, že na problém nasadili více klasického výpočetního výkonu. Plánovací nástroje ve firmách SpaceX, Planet a Maxar běží na obrovských výpočetních klastrech, spalujíce miliony CPU-hodin, aby ze stále sofistikovanějších heuristik vymáčkly okrajová zlepšení. Zlepšení jsou však logaritmická -- každé zdvojnásobení výpočetního rozpočtu přináší klesající výnosy. Strop se neposouvá.

QAOA: průlom na úrovni 90,7 %

Kvantový aproximační optimalizační algoritmus (QAOA) přistupuje k plánovacímu problému zásadně odlišným směrem. Namísto prohledávání klasického prostoru řešení zakóduje QAOA problém jako kvantový hamiltonián a vyvíjí kvantový stav, který soustřeďuje amplitudu pravděpodobnosti na vysoce kvalitní řešení.

Mechanika je přesná. Plánovací omezení jsou zakódována v „problémovém hamiltoniánu", jehož základní stav odpovídá optimálnímu rozvrhu. „Míchací hamiltonián" pohání přechody mezi kandidátskými řešeními. QAOA střídá aplikování těchto dvou hamiltoniánů po p kol, přičemž úhly optimalizuje klasická vnější smyčka. Výsledný kvantový stav se změří, čímž vznikne kandidátský rozvrh.

Na referenčních plánovacích problémech, které se redukují na Max-Cut, QAOA prokázala aproximační poměry 90,7 % -- měřitelné a významné zlepšení oproti klasickému stropu 87,8 %. Nejde o teoretickou projekci. Je to naměřený výsledek na kvantovém hardwaru, dosažený pomocí relativně mělkých obvodů (p = 3 až 5 kol).

Tři vlastnosti tohoto výsledku si zaslouží pozornost:

• Zlepšení je nad prokázaným klasickým stropem. Nejde o porovnání s konkrétním klasickým algoritmem, který by se dal vylepšit. Hranice 87,8 % platí pro všechny klasické algoritmy s polynomiálním časem. QAOA působí na území, které je za standardních předpokladů o složitosti klasicky nedostupné.
• Zlepšení se škáluje s velikostí problému. U malých instancí (20 – 30 proměnných) je výhoda mírná. Se zvětšováním problému na 50 – 100 proměnných a více se mezera mezi výkonem QAOA a klasickým stropem rozšiřuje. Právě tato škálovací vlastnost činí výsledek relevantním pro reálné konstelace.
• Obvody jsou dostatečně mělké pro současný hardware. Na rozdíl od chybově odolných kvantových algoritmů, které vyžadují miliony kvantových bitů s opravou chyb, QAOA s p = 3 – 5 běží na dnešním šumovém kvantovém hardwaru se střední škálou (NISQ). Techniky zmírňování chyb zlepšují výsledky ještě více bez nutnosti úplné opravy chyb.

Význam poměru 90,7 % oproti 87,8 % nespočívá v těch 2,9 procentního bodu. Spočívá v tom, že to zlepšení vůbec existuje nad stropem, který klasické výpočty nedokážou prolomit. Ta mezera je důkazem konceptu kvantové výhody u problému s přímým průmyslovým významem.

Proč se kvantová výhoda škáluje s velikostí problému

Škálovací argument je nejsilnějším důvodem pro kvantovou optimalizaci plánování a zaslouží si důkladné vysvětlení. Klasické heuristiky pro kombinatorickou optimalizaci fungují tak, že prohledávají prostor řešení prostřednictvím lokálních tahů -- překlopení jednoho přiřazení, výměny dvou úkolů nebo prohledávání okolí s omezenou hloubkou. Každý lokální tah vyhodnotí konstantní nebo polynomiální počet alternativ.

QAOA naproti tomu prohledává prostor řešení prostřednictvím kvantové superpozice. Když se kvantový stav vyvíjí pod problémovým hamiltoniánem, současně vyhodnocuje cenu exponenciálního počtu kandidátských řešení. Míchací hamiltonián poté přerozděluje amplitudu pravděpodobnosti od slabých řešení k dobrým. Nejde o paralelní prohledávání -- je to zásadně odlišný výpočetní mechanismus, který využívá konstruktivní a destruktivní kvantovou interferenci.

Jak problém roste, počet lokálních optim v klasické krajině prohledávání roste exponenciálně. Klasické heuristiky utrácejí stále větší část svého výpočetního rozpočtu na vyšplhání z těchto lokálních pastí. Kvantové tunelování QAOA jí umožňuje přecházet mezi oblastmi řešení oddělenými vysokoenergetickými bariérami -- přechody, které jsou v klasickém prohledávání exponenciálně potlačeny.

Praktickým důsledkem je, že mezera mezi QAOA a klasickými heuristikami není konstantní. Roste s velikostí problému. Pro satelitní konstelace, které každý rok přidávají stovky nových prostředků, to znamená, že kvantová výhoda se s každou generací konstelace stává hodnotnější.

Plánovací problém není ojedinělý

Satellite scheduling je nejkonkrétnějším příkladem širšího vzorce. Jakákoli provozní oblast s následujícími vlastnostmi čelí stejnému klasickému stropu:

1. Kombinatorická struktura: Rozhodovací proměnné jsou diskrétní (přiřaď tento úkol do tohoto slotu, nebo ne).
2. Hustá omezení: Každé rozhodnutí interaguje s mnoha dalšími prostřednictvím sdílených zdrojů, časového uspořádání nebo kapacitních limitů.
3. Tlak škálování: Počet rozhodovacích proměnných se s rozšiřováním provozu v čase zvyšuje.
4. Ekonomická citlivost: Mezera mezi dobrým a optimálním řešením má významný finanční dopad.

Řízení letového provozu, logistika dodavatelského řetězce, směrování v sítích, plánování pracovních sil a plánování vojenských operací -- to vše sdílí tuto strukturu. Satellite scheduling je jen oblastí, kde jsou čísla nejjasněji vyčíslena a trajektorie růstu nejpředvídatelnější. Argument o kvantové výhodě však platí pro celou tuto třídu.

Obchodní důvody jednat nyní

Standardní námitka vůči investicím do kvantových počítačů zní, že hardware „ještě není připraven". U satellite scheduling tato námitka selhává ze dvou důvodů.

Zaprvé, hardware už dnes přináší výsledky nad klasickým stropem. Údaj 90,7 % je naměřený výsledek, nikoli projekce. Otázkou není, zda kvantové plánování funguje, ale jak rychle se toto zlepšení bude škálovat se zlepšováním hardwaru.

Zadruhé, náklady na integraci nejsou zanedbatelné a s odkladem rostou. Vybudování kvantového plánovacího řetězce vyžaduje přeformulování stávajících plánovacích problémů na instance QUBO, vývoj hybridních klasicko-kvantových řešicích pracovních postupů, integraci se stávajícími systémy plánování misí a školení provozních týmů. Organizace, které s touto prací začnou nyní, budou mít produkčně odladěné systémy v době, kdy zlepšení hardwaru učiní tuto výhodu rozhodující. Organizace, které budou čekat, budou čelit několikaletému integračnímu úsilí, zatímco konkurenti už budou fungovat s vyšší efektivitou.

Matematika je jednoznačná: klasické plánování narazilo na prokazatelný strop. Kvantová optimalizace prokázala, že dokáže působit nad tímto stropem. Mezera mezi nimi roste s velikostí konstelace. Pro jakoukoli organizaci působící ve velkém rozsahu ve vesmíru nebo v příbuzných oblastech se náklady na nečinnost každé čtvrtletí kumulují.