MQT Bench
PulseAugur coverage of MQT Bench — every cluster mentioning MQT Bench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习优化量子电路，门数量最多可减少95%
研究人员开发了一种使用机器学习模型优化量子电路的自动化方法。通过分析MQT Bench套件中的数千个电路，他们训练了一个预测模型来选择最有效的Qiskit转译器（transpiler）通道。这种方法显著减少了双量子比特门，在Qiskit默认配置的基础上平均减少了19.1%至32.4%，在某些情况下，改进幅度高达95.8%。
-
新的VQCSim框架加速量子-经典机器学习训练
研究人员开发了VQCSim，一个专为混合量子-经典机器学习工作流设计的新型状态向量模拟框架。这个PyTorch原生系统通过一次编译来优化参数化电路的执行，显著降低了开销。在使用MQT Bench的基准测试中，VQCSim实现了显著的加速，中位数增益在推理方面为4.49倍，训练方面为27.78倍，这主要归功于其原生的自动微分能力。该框架以增加GPU内存使用量为代价来缩短运行时间，并包含一个开源后端选择器，可自动选择最优模拟器。
-
图强化学习路由器利用校准数据提升量子电路保真度
研究人员开发了一种新的量子电路路由方法，该方法使用图强化学习并整合了量子处理器中的校准数据。该方法使用近端策略优化进行训练，并在 Munich Quantum Toolkit Bench 电路集上进行评估，实现了 0.727 的平均精确保真度。通过基于实时硬件校准优化路由，该方法显著优于 SABRE-best20 (0.440) 和 target-aware SABRE (0.481) 等标准方法，尤其是在较小的量子比特族中。研究表明…
-
感知校准的强化学习增强量子电路路由
研究人员开发了一种新颖的量子电路路由方法，该方法结合了校准数据以提高保真度。这种图强化学习方法利用IBM Heron处理器上的当日校准信息来选择硬件边缘的SWAP门，在精确模拟保真度方面优于SABRE-best20和target-aware SABRE等标准路由方法。虽然学习到的路由增加了双量子比特门的路由数量，但它在保真度方面显示出显著的改进，尤其是在较小的电路系列中，这表明量子处理器具有更鲁棒的编译策略。