Qiskit
PulseAugur coverage of Qiskit — every cluster mentioning Qiskit across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的基准测试评估LLM在量子代码版本兼容性
一项名为quantum-api-drift的新基准测试已被开发出来，用于评估大型语言模型生成与特定软件开发工具包（SDK）版本兼容的量子代码的能力。该基准测试使用了Qiskit在v0.43、v1.3和v2.0版本上进行了测试，对17个模型进行了50项任务的评估。Claude Opus 4.7在v0.43和v2.0上表现最佳，而Grok 4.20在v1.3上表现出色。研究发现，尽管文档指导的修复有所帮助，但API漂移仍然是LLM生成的量…
-
随着成本上升，量子计算成为 AI 的下一个前沿领域
由于规模庞大和训练要求极高，传统 AI 模型正面临计算和能源的极限。量子计算利用量子比特同时探索多种解决方案的能力，提供了一个潜在的解决方案。通过将量子硬件与 AI 结合进行错误管理，研究人员旨在显著加快 AI 模型训练速度并克服当前的瓶颈。
-
新的P-GONE方法优化量子电路分解
研究人员开发了一种名为P-GONE的新方法，该方法使用条件扩散模型和图神经网络来优化量子计算的Trotter Suzuki分解。该方法联合学习分组、顺序和时间步长分配，与现有方法相比，显著压缩了电路深度。P-GONE在电路深度方面实现了高达19.4倍的压缩，并在标准去极化噪声模型下显示出2倍的噪声保真度提升。
-
量子机器学习通过无泄漏评估增强无人机异常检测
研究人员开发了一种使用量子机器学习检测无人机（UAV）异常的新方法。该研究在TLM:UAV基准测试上引入了一种无泄漏的评估方法，采用了一种面向群组的时间协议和三模特征审计来评估不同信号类型的影响。虽然混合XGBoost和数据重上传（DRU）分类器显示出渐进式的好处，但其统计显著性受到种子间方差的限制，尽管在无代理条件下实现了最低的误报率。该团队已发布了一个开源的Qiskit实现，用于NISQ时代的航空航天系统的网络安全分析。
-
新基准评估 LLM 在量子计算任务上的表现
研究人员已将 Microsoft 的量子计算课程 QuantumKatas 改编到广泛使用的 Qiskit 框架中，创建了一个用于评估大型语言模型 (LLM) 的新基准。该基准包含 350 个任务，涵盖 26 个类别，从基本门到高级算法和纠错。对 16 个 LLM 的初步评估显示了能力上的显著差异，前沿模型和开源模型之间存在明显差距，并突出了模型擅长的领域（如实现已知算法）和挣扎的领域（如问题编码）。
-
量子增强混合模型在无人机异常检测方面展现潜力
研究人员通过将量子机器学习与经典技术相结合，开发了一种检测无人机（UAV）异常的新方法。该方法在TLM:UAV基准上使用无泄漏评估协议来区分物理信号和上下文数据。虽然独立的量子模型未能持续优于经典方法，但XGBoost和数据重上传分类器的混合模型通过仅依赖物理信号提高了准确性，并在无代理评估中实现了最低的误报率，展现出潜力。
-
GraphRAG 在量子论文上将 token 使用量减少 60%
为 TigerGraph GraphRAG 推理黑客马拉松开发的一个项目表明，GraphRAG 在处理复杂查询时能显著减少 token 消耗并提高准确性。通过构建实体及其关系的知识图谱，与传统的基于向量的 RAG 相比，GraphRAG 能够实现更集中的检索。在对超过 200 万篇量子计算研究论文摘要进行基准测试时，GraphRAG 的准确率达到了 90%，优于仅使用 LLM 和基础 RAG 的管道。
-
强化学习代理高效合成Clifford量子电路
研究人员开发了一种新颖的强化学习方法来合成Clifford量子电路。他们的方法利用了一个大小无关、等变的神经网络，该网络学习发现Clifford门的最佳序列。该代理表现出色，能在毫秒内找到六量子比特系统的近最优电路，并扩展到三十量子比特，性能优于现有合成器。
-
量子PCA算法提供最优谱投影
研究人员开发了一种名为Filtered Spectral Projection Algorithm (FSPA) 的新算法，用于量子主成分分析（qPCA）。该方法通过专注于投影到主谱子空间来绕过显式的特征值估计，在挑战性环境下提供了鲁棒性。FSPA实现了最优的Oracle复杂度，并通过在各种数据集上的最小Qiskit实现进行了验证，展示了其作为可部署的量子谱投影原语的潜力。