Qiskit
PulseAugur coverage of Qiskit — every cluster mentioning Qiskit across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的量子遗忘方法加速联邦学习中的数据删除
研究人员开发了一种名为纠缠加权剪枝（EWP）的新方法，用于量子联邦学习，旨在从训练模型中有效删除特定客户端的数据影响。该技术对于遵守GDPR等数据保护法规至关重要，这些法规赋予用户被遗忘其数据的权利。EWP根据模型参数的纠缠和对客户端数据的贡献对其进行评分，从而实现有针对性的剪枝。EWP使用Qiskit实现，其性能与完全重新训练相当，但速度显著更快，以降低的计算成本实现了相似的准确性。
-
新型量子搜索算法BMGS解决了多解可扩展性问题
提出了一种名为双向多解可扩展Grover搜索（BMGS）的新型量子搜索算法，以解决现有Grover搜索算法在寻找多个解时的可扩展性问题。这种新颖的方法采用了多段双向搜索策略，允许从多个标记状态并行搜索，而无需合并操作。与最先进的方法相比，BMGS算法展示了更高的效率，对于浅层量子电路所需的迭代次数更少，并实现了s个解的最优O(sqrt(sN))平均复杂度。
-
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%。
-
KQFuzz 使用 LLM 改进量子库测试，发现 13 个 bug
研究人员开发了 KQFuzz，一种利用代码库知识引导的大语言模型（LLM）进行量子库测试的新方法。该方法旨在提高基于 LLM 的模糊测试的灵活性和效率，而这在以前是有限的。KQFuzz 采用了一种新颖的提示方案，该方案结合了量子程序代码库的知识来生成高质量的种子程序。该系统还包括评估和变异策略，以提高测试用例的多样性和模糊测试效率。当应用于 Qiskit、PennyLane 和 Cirq 时，KQFuzz 证明了覆盖率的显著提高，最高…
-
Hash-QNeRF 将哈希编码与量子 NeRF 相结合，以实现更快的训练速度
研究人员推出了一种名为 Hash-QNeRF 的新方法，该方法将多分辨率哈希编码与量子神经辐射场 (QNeRF) 相结合。这种混合方法旨在提高在量子计算机上训练 NeRF 模型时的效率和速度。通过用哈希网格替换经典的弦函数位置编码，Hash-QNeRF 在保持 QNeRF 的量子辐射预测能力的同时，展示了更快的收敛速度和更好的内存效率。在合成场景上的实验达到了较低的训练损失，并表明哈希编码不会对量子电路的抗噪声能力产生负面影响。
-
新的易感结构改进金融波动预测
研究人员开发了一种新的波动预测储层设计原理，称为易感结构（SUSA），用于金融市场的波动预测。SUSA 利用复值储层和状态条件专家来分析市场状态，如平静、启动、恢复和压力。实现包括使用 Qiskit 的开放系统 q-qubit 版本，以 AR-Ridge 为锚定，并使用 QLIKE 进行训练。在美国股票和 ETF 系列上的评估表明，与 GARCH 模型相比，QLIKE 在特定资产上具有统计学上的显著改进，并通过堆叠集成增强了 HARQ…
-
量子计算研究探索电路优化和PQC性能
两篇新研究论文探讨了量子计算的进展，重点关注电路优化和性能的不同方面。第一篇论文介绍了一种神经引导采样方法，用于减少量子电路在转译后的复杂性，与现有的Qiskit和BQSKit优化级别相比，效率更高。第二篇论文研究了深度参数化量子电路（PQC），发现它们可以表现出双下降行为，随着模型尺寸的增加，在未见过的数据上性能得到改善，为量子机器学习提供了谨慎乐观的前景。
-
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。