Loading...
机构名称:
¥ 2.0

QED-C 面向应用的基准套件提供了衡量量子计算机在实际应用中的性能特征的能力。其基准程序涵盖了一系列问题规模和输入,捕获了与结果质量、总执行时间和消耗的量子门资源相关的关键性能指标。本文描述的工作研究了将这种基准测试方法的相关性扩展到更复杂的应用程序所面临的挑战。首先,我们介绍了一种通过系统地改变算法参数来改善景观覆盖的方法,并在新的可扩展 HHL 线性方程求解器基准中举例说明了此功能。其次,我们在 QED-C 套件中添加了氢晶格模拟的 VQE 实现,并介绍了一种分析结果质量和运行时成本权衡的方法。我们观察到,随着量子比特数量的增加,准确度会下降,但执行时间只会略微增加。第三,我们探索了监督机器学习分类应用程序的独特特征,将其作为衡量框架对新类别应用程序的可扩展性的基准。将其应用于二元分类问题表明,更大的 anzatz 电路所需的训练时间会增加,并且经典开销会显著增加。第四,我们在基准测试工作流程中添加了优化和误差缓解方法,这使我们能够:确定近似门综合和门噪声之间的有利权衡;观察测量误差缓解和一种确定性误差缓解算法的好处;并将改进与由此产生的时间开销进行对比。展望未来,我们将讨论基准测试框架如何有助于促进算法选项的探索及其对性能的影响。

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日PDF文件第1页

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日PDF文件第2页

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日PDF文件第3页

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日PDF文件第4页

arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日PDF文件第5页

相关文件推荐

2024 年
¥17.0
2024 年
¥1.0