.png){kind=icon}
返回
A Dynamic Testing Strategy With Incremental Learning Model for Quantum Programs
.png){kind=icon}
PRE
AI
DOI：10.1109/TQE.2025.3626745.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子计算已作为一种具有广泛应用前景的创新计算范式出现。随着量子计算的进步，高质量量子程序的研发变得至关重要，确保其可靠性势在必行。软件测试在实现软件系统可靠性和质量方面发挥着关键作用。针对传统程序，已提出了多种测试策略和工具；然而，关于量子程序测试方法的研究仍处于早期阶段。传统测试技术虽然对经典程序有效，但难以应对量子程序带来的独特挑战，包括量子系统的固有特性（如叠加和纠缠），以及随着量子比特数量增加而呈指数级扩大的输入空间。此外，传统测试策略通常不考虑与输入量子比特（qubits）相关的隐藏和非确定性失效模式，若能识别这些模式，则可能实现更高效的故障检测。因此，本文介绍了一种新型方法——基于增量学习的量子动态测试（QDT-IL），旨在有效捕捉并适应量子程序中的失效模式。QDT-IL采用增量学习模型，从已执行的测试用例中学习，并持续更新对新测试用例的失效倾向预测。通过利用基于距离的多样性指标，QDT-IL战略性地增加测试用例的多样性，从而能够有针对性地探索输入空间中的失效易发区域。这种自适应学习与多样化测试用例选择的结合，显著提升了量子程序测试的有效性和效率。实验研究表明，QDT-IL优于基线策略，为量子程序提供了更有效的测试过程。
Keyword:
Failure patterns
incremental learning
quantum program testing
software cybernetics
test case distance
期刊
I
IF:
4.6
论文数:
52
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
On the use of contextual information for machine learning based test case prioritization in continuous integration development在持续集成开发中使用上下文信息进行基于机器学习的测试用例优先级排序
PREAI
分享收藏分享收藏
查看更多内容