.png){kind=icon}
返回
DevQCC: Device-Aware Quantum Circuit Cutting framework with applications in quantum machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s42484-025-00313-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子电路切割是一种基础性技术，能够实现在有限容量设备上执行大型量子电路。然而，现有方法与硬件无关，仅专注于最小化导线切割、门切割及重构成本。由于忽略了量子比特连通性、固有门和设备噪声等因素，这些方法在量子硬件上执行时往往导致次优或不可行的解。为解决此问题，我们提出了一种设备感知的量子电路切割（DevQCC）框架，将硬件特定信息整合到电路切割过程中。DevQCC通过其三阶段架构提供了一个提高解保真度的电路切割框架。在第一阶段，DevQCC使用混合整数规划搜索满足硬件容量及其他约束的所有子电路集。在第二阶段，DevQCC采用设备感知的分区映射技术，在考虑噪声、拓扑和量子比特连通性的情况下，识别最优的子电路到设备的映射。在第三阶段，通过依赖图结构执行子电路的分布式执行，随后进行经典后处理以重构电路。DevQCC进一步扩展为DevQCC-状态向量（SV）以实现可扩展的SV模拟，以及DevQCC量子机器学习（QML）以高效训练大型QML模型。我们的实验评估表明，DevQCC在多种量子计算基准测试中显著优于当前最先进的电路切割方法。值得注意的是，它在各种硬件配置下均提高了保真度、可扩展性和执行可行性。DevQCC-SV和DevQCC-QML的结果验证了所提方法的有效性。
Keyword:
Distributed quantum computing
Quantum circuit cutting
Quantum machine learning
Quantum simulation
期刊
Q
IF:
4.4
论文数:
441
被引数:
796
机构
暂无机构信息
引用论文
分享收藏Challenges and Opportunities of Near-Term Quantum Computing Systems.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏 没有更多内容
没有更多内容