量子科技中心_量科网

量子云计算使远程访问量子处理器成为可能，然而现有量子硬件的异构性和噪声特性为高效资源编排带来了重大挑战。这些问题导致量子任务分配与调度的优化变得复杂，因为现有启发式方法难以适应动态条件或有效平衡执行保真度与时间成本。该研究团队提出QFOR框架——一种基于深度强化学习的量子保真度感知型任务编排系统，用于云环境下异构量子节点的协同调度。研究人员将量子任务编排建模为马尔可夫决策过程，采用近端策略优化算法学习自适应调度策略，并利用IBM量子处理器校准数据进行噪声感知的性能评估。该可配置框架能平衡整体量子任务执行保真度与时长，适应不同的操作优先级需求。大量实验表明，QFOR具有自适应特性，其相对保真度性能较启发式基线提升29.5%-84%，同时保持相当的量子执行时间，有助于实现量子计算资源的成本高效利用。