量子科技中心_量科网

该研究探讨了在连接受限的近含噪中等规模量子（NISQ）处理器上，量子机器学习（QML）模型后编译电路资源的扩展特性。研究人员分析了不同处理器拓扑结构（线性、环形、网格状、星型）下的量子核方法与量子神经网络，重点关注交换操作开销、电路深度及双量子比特门数量。研究发现纠缠策略对资源扩展具有显著影响，其中循环和移位循环交替策略展现出最陡峭的扩展曲线。在大多数QML模型中，环形拓扑表现出最缓慢的资源扩展，而树张量网络在编译后丧失了其对数级深度优势。通过现实噪声模型下的保真度分析，该工作建立了硬件改进与最大可靠量子比特数之间的定量关系，为全栈架构中硬件感知的QML模型设计提供了关键见解。