本研究探讨了机器学习（ML）技术在预测量子任务QPU处理时间中的应用。通过采用ML算法，该工作提出了旨在提升量子计算系统运行效率的预测模型。基于约15万项遵循IBM Quantum架构的任务数据集，该团队运用以梯度…

该研究团队提出了一种基于测量的容错量子计算（MB-FTQC）架构，适用于离子阱和中性原子等高连通性平台。其核心思想是采用经验证逻辑辅助量子位结合Knill纠错隐形传态技术，消除重复的校验子测量，并将解码简化为逻辑泡…

量子密钥分发（QKD）是实现信息论安全通信的前沿技术，其中BB84协议及其变体已在实地部署中投入应用。随着QKD从点对点链路发展为多节点网络，可扩展性与成本效益成为核心挑战。在诸多解决方案中，高效BB84协议展现出…

该研究团队提出了“平滑门”技术——一种用于囚禁离子量子比特的纠缠方法，通过调节门失谐量来绝热消除残余的自旋-运动纠缠误差。实验实现了电子可控的双量子比特门，在无需基态冷却条件下测得误差率仅为8.4(7)×10^-5…

量子密钥分发（QKD）是一种利用量子力学原理实现安全密钥交换的密码学技术。该技术的实际部署需要构建能在复杂现场环境中稳定运行的耐用、经济型系统。当前主要挑战在于如何在不增加硬件复杂度的前提下实现可靠时钟同步。传统方…

量子纠错（QEC）是量子计算的基石，能够在存在噪声的情况下实现可靠的信息处理。稀疏稳定子码——通常被称为量子低密度奇偶校验（QLDPC）码——近年来已成为QEC研究的前沿领域。这可以归因于几个关键因素：首先，经典L…

随着量子机器学习的发展，强化学习作为极具潜力但尚未充分探索的前沿领域尤为突出。该研究团队通过系统综述评估了量子强化学习（QRL）在各应用场景中的潜力。尽管相比其他量子机器学习方法，QRL获得的研究关注较少，但最新成…

美国量子技术中心（CQT）是由国家科学基金会（NSF）产学合作研究中心计划（IUCRC）支持成立的多所高校联盟。该联盟由普渡大学、印第安纳大学（布卢明顿和印第安纳波利斯校区）及圣母大学共同牵头，旨在通过学界与产业界…

将量子计算机从少量量子比特扩展至大规模系统仍是实现实用量子优势的关键挑战之一。多核量子架构作为一种有前景的解决方案应运而生，其通过经典与量子链路互联的分布式量子处理器（QPUs）实现可扩展性。然而，有线连接的瓶颈问…

量子机器学习（QML）虽具备计算优势潜力，但现实任务的进展受限于经典预处理过程和噪声设备。该研究团队提出ViT-QCNN-FT混合框架，将微调的视觉Transformer与量子卷积神经网络（QCNN）结合，将高维图…