刻画 NISQ 时代 QML 模型编译后电路资源的扩展趋势
量子物理
2025-09-16 v1
摘要
本工作研究在连通性受限的 NISQ 处理器上，量子机器学习（QML）模型编译后电路资源的扩展特性。我们在处理器拓扑结构（线性、环、网格、星形）上分析了量子核方法与量子神经网络，重点关注 SWAP 开销、电路深度和双量子比特门数量。我们的结果表明纠缠策略对资源扩展有显著影响，循环和移位循环交替策略展现出最陡峭的扩展趋势。对于大多数 QML 模型，环拓扑展现出最慢的资源扩展，而树张量网络在编译后失去了其对数深度优势。通过在真实噪声模型下的保真度分析，我们建立了硬件改进与最大可靠量子比特数之间的定量关系，为全栈架构中面向硬件的 QML 模型设计提供了关键见解。
引用
@article{arxiv.2509.11980,
title = {Characterizing Scaling Trends of Post-Compilation Circuit Resources for NISQ-era QML Models},
author = {Rupayan Bhattacharjee and Pau Escofet and Santiago Rodrigo and Sergi Abadal and Carmen G. Almudever and Eduard Alarcón},
journal= {arXiv preprint arXiv:2509.11980},
year = {2025}
}
备注
6 pages with 10 figures