quantum-info-supremacy-data

该存储库包含用于量子信息优势实验的真实随机性源数据，这些随机比特根据协议生成，用于指定Haar随机量子状态和均匀随机Clifford测量，以支持分布式XEB任务的实例。

This repository contains real randomness source data for quantum advantage experiments. These random bits are generated according to the protocol, for specified Haar-random quantum states and uniformly random Clifford measurements, to support instances of distributed XEB tasks.

原始信息汇总

数据集概述

数据集名称

Data for Quantum Information Supremacy

关联论文

该数据集伴随论文《Demonstrating an unconditional separation between quantum and classical information resources》发布。

数据内容

• 包含实验中使用的真实随机性来源。
• 随机比特根据指定协议生成，协议详情见https://dx.doi.org/10.1103/PhysRevApplied.3.054004。
• 数据由Aqacia提供。

在论文中的用途

• Alice的输入：真实随机比特用于指定Haar随机量子态。
• Bob的输入：相同的随机性用于采样均匀随机Clifford测量。
• 这些输入共同定义了分布式XEB任务的实例，用于实验演示量子信息优越性。

相关代码

项目代码位于https://github.com/sabeegrewal/quantum-info-supremacy/。

搜集汇总

数据集介绍

构建方式

在量子信息优势验证的研究框架下，该数据集的构建依托于严格的理论协议。其核心随机比特序列来源于Aqacia团队提供的真实随机数生成系统，该系统基于光学量子随机数发生器实现，遵循《Physical Review Applied》期刊中公布的物理原理。这些随机数经过Haar随机量子态生成算法处理，转化为量子态描述参数，同时通过均匀采样Clifford群测量基矢的方式构建测量配置，共同形成了分布式交叉熵基准测试的实验实例。

特点

该数据集的显著特征在于其不可复现的量子随机性本质。所有随机比特均来自量子力学原理保证的真随机源，与经典伪随机数存在本质区别。数据集严格对应论文中的分布式XEB任务实例，其中Alice的输入数据编码为高维希尔伯特空间中的随机量子态，Bob的输入则构成完备的Clifford测量集合。这种设计确保了量子资源与经典信息处理方式的可分离性验证，为量子优势理论提供了实证基础。

使用方法

使用本数据集时需结合配套的量子信息处理代码库。研究人员首先通过量子态制备模块加载随机比特序列，重构Haar随机量子态作为通信协议的发送方输入。接收方则需调用Clifford测量采样模块，将同一随机源转换为测量基矢配置。在分布式XEB任务执行过程中，双方需严格同步随机种子以保持输入关联性，最终通过量子态层析和经典模拟对比完成量子信息优势的定量验证。

背景与挑战

背景概述

量子信息优势数据集源于量子计算领域对量子资源与经典资源根本性差异的探索，由研究团队在相关论文发表期间构建，旨在验证量子系统在信息处理能力上的无条件优势。该数据集的核心研究问题聚焦于分布式交叉熵基准任务中量子态与经典模拟的分离性证明，通过实验数据支撑量子信息优越性的理论框架，为量子计算基础研究提供了关键实证依据。

当前挑战

该数据集需解决量子优势验证中随机性来源的可靠性挑战，包括高维量子态的 Haar 随机生成与 Clifford 测量的均匀采样问题。构建过程中面临真实随机比特的大规模采集与标准化难题，需依赖外部机构提供的物理随机源，并确保实验实例在分布式任务中的一致性与可复现性。

常用场景

经典使用场景

在量子信息科学领域，该数据集为分布式交叉熵基准测试提供了关键支持，通过生成真实的随机比特序列，用于指定Haar随机量子态和均匀随机Clifford测量。这种经典使用场景使得研究者能够在受控环境中模拟量子系统的复杂行为，验证量子资源在信息处理中的优越性。

解决学术问题

该数据集有效解决了量子与经典信息资源分离验证中的核心难题，如随机性依赖和实验可重复性。通过提供标准化的真实随机源，它促进了量子优越性理论的实证研究，为量子计算基础理论提供了坚实的数据支撑，推动了量子信息学的定量分析发展。

衍生相关工作

基于该数据集衍生的经典工作包括量子随机数生成协议的改进研究，以及分布式量子计算任务的拓展实验。相关研究进一步探索了Clifford群在量子门集优化中的应用，为量子机器学习等交叉领域提供了新的理论框架。