quantum-machine-learning-models

Neura Parse量子机器学习模型数据集是一个专注于量子计算与机器学习交叉领域的综合性、多格式数据集。该数据集旨在为量子计算感知的AI系统的研究和开发提供实践性、代码优先的垂直领域资源。数据集包含16,123条记录，涵盖六种记录类型：概念条目（3,704条）、开放问答（3,409条）、可运行代码任务（3,136条）、多项选择问答（2,833条）、指令/响应对（2,143条）以及语料文本（898条）。内容按难度分为入门级（4条）、本科级（2,848条）、研究生级（10,390条）和研究级（2,881条）。数据集系统化地组织了量子机器学习模型的核心主题，包括：数据编码与特征映射、变分分类器与量子神经网络、量子核与量子支持向量机、生成与能量基量子模型、序列/视觉/强化学习/光子架构，以及训练机制与端到端流水线。该数据集混合了指令/响应对、开放和多项选择问答、可执行代码任务和百科全书式概念条目，采用统一模式，因此既适用于监督微调，也适用于评估/基准测试和持续预训练。数据来源于混合途径，包括专家策划的研究分类法、LLM合成，以及基于arXiv预印本和官方文档的确定性合成种子，并经过严格的质量门控和验证流程。数据集附有详细的验证措施，确保代码可执行性、答案准确性、引用真实性，并明确标注了经典基线或无声称量子优势的声明。数据集主要用于研究和开发目的，其合成记录虽经验证但仍可能包含错误，不应被视为权威的科学参考。The Neura Parse Quantum Machine Learning Model Dataset is a comprehensive, multi-format dataset focused on the intersection of quantum computing and machine learning. It aims to provide practical, code-first vertical domain resources for the research and development of quantum computing-aware AI systems. The dataset contains 16,123 records, covering six record types: concept entries (3,704), open Q&A (3,409), runnable code tasks (3,136), multiple-choice Q&A (2,833), instruction/response pairs (2,143), and corpus text (898). Content is categorized by difficulty into beginner (4), undergraduate (2,848), graduate (10,390), and research (2,881) levels. It systematically organizes core topics in quantum machine learning models, including: data encoding and feature mapping (how to embed classical data into quantum states), variational classifiers and quantum neural networks (supervised models based on parameterized quantum circuits), quantum kernels and quantum support vector machines (QSVMs), generative and energy-based quantum models (such as quantum GANs, circuit Born machines), sequence/vision/reinforcement learning/photonic architectures (e.g., quantum convolutional networks, quantum attention/transformers), and training mechanisms and end-to-end pipelines. The dataset mixes instruction/response pairs, open and multiple-choice Q&A, executable code tasks, and encyclopedic concept entries in a unified schema, making it suitable for supervised fine-tuning, evaluation/benchmarking, and continued pre-training. Data comes from mixed sources, including expert-curated research taxonomies, LLM synthesis, and deterministic, source-grounded synthetic seeds based on arXiv preprints from 2025-2026 and official documentation from IBM/Google/Microsoft/Quantinuum/NIST/OpenQASM/QIR, with rigorous quality gating and validation processes. The dataset includes detailed verification measures to ensure code executability, answer accuracy, citation authenticity, and clear labeling of classical baselines or no quantum advantage claimed statements. It is primarily intended for research and development purposes; although synthetic records are verified, they may still contain errors and should not be considered authoritative scientific references.

原始信息汇总

数据集概述

数据集名称： Neura Parse — Quantum Machine Learning Models: Encodings, Kernels, QNNs & Generative/Deep Architectures

Hub ID： Neura-parse/quantum-machine-learning-models

许可证： CC-BY-4.0

语言： 英语

数据集规模： 100K < n < 1M（共计 115,429 行）

数据集版本： v3.1.0

数据集划分： train 和 test，数据以 Parquet 格式存储。

记录格式： 包含六种格式：code、concept、corpus、instruction、qa_mcq、qa_open。

主要来源字段： source_url，所有行均带有来源验证标签 source=neura-parse-research。

适用场景： 监督微调、评估/基准测试、检索增强生成（RAG）以及继续预训练。

---

数据集内容与主题

该数据集是一个 多格式、来源可验证的研究数据集，专注于量子机器学习模型。涵盖以下主题领域：

• 数据编码与特征映射：基础编码、振幅编码、角度编码、IQP/ZZ 编码、数据重上传等。
• 变分分类器与量子神经网络：基于参数化量子电路的监督模型，包括 EstimatorQNN/SamplerQNN、混合 Torch/Keras 层、迁移学习、量子自编码器。
• 量子核与 QSVM：基于特征映射电路的保真度/重叠核，核目标对齐，以及对真实数据集的评估。
• 生成式与基于能量的量子模型：量子 GAN、电路波恩机、量子玻尔兹曼机、量子扩散模型与归一化流模型。
• 序列、视觉、强化学习与光子学架构：量子卷积网络、量子/混合注意力与 Transformer、量子强化学习智能体、连续变量/光子学神经网络。
• 训练机制与端到端流水线：参数偏移与伴随梯度、预算分配、小批量训练、编码感知初始化、可重复的端到端流水线及经典基线。

---

记录类型与用途

记录类型	数量	数据负载	最佳用途
qa_open	34,527	开放答案的量子问题	推理评估、RAG 答案生成、辅导
instruction	23,979	指令与答案对	监督微调、助手行为塑造、任务跟随
code	23,753	可执行的量子/软件任务	代码生成、代码审查、工具使用评估
qa_mcq	23,554	带答案草稿的多选题	基准测试、评分、对比评估
concept	9,486	结构化概念条目	词汇表、检索、课程构建
corpus	130	预训练风格的技术段落	继续预训练和来源支持的上下文

---

数据组成

按难度划分：

难度	数量
intro	1
undergrad	16,083
graduate	77,838
research	21,507

总计： 115,429 行

---

数据模式

每行都包含公共字段：id、domain、record_type、category、topic、subtopics、difficulty、language、source、source_url、license、tags、provenance、quality、metadata。此外，每种记录类型有特定的字段：

• qa_open：question、answer
• instruction：prompt、response
• code：prompt、code、expected_output
• qa_mcq：question、choices、answer、answer_index
• concept：term、definition
• corpus：text

---

数据质量与来源验证

• 每个 code 记录均可端到端执行，并输出所述指标。
• 每个 qa_mcq 记录包含四个选项并唯一正确。
• 所有 arXiv ID、API/类名称均经过验证，无伪造引用。
• 分类器、核和生成记录均包含诚实的经典基线或明确的“无声称量子优势”声明。
• 编码和成本声明经过数值检查。
• 概念和词汇的数学符号准确，每个记录均可追溯至所列来源。
• 所有行均携带 source_url 来源证明，并经过模式有效性、分类法匹配、去重、活跃源 URL、arXiv ID 验证和代码编译/执行检查。

搜集汇总

数据集介绍

构建方式

该数据集由Neura Parse研究团队精心构建，旨在为量子机器学习领域提供一个全面、可执行的代码优先垂直资源。其构建过程融合了专家策展与源验证策略，从海量原始研究中提取并标准化了涵盖数据编码、变分分类器、量子核方法、量子神经网络等前沿架构的记录。每一行数据均附带可追溯的source_url来源，并经过严格的模式有效性、分类适配、去重、活跃链接及arXiv ID校验等质量门控，确保信息的高保真度与可复现性。

特点

该数据集独具匠心，采用多格式统一模式，囊括了可执行代码任务、结构化概念条目、百科式语料、指令-响应对、多项选择及开放式问答六种记录类型，总计115,429行。其特色在于深度整合了从基础到前沿的量子机器学习范式，如量子生成对抗网络、量子玻恩机、量子卷积网络及量子Transformer，并始终配备诚实的经典基准线。所有条目均以Parquet格式存储，预划分为训练与测试子集，便于下游任务直接使用。

使用方法

数据集支持通过Hugging Face Datasets库便捷加载，推荐在具备量子计算库（如PennyLane、Qiskit机器学习）的环境中运行。其适用场景包括对量子计算感知的对话模型进行监督微调、多选与开放式推理评估、检索增强生成、量子代码生成及评估，以及基于来源可靠的技术文本进行持续预训练。用户可根据record_type字段筛选特定类型数据，并利用streaming模式进行高效探查与迭代开发。

背景与挑战

背景概述

量子机器学习作为量子计算与人工智能交叉的前沿领域，正逐步从理论探索迈向实际应用。在此背景下，Neura Parse研究团队于2026年发布了量子机器学习模型数据集（v3.1.0），旨在系统性地整合涵盖数据编码、变分分类器、量子核方法、生成式架构及深度量子网络等一系列量子学习模型。该数据集依托PennyLane、Qiskit-ML等主流量子计算框架，提供超过11万条可执行代码、概念条目、问答对及文本语料，为量子机器学习模型的训练、评估与检索增强生成提供了标准化基准。其多格式、多难度层级的设计有助于弥合理论算法与工程实现之间的鸿沟，显著推动了量子感知AI系统的开发。

当前挑战

该数据集所解决的核心领域挑战在于量子模型的可训练性、表达能力与泛化能力的量化评估，尤其是如何有效避免贫瘠高原现象、验证量子优势的声称，并应对有限量子比特与噪声环境下的模型效能退化。构建过程中，团队面临多项技术挑战：需要确保每条代码记录在默认后端上可端到端执行，验证所有变分电路与核方法中的引用与API名称的真实性，拒绝涉及状态层析、VQE/QAOA模拟等超出QML范围的内容。此外，每个分类器与生成模型记录必须附带诚实的经典基线或明确标注无量子优势声明，以保证科学严谨性与可复现性。

常用场景

经典使用场景

该数据集作为量子机器学习领域的综合性资源，其核心功能在于为研究者与开发者提供从数据编码、变分分类器到量子核方法及生成式深度架构的一整套可执行基准。用户可借助其多格式记录（包括可运行代码、多选题集、开放性问答及结构化概念条目），进行模型性能的横向对比与机理探索。无论是测试新型量子嵌入策略对分类任务的影响，还是评估量子生成对抗网络在样本拟合中的表现，该数据集均提供了标准化流程与诚实基线，使得复杂量子模型的复现与演化成为可能。

解决学术问题

量子机器学习长期面临理论验证困难、可复现性差以及基准缺失的困境。该数据集系统地解决了这些痛点，其收录的每一项记录均经过来源验证与代码执行检查，杜绝了虚假引用与不可运行的架构。学术研究者可借此验证变分量子算法的表达能力与优化瓶颈，分析量子核方法的经典仿真上限，或探索变分量子本征求解器之外的新型学习范式。通过引入严谨的源回溯与质量门控机制，该数据集有力推动了量子模型研究的规范化与可重复性建设。

衍生相关工作

围绕该数据库已衍生出多个方向的重要工作。在算法验证层面，研究者利用其标注良好的变分分类器与量子核条目，系统比较了参数平移与伴随梯度在训练效率上的差异。在架构创新方面，数据集中提供的量子Transformer与量子卷积原型启发了多篇关于混合注意力机制的后续论文。社区还基于其多选题与开放性问答格式，构建了量子推理基准测试，用以评估大模型在量子物理与量子机器学习交叉领域的理解深度与纠错能力。