QSBench-Amplitude-v1.0.0-demo

QSBench Amplitude Damping Demo v1.0.0 是一个用于量子机器学习的合成数据集，专注于噪声鲁棒性和误差预测。数据集包含5000个高质量的8量子比特电路样本，深度为6，涵盖了理想和受幅度阻尼噪声模型影响的期望值。该数据集旨在支持研究人员和工程师在噪声感知量子ML、能量弛豫分析（$T_1$效应）和误差缓解方面的研究。每个样本包括原始和转译的QASM表示、电路邻接矩阵、门统计信息、结构度量、理想和噪声期望值、显式误差目标以及电路元数据。数据集适用于噪声鲁棒性基准测试、误差缓解研究、噪声期望值预测等任务，并以Parquet格式存储，可通过Hugging Face的`datasets`库或`pandas`加载。数据集采用CC BY-NC 4.0许可，仅供个人和研究使用。

原始信息汇总

QSBench Amplitude Damping Demo v1.0.0 数据集概述

数据集基本信息

• 数据集名称：QSBench Amplitude Damping Demo v1.0.0 – Noisy Quantum Dataset (Amplitude Damping, n=8)
• 许可证：CC BY-NC 4.0（个人与研究使用）
• 任务类别：表格回归、特征提取
• 语言：英语
• 标签：qiskit、quantum-circuits、synthetic-dataset、benchmark、expectation-values、quantum-computing、qml-benchmark、quantum dataset、qml dataset、quantum benchmark、noisy quantum data、amplitude damping、error mitigation、noise robustness
• 数据规模：1K<n<10K
• 样本数量：5000

数据集目的与用途

• 核心目的：用于量子机器学习中的噪声鲁棒性研究和误差预测。
• 主要用途：
  • 比较能量弛豫效应下的理想输出与含噪声输出。
  • 训练能够预测或校正与衰减相关误差的模型。
  • 在8量子比特电路上对机器学习模型的鲁棒性进行基准测试。
  • 研究更深量子电路（深度=6）中的误差分布。
• 适用研究领域：
  • 噪声鲁棒性基准测试。
  • 误差缓解研究（特别是针对T1弛豫）。
  • 预测含噪声的期望值。
  • 学习误差校正模型。
  • 针对含噪声量子态的特征工程。

数据集内容与结构

• 量子电路规格：
  • 量子比特数：8
  • 电路深度：6
  • 电路族：混合（HEA, RealAmplitudes, QFT, Efficient SU(2), Random）
  • 纠缠方式：完全纠缠
  • 噪声模型：幅度阻尼（p = 0.012）
  • 可观测量：Z, X, Y，混合模式（全局 + 每量子比特）
  • 测量次数：1024
  • 数据划分：训练集/验证集/测试集（基于确定性哈希）
• 每个样本包含的信息：
  • 原始和转换后的QASM表示。
  • 电路邻接矩阵。
  • 门统计信息（CX, H, RX, RY, RZ等）。
  • 结构度量：门熵 + Meyer-Wallach纠缠度。
  • 理想期望值。
  • 含噪声期望值（经过幅度阻尼后）。
  • 显式误差目标：error_<label> = ideal - noisy。
  • 电路元数据和生成参数（深度=6，n=8）。
  • 确定性划分标签。
• 关键学习信号：为每个可观测量提供 ideal_expval_*、noisy_expval_*、error_*、sign_ideal_*、sign_noisy_*。

机器学习特征与目标

组别	列名示例	对机器学习的意义
特征 (X)	adjacency	图结构。密集图与稀疏图的衰减方式不同。
特征 (X)	qasm_transpiled	硬件特定的编译代码（NLP特征）。
特征 (X)	single_qubit_gates, two_qubit_gates	操作计数。
目标 (y)	error_Z_global, error_X_global	代表信号损失的连续回归目标。
物理量	meyer_wallach	纠缠度量。高度纠缠的数据是否衰减更快？

数据加载与格式

• 存储格式：Parquet格式（也提供CSV格式）。
• 存储位置：data/shards/ 文件夹内。
• 加载方式：
  • 使用Hugging Face datasets 库：load_dataset("QSBench/QSBench-Amplitude-v1.0.0-demo", split="train")
  • 使用 pandas：pd.read_parquet("data/shards/*.parquet")
• 仓库结构：
  • main 分支：包含数据文件（data/shards/*.parquet 和 *.csv）。
  • meta 分支：包含所有元数据文件（coverage.json, schema.json, meta.json等）。

相关数据集与说明

• 所属系列：QSBench数据集家族。
• 性质：此为公开演示版本。
• 完整规模数据集：
  • QSBench Lite (20k样本，n=4)
  • QSBench Core (75k样本，n=8)
  • Depolarizing Noise Pack (150k样本)
  • Amplitude Damping Pack (150k样本)
  • Transpilation Hardware Pack (200k样本)
• 数据性质：完全合成，通过量子电路模拟生成，不包含任何真实世界或个人数据。

搜集汇总

数据集介绍

构建方式

在量子计算领域，噪声鲁棒性研究对提升硬件可靠性至关重要。QSBench-Amplitude-v1.0.0-demo数据集通过量子电路仿真构建，包含5000个合成量子电路样本，每个样本均基于8量子比特、深度为6的电路结构生成，涵盖HEA、RealAmplitudes、QFT等多种电路族。数据生成过程中，采用振幅阻尼噪声模型（概率p=0.012）模拟能量弛豫效应，并基于确定性哈希划分方法将数据分为训练、验证和测试集，确保实验可复现性。

特点

该数据集的核心特点在于其针对振幅阻尼噪声的专门设计，提供了理想与含噪期望值的配对数据，并显式标注误差目标值。数据集不仅包含量子电路的QASM表示、邻接矩阵及门统计信息，还融合了梅耶-瓦拉赫纠缠度等结构度量指标，支持从连续回归到分类的多元机器学习任务。其非对称噪声特性为研究电路拓扑结构对信号衰减的影响提供了独特视角，深化了对量子硬件退相干机制的理解。

使用方法

研究人员可利用该数据集进行噪声感知的量子机器学习模型训练与评估。通过加载Parquet格式的数据分片，可直接提取电路特征与误差标签，构建预测振幅阻尼误差的回归模型。数据集适用于比较不同特征（如电路深度、双量子比特门数量）对噪声敏感性的影响，亦可用于测试误差缓解算法的有效性，为量子计算在噪声环境下的实际应用提供基准支持。

背景与挑战

背景概述

量子计算领域正经历从理论探索向实用化迈进的关键阶段，其中量子机器学习作为新兴交叉学科，致力于利用量子算法提升传统机器学习任务的性能。然而，实际量子硬件普遍存在的噪声问题，特别是能量弛豫导致的振幅阻尼效应，严重制约了量子算法的可靠性与精度。为应对这一挑战，QSBench研究团队于近期推出了QSBench-Amplitude-v1.0.0-demo数据集，该数据集专注于模拟振幅阻尼噪声模型下的量子电路行为。通过提供包含5000个八量子比特电路的理想与含噪期望值配对数据，该数据集旨在为噪声感知的量子机器学习、误差缓解策略以及电路鲁棒性评估建立标准化基准，推动量子硬件噪声建模与纠错技术的发展。

当前挑战

该数据集致力于解决量子机器学习中噪声鲁棒性建模的核心挑战，即如何准确预测并校正振幅阻尼噪声对量子电路输出期望值造成的非对称性偏差。此类噪声模拟了量子比特从激发态向基态弛豫的物理过程，其影响随电路拓扑结构与纠缠程度动态变化，使得传统对称噪声假设失效。在数据集构建过程中，主要挑战在于高保真地合成大规模含噪量子电路数据，需精确控制噪声参数（如阻尼概率p=0.012），并确保电路家族（包括HEA、QFT等）的多样性以覆盖广泛的应用场景。同时，生成过程需整合电路的结构化特征（如邻接矩阵、门统计量）与物理度量（如Meyer-Wallach纠缠度），为机器学习模型提供可解释的噪声关联特征。

常用场景

经典使用场景

在量子机器学习领域，噪声鲁棒性评估是推动算法实用化的关键环节。QSBench-Amplitude-v1.0.0-demo数据集通过提供包含理想与含噪期望值的配对量子电路数据，为研究者构建了一个标准化的测试平台。该数据集常用于训练和验证模型在振幅阻尼噪声下的性能，支持回归与分类任务，帮助分析电路拓扑结构对噪声敏感性的影响，从而优化量子算法的抗干扰能力。

实际应用

在实际应用中，该数据集可用于量子硬件性能评估与优化，帮助工程师理解特定噪声模型对电路输出的影响。它支持开发预测性维护工具，通过分析电路结构特征提前估计信号衰减程度，从而指导量子程序编译与资源分配。此外，在量子云计算服务中，该数据可用于校准噪声模型，提升服务可靠性与计算精度，推动量子技术向产业化迈进。

衍生相关工作

基于该数据集衍生的经典工作主要集中在噪声鲁棒性量子机器学习模型的构建上。例如，研究者利用其开发了针对振幅阻尼噪声的误差校正算法，以及基于图神经网络的噪声预测框架。这些工作进一步拓展至更复杂的噪声环境，如结合退极化噪声的混合模型研究，并促进了QSBench系列更大规模数据集的生成，为量子基准测试生态系统的完善提供了支撑。