QSBench-Core-v1.0.0-demo

QSBench Core Demo v1.0.0 是一个包含200个高质量合成量子电路的数据集，专为量子机器学习和混合量子-经典模型的研究者设计。数据集包含6个量子比特、深度为4的混合电路家族（HEA、RealAmplitudes、QFT、Efficient SU(2)、Random），并采用全纠缠和无噪声的清洁模拟。每个样本包含原始和转换后的QASM表示、电路邻接矩阵、详细的栅极统计、结构度量（栅极熵和Meyer-Wallach纠缠）、Z/X/Y的理想期望值以及电路家族标签和生成元数据。数据集适用于变分量子分类器（VQC）原型设计、量子期望值的回归预测、电路复杂性和纠缠研究、特征工程及教育项目。该数据集是QSBench系列的小型公开演示版本，完整版本包含更多样本和噪声版本。

原始信息汇总

QSBench Core Demo v1.0.0 数据集概述

基本信息

• 数据集名称：QSBench Core Demo v1.0.0 – Small Mixed Quantum Circuits Dataset (n=6)
• 许可协议：CC BY-NC 4.0（个人与研究用途）
• 任务类别：表格回归、特征提取、文本分类
• 语言：英语
• 标签：量子、量子机器学习、QML、Qiskit、量子电路、合成数据集、基准测试、期望值、回归、量子计算、QML基准测试
• 数据规模：小于1K样本

数据集简介

该数据集是QSBench系列的一个小型公共演示版本，包含200个高质量合成量子电路，用于量子机器学习、变分算法和混合量子-经典模型的研究与开发。

核心规格

• 样本数量：200
• 量子比特数：6
• 电路深度：4
• 电路系列：混合（HEA、RealAmplitudes、QFT、Efficient SU(2)、Random）
• 纠缠方式：完全纠缠
• 噪声模型：无（纯净模拟）
• 可观测量：Z、X、Y混合模式（全局+每量子比特）
• 测量次数：512
• 数据划分：训练集（157）、验证集（26）、测试集（17），基于确定性哈希划分

样本内容

每个样本包含以下信息：

• 原始与转换后的QASM表示
• 电路邻接矩阵
• 详细的量子门统计信息（单量子比特门、双量子比特门、CX、H、RX、RY、RZ）
• 结构度量指标：门熵与Meyer-Wallach纠缠度
• Z、X、Y的理想期望值
• 电路系列标签与完整的生成元数据

主要用途

• 变分量子分类器与量子神经网络的快速原型设计
• 量子期望值的回归与预测
• 电路复杂度与纠缠研究
• 量子电路的特征工程
• 教育项目与基准测试

相关资源

• 完整数据集：提供更大规模版本（20k–150k+样本）、含噪声版本（退极化、振幅阻尼）及定制数据集
• GitHub仓库：https://github.com/QSBench/QSBench-Demo
• 官方网站与完整目录：https://qsbench.github.io

搜集汇总

数据集介绍

构建方式

在量子计算与机器学习交叉领域，QSBench-Core-v1.0.0-demo数据集通过系统化合成方法构建而成。该数据集精心设计了200个高质量量子电路，每个电路均基于六量子位、深度为四的架构，并融合了多种电路家族，包括硬件高效拟设、真实振幅、量子傅里叶变换、高效SU(2)及随机电路。所有电路均采用完全纠缠配置，并在无噪声的纯净模拟环境下运行，通过512次测量采样生成理想期望值。数据划分采用确定性哈希策略，确保了训练、验证与测试集的可复现性。

使用方法

研究人员与工程师可将该数据集直接应用于量子机器学习模型的快速原型开发，特别是变分量子分类器与量子神经网络的训练与验证。在回归任务中，数据集可用于预测量子期望值，辅助算法性能评估。同时，其丰富的结构信息支持从量子电路中提取特征，用于电路复杂度分析与纠缠研究。数据集遵循CC BY-NC 4.0许可，适用于个人与研究用途，并可通过HuggingFace平台或GitHub仓库便捷访问与集成。

背景与挑战

背景概述

量子计算作为新兴前沿领域，其与机器学习的交叉融合催生了量子机器学习这一重要研究方向。然而，该领域长期面临高质量基准数据集匮乏的困境，现有数据往往规模有限、标注粗糙或缺乏理想与噪声数据的对比。为应对这一挑战，QSBench研究团队于近期开发了QSBench-Core-v1.0.0-demo数据集，旨在为变分量子算法、混合量子-经典模型等研究提供可复现、标注丰富且即用型的合成量子电路数据。该数据集包含200个高质量合成量子电路，涵盖多种电路家族与全局及单量子比特可观测量，其结构化的元数据与确定性划分机制，显著提升了量子机器学习模型的开发效率与基准测试的可靠性。

当前挑战

在量子机器学习领域，核心挑战之一在于如何准确预测量子电路的期望值，这直接关系到变分量子算法与量子神经网络的性能优化。QSBench数据集针对此问题，需处理高维量子态空间中的复杂关联与不同电路家族的结构异质性。在构建过程中，研究团队需克服合成数据生成的可扩展性难题，确保电路深度、纠缠度等参数的物理合理性，同时维持仿真数据的洁净性与丰富注释的完整性。此外，设计能够平衡不同电路家族代表性且具备确定划分策略的数据集结构，亦是保障基准测试公平性与可复现性的关键挑战。

常用场景

经典使用场景

在量子机器学习领域，QSBench-Core-v1.0.0-demo数据集为研究人员提供了一个高质量的合成量子电路基准平台。该数据集通过包含200个六量子比特的混合电路家族，如HEA、RealAmplitudes和QFT，支持快速原型设计和算法验证。经典应用场景涉及变分量子分类器和量子神经网络的开发，研究者可利用其丰富的电路表示和理想期望值，进行模型训练与性能评估，从而加速量子算法在噪声中尺度量子设备上的探索进程。

解决学术问题

该数据集有效解决了量子计算研究中公共数据集规模有限、标注不足以及缺乏理想与噪声对比数据的问题。通过提供可重复、结构化的电路信息，它支持对量子电路复杂性、纠缠特性以及期望值预测的深入研究。其意义在于为变分量子算法和混合量子-经典模型建立了标准化基准，促进了量子机器学习领域的可重复性与方法比较，推动了理论探索向实证验证的过渡。

实际应用

在实际应用中，QSBench-Core-v1.0.0-demo数据集被广泛用于量子软件栈的测试与优化。工程师可基于其电路邻接矩阵和门统计信息，进行量子编译器的性能评估与错误缓解策略的开发。教育机构则利用该数据集设计量子计算课程项目，帮助学生理解电路结构与机器学习模型的结合。此外，它为工业界提供了快速原型工具，助力量子硬件在金融建模、材料模拟等领域的早期应用探索。

数据集最近研究

最新研究方向

在量子机器学习领域，QSBench-Core-v1.0.0-demo数据集正推动着前沿探索，其高质量合成量子电路为变分量子算法和混合量子-经典模型的研究提供了关键基准。当前热点聚焦于利用该数据集进行量子期望值的回归预测，以优化量子神经网络的训练效率，同时结合电路结构特征如门熵和纠缠度量，深入分析量子电路的复杂性对算法性能的影响。这一方向不仅加速了量子机器学习原型的快速开发，还为量子计算在噪声环境下的鲁棒性研究奠定了数据基础，对推动量子人工智能的实际应用具有深远意义。