QB-GSEE benchmark

QB-GSEE基准是一个开源的基准测试框架，旨在评估经典和量子算法在地态能量估计（GSEE）问题上的性能。该数据集包含了一系列Hamiltonian算例，涵盖了计算化学和凝聚态物理的不同领域。数据集不仅包含已解决的基准算例，还包含了一些具有科学或工业重要性的指导星算例，这些算例虽然难以通过经典方法解决，但对评估算法性能至关重要。数据集提供了一个标准化的格式，包括Hamiltonian规范、元数据和FCIDUMP文件的链接，以确保不同求解器之间的一致性。通过特征提取和机器学习分析，该基准可以帮助研究人员更深入地理解算法性能、可扩展性和通用性。

The QB-GSEE benchmark is an open-source benchmarking framework designed to evaluate the performance of both classical and quantum algorithms on ground-state energy estimation (GSEE) problems. This dataset includes a series of Hamiltonian test cases spanning diverse domains in computational chemistry and condensed matter physics. In addition to solved benchmark test cases, the dataset also contains several guidestar test cases with scientific and industrial significance. These cases, although difficult to solve via classical methods, are critical for evaluating algorithm performance. The dataset provides a standardized format, including specifications for Hamiltonians, metadata, and links to FCIDUMP files, to ensure consistency across different solvers. Through feature extraction and machine learning analysis, this benchmark can help researchers gain a deeper understanding of algorithm performance, scalability, and generalizability.

原始信息汇总

QB-GSEE-Benchmark 数据集概述

数据集简介

QB-GSEE-Benchmark 是一个用于基准测试基态能量估计（GSEE）算法的综合套件，由DARPA量子基准测试（QB）计划开发。该工具支持运行哈密顿量实例子集，并评估算法在准确性、运行时间和硬件利用率方面的性能。

数据集内容

1. 问题实例文件

   • 文件路径：problem_instances/
   • 文件格式：problem_instance.json
   • 包含内容：相关哈密顿量家族的列表（tasks），每个文件指定了准确性和运行时间要求。
   • 数据来源：哈密顿量以大型FCIDUMP文件形式存储，通过URL在problem_instance.json中引用，多数存储在sftp.L3Harris.com。

2. 解决方案文件

   • 文件路径：solution_files/
   • 文件格式：solution.json
   • 包含内容：
     • 经典算法（如DMRG）的提交结果。
     • 量子资源估计（如逻辑量子比特数、T门数量等）。

3. 性能指标文件

   • 文件路径：performance_metrics/
   • 文件格式：performance_metrics.json
   • 包含内容：针对特定计算平台或求解器的性能指标，按哈密顿量分解和聚合。

使用案例

1. 经典算法/硬件开发者

   • 下载problem_instance.json，提交solution.json，运行compute_all_performance_metrics.py生成性能指标。

2. 量子算法/硬件开发者

   • 类似经典开发者流程，可提交资源估计而非实际结果。

3. 投资者或政策制定者

   • 参考standard_report/目录中的报告，比较不同硬件/软件平台的性能。

4. 竞赛主办方

   • 使用“植入解决方案”哈密顿量生成problem_instance.json文件，组织竞赛。

5. 行业或学术专家

   • 贡献新的或修改现有的problem_instance.json文件，需符合模式要求。

安装与贡献

• 安装：克隆仓库并执行pip install -e .。
• 贡献：通过GitHub fork和pull request流程提交更改，JSON文件需通过模式验证。

许可证

• 许可证类型：Apache License, Version 2.0
• 许可证文件：LICENSE

致谢

• 开发机构：DARPA Quantum Benchmarking program

搜集汇总

数据集介绍

构建方式

QB-GSEE基准数据集通过整合量子化学和凝聚态物理中的多样化哈密顿量问题实例构建而成，涵盖了从基准实例到引导星实例的广泛范围。基准实例包含已知的经典参考解，而引导星实例则针对科学或工业重要性问题设计，即使经典方法难以处理。每个实例以标准化格式存储，包括哈密顿量规范、元数据及FCIDUMP文件链接，确保不同求解器间的一致性。数据集采用模块化设计，支持研究者贡献新问题，以捕捉新兴计算挑战。

特点

QB-GSEE数据集的特点在于其全面性和多样性，不仅包含电子数和自旋轨道数等基本特征，还通过双因子分解（DF）分解提取DF秩、DF特征值等高级特征，以量化哈密顿量的复杂性。此外，数据集还提供了量子比特表示下的特征，如哈密顿量的一范数、泡利弦数量等，为量子算法的资源评估提供了关键指标。通过主成分分析（PCA）等机器学习技术，数据集能够有效识别求解器性能的边界，为算法优化提供科学依据。

使用方法

QB-GSEE数据集的使用方法包括问题实例的检索、求解器的运行及解决方案的提交评估。研究者可通过数据集提供的标准化接口，获取问题实例并运行所选求解器，随后提交解决方案文件进行性能分析。数据集支持机器学习驱动的性能预测，利用支持向量机（SVM）等分类模型，预测求解器在新问题实例上的成功率。此外，数据集还提供详细的基准报告，包括求解器的准确性、运行效率和资源利用情况，帮助研究者全面评估算法性能。

背景与挑战

背景概述

QB-GSEE benchmark数据集由Apollo Quantum LLC、Zapata AI Inc.、多伦多大学等机构的研究团队于2025年8月发布，旨在解决量子化学和凝聚态物理中的基态能量估计（GSEE）问题。该数据集通过整合经典与量子求解器的评估框架，为SHCI、DMRG和DF QPE等算法提供了标准化测试基准，填补了现有数据库在参考能量完整性和性能分析深度上的空白。其模块化设计支持特征提取、机器学习驱动的可解性预测，推动了计算量子化学领域的算法优化与硬件发展。

当前挑战

QB-GSEE面临的核心挑战包括：1）领域问题层面，需平衡强关联系统的高精度求解与计算资源消耗，现有数据集偏向经典求解器优化的Hamiltonian实例，限制了量子算法的公平评估；2）构建过程中需克服特征冗余性（如电子数与轨道数的强相关性），并通过PCA等降维技术解决高维特征空间稀疏性问题；3）量子求解器受限于硬件噪声和算法效率，DF QPE在当前数据集中的可解率仅7.16%，突显误差校正与计算成本优化的迫切性。

常用场景

经典使用场景

QB-GSEE benchmark数据集在量子化学和凝聚态物理研究中扮演着核心角色，主要用于评估经典和量子算法在基态能量估计（GSEE）问题上的性能。该数据集通过提供多样化的哈密顿量问题实例，为研究人员提供了一个标准化的测试平台，以比较不同算法在计算精度、效率和资源消耗方面的表现。特别是在量子计算领域，QB-GSEE benchmark被广泛用于验证量子相位估计（QPE）和变分量子本征求解器（VQE）等算法的实际效果。

衍生相关工作

QB-GSEE benchmark数据集衍生了许多经典的研究工作，特别是在量子算法和经典计算方法的交叉领域。例如，基于该数据集的评估结果，研究人员开发了优化的半随机热浴构型相互作用（SHCI）方法和密度矩阵重整化群（DMRG）算法。此外，该数据集还催生了多项关于量子资源估计和错误缓解技术的研究，如双因子化量子相位估计（DF QPE）的改进方案。这些工作不仅推动了算法的发展，还为量子计算在化学模拟中的实际应用提供了重要的理论和技术支持。

数据集最近研究

最新研究方向

QB-GSEE benchmark作为量子化学与凝聚态物理领域的重要基准测试工具，近期研究聚焦于解决基态能量估计（GSEE）问题的算法性能评估。该数据集通过整合经典与量子求解器（如SHCI、DMRG和DF QPE）的标准化测试框架，揭示了SHCI在优化参数下接近全域可解性，而DF QPE受限于硬件与算法瓶颈。前沿方向包括扩展强关联系统测试集以消除经典算法偏向性，并利用机器学习预测求解器的可解性边界。其模块化设计支持量子硬件进步与算法创新的动态追踪，为量子计算在电子结构计算中的潜在优势提供了关键验证平台。

相关研究论文

• QB Ground State Energy Estimation Benchmark

  Apollo Quantum LLC, L3Harris Technologies, Inc., Zapata AI Inc., University of Toronto, Dartmouth College, Boeing Research & Technology, HRL Laboratories, University of Wisconsin –Madison · 2025年