QSBench-Depolarizing-Demo-v1.0.0

QSBench Depolarizing 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研究。该数据集包含5000个带有去极化噪声的合成量子电路，每个样本提供了电路的原始和转换后的QASM表示、电路邻接矩阵、门统计信息、结构度量、理想期望值、噪声期望值以及显式误差目标。数据集适用于监督回归任务，旨在帮助研究人员和工程师进行噪声感知量子机器学习、鲁棒性分析和误差缓解研究。数据集以Parquet格式存储，包含训练、验证和测试集的确定性哈希分割。此外，数据集还提供了丰富的电路元数据和生成参数，支持复杂的回归和分类任务。该数据集是QSBench系列的一部分，遵循CC BY-NC 4.0许可，仅供个人和研究使用。

原始信息汇总

QSBench Depolarizing Demo v1.0.0 数据集概述

基本信息

• 数据集名称：QSBench Depolarizing Demo v1.0.0 – Noisy Quantum Dataset (Depolarizing Noise, n=6)
• 许可证：CC BY-NC 4.0
• 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、depolarizing noise、error mitigation、noise robustness
• 规模类别：1K<n<10K

数据集描述

该数据集是一个用于噪声鲁棒性和误差预测的量子机器学习数据集，包含在退极化噪声下配对的理想与含噪期望值。它是一个包含5000个合成量子电路的演示子集，属于QSBench噪声包的一部分。

核心用途

• 噪声鲁棒性基准测试
• 误差缓解研究
• 预测含噪期望值
• 学习误差校正模型
• 比较纯净与含噪量子输出

数据集详情

• 样本数量：5000
• 量子比特数：6
• 电路深度：4
• 电路族：混合（HEA, RealAmplitudes, QFT, Efficient SU(2), Random）
• 纠缠：完全纠缠
• 噪声：退极化噪声（概率 p 在 0.02–0.03 范围内）
• 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 / 验证集 / 测试集（基于确定性哈希划分）

样本内容

每个Parquet文件中的样本包含：

• 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）
• 结构指标：门熵 + Meyer-Wallach纠缠度
• 理想期望值
• 含噪期望值（施加退极化噪声后）
• 显式误差目标：error_<label> = ideal - noisy
• 电路元数据和生成参数
• 确定性划分标签

关键学习信号

对于每个可观测量，数据集提供：ideal_expval_*、noisy_expval_*、error_*、sign_ideal_*、sign_noisy_*。这支持用于噪声建模的复杂回归和分类任务。

机器学习任务：监督回归

目标是根据电路的结构特征预测误差值 error。

特征与目标

组别	列名	机器学习用途
特征 (X)	depth, gate_entropy, cx_count	任务的结构复杂性。
特征 (X)	noise_prob, shots	环境条件（误差概率和采样率）。
目标 (y)	error_Z_global	主要目标。需要预测的连续误差值。
目标 (y)	sign_ideal_Z, sign_noisy_Z	用于分类。噪声是否翻转了最终答案？（二元目标）。

数据加载

数据集以Parquet格式存储在 data/shards/ 文件夹中，可使用Hugging Face datasets库直接加载： python from datasets import load_dataset dataset = load_dataset("QSBench/QSBench-Depolarizing-v1.0.0-demo", split="train")

存储库结构

QSBench-Depolarizing-v1.0.0-demo/ ├── README.md └── data/ └── shards/ └── *.parquet └── *.csv

所有元数据文件（coverage.json, schema.json, meta.json等）位于名为 meta 的独立分支中。

相关数据集

• QSBench Lite (20k samples, n=4)
• QSBench Core (75k samples, n=8)
• Depolarizing Noise Pack (150k samples)
• Amplitude Damping Pack (150k samples)
• Transpilation Hardware Pack (200k samples)

重要说明

• 该数据集是完全合成的，使用量子电路模拟生成，不包含任何真实世界或个人数据。
• 这是一个小型的公共演示版本。完整规模的数据集（20k–150k+ 样本）、专门的含噪版本和自定义硬件包可供使用。

搜集汇总

数据集介绍

构建方式

在量子机器学习领域，噪声鲁棒性研究对提升算法实用性至关重要。QSBench-Depolarizing-Demo-v1.0.0数据集通过量子电路仿真构建，采用六量子比特系统，深度为四，涵盖混合电路家族如HEA、RealAmplitudes、QFT等，并施加了概率范围在0.02至0.03之间的去极化噪声模型。每个样本包含原始与编译后的QASM表示、电路邻接矩阵、门统计信息以及结构度量指标，通过512次测量生成理想与含噪声期望值，并显式计算误差目标，最终基于确定性哈希划分训练、验证与测试子集。

特点

该数据集的核心特征在于其系统性的噪声建模与丰富的元数据标注。它提供了5000个合成量子电路样本，每个样本均包含理想期望值、去极化噪声下的含噪声期望值以及显式误差标签，支持回归与分类任务。数据集整合了电路结构特征如门熵、纠缠度量与环境参数如噪声概率，同时涵盖全局与每量子比特的观测算符，为噪声效应预测与误差缓解研究提供了多维度的学习信号。这种设计使得研究者能够深入分析量子计算中的误差分布与模型鲁棒性。

使用方法

使用该数据集时，研究者可将其视为经典的监督回归问题，旨在基于电路结构特征预测误差值。通过Hugging Face的datasets库直接加载Parquet格式数据，利用深度、门熵、CX门计数等结构复杂度特征以及噪声概率、测量次数等环境条件作为输入特征，以全局Z观测算符的误差作为主要连续目标，或利用符号标签进行二分类任务。典型应用包括训练梯度提升模型或神经网络，评估在噪声量子环境下的预测性能，并通过均方误差等指标量化模型效果。

背景与挑战

背景概述

在量子计算领域，噪声对量子电路的输出精度构成根本性挑战，阻碍了量子机器学习模型的实用化进程。QSBench-Depolarizing-Demo-v1.0.0数据集由QSBench团队于近期创建，旨在为量子噪声鲁棒性与误差预测研究提供标准化基准。该数据集聚焦于退极化噪声模型，通过合成5000个六量子比特电路，配对提供理想与含噪期望值，核心研究问题在于探索量子电路结构特征与噪声诱导误差之间的关联性，以推动噪声感知量子机器学习及误差缓解技术的发展，对量子计算基准测试与算法优化具有重要参考价值。

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评估与误差预测的挑战，具体包括如何从量子电路的结构复杂性中有效提取特征，以建模退极化噪声对期望值的影响，并实现高精度误差预测。在构建过程中，挑战主要体现为生成大规模合成数据时需平衡电路多样性、噪声参数真实性及计算可行性，同时确保数据标注的精确性以区分理想与含噪输出，并为监督学习任务提供清晰的目标信号。

常用场景

经典使用场景

在量子机器学习领域，噪声鲁棒性分析是评估模型性能的关键环节。QSBench-Depolarizing-Demo-v1.0.0数据集通过提供包含理想与含噪声期望值的配对量子电路数据，为研究人员构建了一个标准化的基准测试平台。该数据集常用于训练回归模型，以预测量子电路在退极化噪声影响下的误差分布，从而量化噪声对量子计算输出的影响。

解决学术问题

该数据集直接应对量子计算中噪声建模与误差缓解的核心挑战。退极化噪声作为量子硬件中普遍存在的干扰源，其系统性研究有助于揭示误差传播机制。通过提供结构化的电路特征与显式误差目标，数据集支持开发数据驱动的误差预测方法，降低了传统物理模拟的计算成本，推动了噪声感知量子机器学习框架的发展。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在噪声鲁棒性量子模型的构建。例如，研究者利用梯度提升树或神经网络，以电路深度、门熵等特征为输入，预测全局Z观测量的误差值。这些工作不仅验证了经典机器学习在量子误差预测中的有效性，还催生了针对特定噪声模型的混合量子-经典优化算法，拓展了量子基准测试的范式。