MQT Bench

MQT Bench是由慕尼黑工业大学设计自动化主席团队开发的一个量子计算软件和设计自动化工具的基准测试套件。该数据集包含超过70,000个量子电路基准，覆盖从2到130个量子位的范围，并支持四个不同的抽象层次。数据集通过一个易于使用的网页界面和Python包提供，旨在促进量子软件工具的比较、可重复性和透明度。MQT Bench特别强调其可扩展性，能够轻松集成未来的算法、门集和硬件架构，适用于评估整个量子软件栈的性能。

MQT Bench is a benchmark suite for quantum computing software and design automation tools, developed by the Chair of Design Automation at the Technical University of Munich. This dataset includes over 70,000 quantum circuit benchmarks spanning from 2 to 130 qubits, and supports four distinct abstraction levels. The dataset is available through an easy-to-use web interface and a Python package, with the goal of promoting the comparison, reproducibility and transparency of quantum software tools. MQT Bench particularly highlights its scalability, allowing seamless integration of future algorithms, gate sets and hardware architectures, making it suitable for evaluating the performance of the entire quantum software stack.

搜集汇总

数据集介绍

构建方式

在量子计算领域，软件工具的性能评估亟需跨抽象级别的统一基准测试。MQT Bench基准套件通过整合四种核心特质构建而成：首先，它支持算法级、目标无关级、目标依赖原生门级和目标依赖映射级四个抽象层次，确保覆盖量子电路编译流程的全栈需求。其次，该数据集通过易于使用的网络界面和Python包提供超过70,000个量子电路基准，涵盖2至130量子比特范围，并基于开源GitHub仓库实现透明生成。此外，数据集广泛选取了从量子傅里叶变换到Grover算法等多样化量子算法，并设计了可扩展架构，允许未来轻松集成新算法、门集和硬件架构。

特点

MQT Bench的显著特点在于其跨层次统一性，首次实现了单一基准套件对量子软件栈全抽象级别的覆盖，极大提升了评估结果的可比性与可复现性。数据集囊括了丰富的算法类别，包括变分量子算法、量子优化及机器学习应用等，并通过参数化设计支持灵活定制。其提供的网络界面与本地Python包双访问模式，兼顾了便捷性与深度可操作性，同时预生成电路与按需生成机制平衡了效率与灵活性。数据集还整合了多种编译器、原生门集和实际硬件架构，为量子软件工具的实证研究提供了高度通用且可扩展的测试平台。

使用方法

研究人员可通过MQT Bench官方网站的交互式界面，依据量子比特数、抽象级别、目标设备或算法类型等维度筛选预生成的基准电路，快速获取标准化测试用例。对于定制化需求，用户可安装其Python包，在本地环境中动态生成特定配置的电路，并集成到现有量子软件工作流中。该数据集支持以开放量子汇编语言格式导出电路，便于直接用于量子模拟器、编译工具或验证工具的效能评估。通过统一基准的应用，用户能够系统化比较不同工具在跨层次任务上的性能，推动量子软件开发的透明化与标准化进程。

背景与挑战

背景概述

量子计算领域随着硬件技术的进步而迅速发展，软件工具的设计自动化成为实现实用量子应用的关键。2023年，慕尼黑工业大学设计自动化研究团队推出了MQT Bench基准测试套件，作为慕尼黑量子工具包的一部分。该数据集旨在解决量子软件工具评估中缺乏统一跨层级基准的问题，通过提供涵盖算法级、目标无关级、目标依赖原生门级和目标依赖映射级四个抽象层次的超过70,000个量子电路，促进了量子软件栈的标准化评估。其核心研究问题聚焦于提升量子软件工具性能比较的可比性、可重复性和透明度，对量子编译、模拟及验证等设计自动化领域产生了深远影响。

当前挑战

MQT Bench面临的挑战主要体现在两个方面：在领域问题层面，量子软件工具需处理NP完全或QMA完全等计算难题，如电路映射和验证，这些任务在资源需求与结果质量间需取得平衡，而现有基准往往局限于单一抽象层次，导致评估碎片化；在构建过程中，数据集需满足不同抽象层的特定要求，例如在低级映射中仅允许使用设备原生门集并考虑硬件连接性，同时确保易用性、广泛算法覆盖性以及对未来算法、门集和架构的可扩展性，这些挑战通过提供网络界面、Python包和开源代码库得以部分缓解。

常用场景

经典使用场景

在量子计算软件工具的设计与评估领域，MQT Bench 作为跨层级基准测试套件，其经典使用场景体现在为量子电路仿真、编译及验证等核心任务提供统一的性能评估框架。该数据集通过涵盖算法级、目标无关级、目标依赖原生门级和目标依赖映射级四个抽象层次，使得研究人员能够系统性地测试软件工具在不同编译阶段的效率与准确性。例如，在评估新型量子编译器时，用户可借助 MQT Bench 生成从高层算法描述到底层硬件映射的完整电路序列，从而全面分析工具在门集转换、量子比特路由等关键环节的表现。

实际应用

在实际应用层面，MQT Bench 被广泛集成于量子软件开发流程中，用于优化工业级量子计算平台的工具链。例如，IBM Qiskit、Google Cirq 等主流量子框架的用户可利用该数据集校准编译策略，针对特定硬件（如超导量子处理器或离子阱设备）生成高效的可执行电路。同时，在噪声中等规模量子（NISQ）时代，该数据集支持的变分量子算法基准（如QAOA、VQE）有助于评估实际应用中量子-经典混合算法的鲁棒性，为金融建模、化学模拟等跨学科领域提供可靠的性能参考。

衍生相关工作

围绕 MQT Bench 衍生的经典工作主要集中在量子软件自动化工具的增强与扩展。例如，基于其跨层级电路库，研究者开发了如 MQT QMAP 等高效量子映射工具，优化了量子比特布局与路由算法。同时，该数据集启发了对编译流程中验证方法的研究，如利用等价性检查技术确保跨层级转换的功能保真性。此外，结合其提供的噪声感知电路实例，学界进一步推进了量子错误缓解与模拟器优化工作，形成了从基准测试到工具改进的良性循环。