概述
這是一個活躍的研究領域。理論上的加速或小型實驗並沒有比經典方法有實際優勢。
重點摘要
- 陳述假設和規模。
- 將完整的混合工作流程與經典基準進行比較。
- 記錄硬體、雜訊和再現性詳細資訊。
深入探討
定義任務並與強大的經典基準進行比較。量子資源、電路深度、雜訊、資料載入和測量可以主導工作流程。關於量子演算法的聲明應說明問題、假設、硬體或模擬器以及測量結果的規模。將量子模型與混合工作流程分開。經典的預處理、最佳化和後處理可能是系統的大部分內容。評估完整的成本和準確性,包括重複拍攝、錯誤緩解和資料傳輸。檢查實驗是否使用真實硬體或模擬以及比較是否公平。小玩具資料集可以說明一個想法,同時很少涉及生產工作量。保留代碼、電路定義、相關的隨機種子以及硬體詳細資訊以實現可重複性。將關於一般量子優勢的預測視為不確定。追蹤可信的里程碑並隨著硬體和演算法的變化更新評估,而不是將研究潛力呈現為當前能力。
04工作範例
測試電路的完整成本
想像一下一個小電路在十個例子中達到與經典模型相似的精度。
在比較中加入資料編碼、重複測量、錯誤緩解和傳輸時間。
評估量子工作流程是否在目標規模上提供實際效益。
它顯示了什麼
建構的範例將演算法演示與應用優勢分開。
現實世界的實施
在相同的保留資料上將量子分類器與調整的經典基準進行比較。
再現結果時記錄電路深度、鏡頭、雜訊模型和硬體。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
資料來源與延伸閱讀
- NIST量子資訊科學概述
不斷探索
常見問題
量子人工智慧會自動超越經典機器學習嗎?
不會。任何優勢都取決於問題、規模、硬體、噪音、數據存取以及公平的端到端比較。