MNISQ：一个用于NISQ时代机器学习的大规模量子电路数据集

《Scientific Data》：MNISQ: A Large-Scale Quantum Circuit Dataset for Machine Learning in the NISQ Era

　　

摘要

我们介绍了MNISQ，这是NISQ时代首个同时适用于量子学习和经典学习的大型数据集，包含495万个由最多100个两量子比特门组成的10量子比特电路。MNISQ为开发量子计算中的自然语言处理（NLP）模型和深度学习模型提供了基础资源。该数据集来源于经过量子编码的经典数据（例如MNIST），并以两种格式提供：量子电路和经典描述（量子汇编语言，QASM）。

我们使用量子和经典方法对电路分类进行了基线实验。量子核方法在多类分类中实现了高达97%的准确率。我们还研究了噪声对量子学习的影响，有助于为噪声硬件开发错误缓解策略。在经典实验中，我们使用了带有NLP模型（S4、Transformer和LSTM）的QASM文件。S4模型的准确率达到77%（数据增强后达到81%），证明了现代机器学习模型能够有效地对量子电路进行分类。

该数据集可在https://doi.org/10.5281/zenodo.19656638公开获取，相关代码可在GitHub上找到。