提出近似量子傅里叶变换，提升量子算法在混合平台上的执行效率。
Compilation, Optimization, Error Mitigation, and Machine Learning in Quantum Algorithms
- 用近似量子傅里叶变换优化量子电路，降低复杂度。
- 在混合计算平台上实现指数级加速的量子算法执行。
- 适合关注量子算法落地与误差缓解的开发者与研究者。
本文讨论了量子算法在实际应用中的编译、优化与误差缓解问题，这些是执行真实量子算法的关键步骤。运行于量子处理单元（QPU）与中央处理器/图形处理器（CPU/GPU）混合平台的量子算法，可借助现有高性能计算能力，实现量子增强的指数级加速。本文提出的近似量子傅里叶变换（AQFT）在保持量子傅里叶变换提供指数级加速优势的基础上，进一步优化了电路执行效率。
原文摘要 · Abstract (English)
This paper discusses the compilation, optimization, and error mitigation of quantum algorithms, essential steps to execute real-world quantum algorithms. Quantum algorithms running on a hybrid platform with QPU and CPU/GPU take advantage of existing high-performance computing power with quantum-enabled exponential speedups. The proposed approximate quantum Fourier transform (AQFT) for quantum algorithm optimization improves the circuit execution on top of an exponential speed-ups the quantum Fourier transform has provided.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。