Lucy Xing Sanjay Vishwakarma David Kremer Francisco Martin-Fernandez Ismael Faro Juan Cruz-Benito

الملخص

تستعرض هذه الورقة تطبيق تقنيات التعلم الآلي (ML) في توقع زمن معالجة المهام الكمية بواسطة وحدة المعالجة الكمية (QPU). من خلال الاستفادة من خوارزميات التعلم الآلي، تقدم هذه الدراسة نماذج تنبؤية صُممت لتعزيز الكفاءة التشغيلية في أنظمة الحوسبة الكمية. باستخدام مجموعة بيانات تضم حوالي 150,000 مهمة تتبع هيكلية IBM Quantum، نطبق أساليب التعلم الآلي المستندة إلى تقنية التجميع المتدرج (Gradient-Boosting) باستخدام نموذج LightGBM، مع دمج تقنيات ما قبل المعالجة للبيانات بهدف تحسين دقة النموذج. تُظهر النتائج فعالية التعلم الآلي في التنبؤ بمهام الحوسبة الكمية. ويمكن أن يُحدث هذا التحسين أثرًا إيجابيًا على إدارة الموارد وتخطيط الجدولة ضمن الإطارات الحاسوبية الكمية. وتُبرز هذه الدراسة ليس فقط الإمكانات الكامنة للتعلم الآلي في تحسين توقعات المهام الكمية، بل تُعد أيضًا أساسًا لدمج أدوات قائمة على الذكاء الاصطناعي في العمليات المتقدمة للحوسبة الكمية.