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

Résumé

Cet article explore l'application de techniques d'apprentissage automatique (ML) pour prédire le temps de traitement des tâches sur unité de calcul quantique (QPU) dans les systèmes de calcul quantique. En s'appuyant sur des algorithmes d'apprentissage automatique, cette étude propose des modèles prédictifs conçus pour améliorer l'efficacité opérationnelle des systèmes de calcul quantique. À l'aide d'un ensemble de données comprenant environ 150 000 tâches conformes au schéma IBM Quantum, nous appliquons des méthodes d'apprentissage automatique basées sur le Gradient-Boosting (LightGBM), en intégrant des techniques de prétraitement des données afin d'optimiser la précision des modèles. Les résultats démontrent l'efficacité de l'apprentissage automatique dans la prévision des tâches quantiques. Cette amélioration pourrait avoir des répercussions significatives sur la gestion des ressources et la planification des tâches au sein des cadres de calcul quantique. Ce travail met non seulement en évidence le potentiel de l'IA pour affiner la prédiction des tâches quantiques, mais établit également une base solide pour l'intégration d'outils pilotés par l'intelligence artificielle dans les opérations avancées de calcul quantique.