性能基准

我们将 MindQuantum 与其它常见的量子计算框架进行了性能基准对比

随机电路演化模拟

测试硬件：8U32G · 计算精度：Qiskit / TenCirChem / MindSpore Quantum FP64；TFQ FP32

小规模量子比特时，MindSpore Quantum 的优势主要来自更低的 API 调用开销；大规模量子比特时，其多线程并行计算与高效的常见量子门演化实现确保了优异的性能。

QAOA 求解最大割问题

测试硬件：8U32G · 计算精度：Qiskit / TenCirChem / MindSpore Quantum FP64；TFQ FP32

得益于参数化量子电路梯度计算上的深度优化与高效的电路演化实现，MindSpore Quantum 的性能至少比其他框架快一个数量级。

VQE 求解化学分子基态能量

测试硬件：8U32G · 计算精度：Qiskit / TenCirChem / MindSpore Quantum FP64；TFQ FP32

得益于参数化量子电路梯度计算上的深度优化与高效的电路演化实现，MindSpore Quantum 的性能至少比其他框架快一个数量级。