Qute : Vers une base de données quantique-native
Qute: Towards Quantum-Native Database
February 16, 2026
papers.authors: Muzhi Chen, Xuanhe Zhou, Wei Zhou, Bangrui Xu, Surui Tang, Guoliang Li, Bingsheng He, Yeye He, Yitong Song, Fan Wu
cs.AI
papers.abstract
Ce document présente une base de données quantique (Qute) qui considère le calcul quantique comme une option d'exécution de premier ordre. Contrairement aux méthodes antérieures basées sur la simulation qui exécutent des algorithmes quantiques sur des machines classiques ou adaptent des bases de données existantes pour la simulation quantique, Qute (i) compile une forme étendue de SQL en circuits quantiques optimisés en nombre de portes, (ii) utilise un optimiseur hybride pour sélectionner dynamiquement entre des plans d'exécution quantiques et classiques, (iii) introduit une indexation quantique sélective, et (iv) conçoit un stockage préservant la fidélité pour atténuer les contraintes actuelles sur les qubits. Nous présentons également une feuille de route d'évolution en trois étapes vers une base de données native quantique. Enfin, en déployant Qute sur un véritable processeur quantique (origin_wukong), nous montrons qu'il surpasse une référence classique à grande échelle, et nous publions un prototype open-source à l'adresse https://github.com/weAIDB/Qute.
English
This paper envisions a quantum database (Qute) that treats quantum computation as a first-class execution option. Unlike prior simulation-based methods that either run quantum algorithms on classical machines or adapt existing databases for quantum simulation, Qute instead (i) compiles an extended form of SQL into gate-efficient quantum circuits, (ii) employs a hybrid optimizer to dynamically select between quantum and classical execution plans, (iii) introduces selective quantum indexing, and (iv) designs fidelity-preserving storage to mitigate current qubit constraints. We also present a three-stage evolution roadmap toward quantum-native database. Finally, by deploying Qute on a real quantum processor (origin_wukong), we show that it outperforms a classical baseline at scale, and we release an open-source prototype at https://github.com/weAIDB/Qute.