ChatPaper.aiChatPaper

Qute: Verso un Database Nativo Quantistico

Qute: Towards Quantum-Native Database

February 16, 2026
Autori: Muzhi Chen, Xuanhe Zhou, Wei Zhou, Bangrui Xu, Surui Tang, Guoliang Li, Bingsheng He, Yeye He, Yitong Song, Fan Wu
cs.AI

Abstract

Questo articolo propone un database quantistico (Qute) che considera il calcolo quantistico come un'opzione di esecuzione di prima classe. A differenza dei metodi precedenti basati su simulazione, che eseguono algoritmi quantistici su macchine classiche o adattano database esistenti per la simulazione quantistica, Qute invece (i) compila una forma estesa di SQL in circuiti quantistici efficienti in termini di gate, (ii) utilizza un ottimizzatore ibrido per selezionare dinamicamente tra piani di esecuzione quantistici e classici, (iii) introduce un indicizzazione quantistica selettiva e (iv) progetta una memoria che preserva la fedeltà per mitigare i vincoli attuali sui qubit. Presentiamo inoltre una roadmap evolutiva in tre fasi verso un database nativamente quantistico. Infine, implementando Qute su un processore quantistico reale (origin_wukong), dimostriamo che supera una baseline classica su larga scala e rilasciamo un prototipo open-source all'indirizzo 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.
PDF132March 29, 2026