Qute: в направлении квантово-нативной базы данных
Qute: Towards Quantum-Native Database
February 16, 2026
Авторы: Muzhi Chen, Xuanhe Zhou, Wei Zhou, Bangrui Xu, Surui Tang, Guoliang Li, Bingsheng He, Yeye He, Yitong Song, Fan Wu
cs.AI
Аннотация
В данной работе представлена концепция квантовой базы данных (Qute), рассматривающая квантовые вычисления как основную опцию выполнения. В отличие от предыдущих методов, основанных на симуляции, которые либо запускают квантовые алгоритмы на классических машинах, либо адаптируют существующие базы данных для квантового моделирования, Qute (i) компилирует расширенную форму SQL в гейт-эффективные квантовые схемы, (ii) использует гибридный оптимизатор для динамического выбора между квантовыми и классическими планами выполнения, (iii) вводит выборочное квантовое индексирование и (iv) разрабатывает систему хранения, сохраняющую точность (фиделити) для смягчения современных ограничений, связанных с кубитами. Мы также представляем трехэтапную дорожную карту эволюции в направлении нативной квантовой базы данных. Наконец, развернув Qute на реальном квантовом процессоре (origin_wukong), мы демонстрируем, что она превосходит классический базовый уровень при масштабировании, и публикуем прототип с открытым исходным кодом по адресу 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.