Semester I:Semestr I:

• Quantum processor architecture specificationSpecyfikacja architektury procesora kwantowego
• Qubit topology model (NetworkX graph)Model topologii kubitów (graf NetworkX)
• Native gate library (Python)Biblioteka bramek natywnych (Python)

Semester II:Semestr II:

• Noise model (QuTiP NoiseModel)Model szumu (QuTiP NoiseModel)
• Calibration data API (REST/JSON)API danych kalibracyjnych (REST/JSON)
• Technical and user documentationDokumentacja techniczna i użytkownika

F1: System allows defining qubit architecture (superconducting/trapped-ion/photonic)System umożliwia definiowanie architektury kubitów (nadprzewodzące/uwięzione jony/fotonika)

F2: System generates qubit connectivity topology graph with configurable coupling strengthsSystem generuje graf topologii połączeń kubitów z konfigurowalnymi siłami sprzężenia

F3: System provides native gate set (single-qubit rotations, two-qubit entangling gates)System dostarcza zestaw bramek natywnych (rotacje jednokubitowe, bramki splątujące dwukubitowe)

F4: System models T1 and T2 decoherence times for each qubitSystem modeluje czasy dekoherencji T1 i T2 dla każdego kubitu

F5: System exports calibration data in JSON/YAML format for other teamsSystem eksportuje dane kalibracyjne w formacie JSON/YAML dla innych zespołów

NF1: 5-qubit processor simulation executes in <10 secondsSymulacja procesora 5-kubitowego wykonuje się w <10 sekund

NF2: API documentation compliant with OpenAPI 3.0 standardDokumentacja API zgodna ze standardem OpenAPI 3.0

NF3: Source code with unit test coverage >70%Kod źródłowy z pokryciem testami jednostkowymi >70%

NF4: Compatibility with Qiskit Aer and QuTiP >= 4.7Kompatybilność z Qiskit Aer i QuTiP >= 4.7

Required:Wymagane:

• Working topology model prototype (F1, F2)Działający prototyp modelu topologii (F1, F2)
• Implementation of min. 3 native gates (F3)Implementacja min. 3 bramek natywnych (F3)
• Architecture specification documentationDokumentacja specyfikacji architektury

Expected:Oczekiwane:

• Preliminary noise model (T1, T2)Wstępny model szumu (T1, T2)
• Integration tests with Team 2Testy integracyjne z Zespołem 2

Required:Wymagane:

• Full noise model with crosstalk (F4)Pełny model szumu z crosstalk (F4)
• Working calibration API (F5)Działające API kalibracyjne (F5)
• Integration with Teams 2-5Integracja z Zespołami 2-5

Expected:Oczekiwane:

• Model validation on real IBM processorWalidacja modelu na prawdziwym procesorze IBM

• Processor model integrated with Teams 2, 3, 4, 5 systems and run in min. 10 experimentsModel procesora zintegrowany z systemami Zespołów 2, 3, 4, 5 i uruchomiony w min. 10 eksperymentach
• Calibration API available at public URL and handles min. 100 requests during testingAPI kalibracyjne dostępne pod publicznym URL i obsługujące min. 100 żądań podczas testów
• Documentation published in GitHub repository with min. 50 downloads/viewsDokumentacja opublikowana w repozytorium GitHub z min. 50 pobraniami/wyświetleniami

R1: Noise model complexity exceeds computational capabilities — mitigation: simplify to Pauli modelZłożoność modelu szumu przekracza możliwości obliczeniowe — mitygacja: uproszczenie do modelu Pauliego

R2: Lack of calibration data from real processor — mitigation: use synthetic dataBrak danych kalibracyjnych z prawdziwego procesora — mitygacja: użycie danych syntetycznych

M1 (week 5tyg. 5): Topology and gates prototypePrototyp topologii i bramek

M2 (week 14tyg. 14): Beta version with T1/T2 modelWersja beta z modelem T1/T2

M3 (week 26tyg. 26): Full noise model with crosstalkPełny model szumu z crosstalk

M4 (week 38tyg. 38): Deployment and documentationWdrożenie i dokumentacja

Semester I:Semestr I:

• OpenQASM 3.0/Qiskit circuit parserParser obwodów OpenQASM 3.0/Qiskit
• Gate decomposition to native set moduleModuł dekompozycji bramek do zestawu natywnego
• Basic qubit routing algorithmPodstawowy algorytm trasowania kubitów

Semester II:Semestr II:

• Noise-aware optimizationOptymalizacja świadoma szumu
• Advanced routing (SABRE)Zaawansowane trasowanie (SABRE)
• Performance benchmarks vs QiskitBenchmarki wydajności w porównaniu z Qiskit

F1: System parses circuits from OpenQASM 3.0 and Qiskit QuantumCircuit formatSystem parsuje obwody z formatu OpenQASM 3.0 i Qiskit QuantumCircuit

F2: System decomposes abstract gates to native gate set (data from Team 1)System dekomponuje bramki abstrakcyjne do zestawu bramek natywnych (dane z Zespołu 1)

F3: System maps logical qubits to physical qubits considering topologySystem mapuje kubity logiczne na fizyczne uwzględniając topologię

F4: System inserts SWAP gates minimizing circuit depthSystem wstawia bramki SWAP minimalizując głębokość obwodu

F5: System considers noise data when selecting qubits and gatesSystem uwzględnia dane o szumie przy wyborze kubitów i bramek

F6: System exports transpiled circuits in format compatible with Team 3System eksportuje transpilowane obwody w formacie kompatybilnym z Zespołem 3

NF1: 50-gate circuit transpilation executes in <5 secondsTranspilacja obwodu 50-bramkowego wykonuje się w <5 sekund

NF2: Circuit depth reduction of min. 20% compared to naive decompositionRedukcja głębokości obwodu o min. 20% w porównaniu do naiwnej dekompozycji

NF3: Unit test coverage >75%Pokrycie testami jednostkowymi >75%

NF4: Documentation in Sphinx/ReadTheDocs formatDokumentacja w formacie Sphinx/ReadTheDocs

Required:Wymagane:

• Working OpenQASM 3.0 parser (F1)Działający parser OpenQASM 3.0 (F1)
• Decomposition to min. 5 native gates (F2)Dekompozycja do min. 5 bramek natywnych (F2)
• Basic routing for linear topology (F3, F4)Podstawowe trasowanie dla topologii liniowej (F3, F4)

Expected:Oczekiwane:

• Integration with Team 1 topology APIIntegracja z API topologii Zespołu 1
• Preliminary comparison tests with QiskitWstępne testy porównawcze z Qiskit

Required:Wymagane:

• Full noise-aware optimization (F5)Pełna optymalizacja świadoma szumu (F5)
• SABRE algorithm or equivalent (F4)Algorytm SABRE lub równoważny (F4)
• Interface with Teams 1 and 3 (F6)Interfejs z Zespołami 1 i 3 (F6)

Expected:Oczekiwane:

• Benchmark demonstrating advantage over default QiskitBenchmark demonstrujący przewagę nad domyślnym Qiskit

• Transpiler used to compile min. 20 test circuits for Teams 3-5Transpiler użyty do kompilacji min. 20 obwodów testowych dla Zespołów 3-5
• Average circuit depth reduction >20% on benchmark set (QASMBench)Średnia redukcja głębokości obwodu >20% na zestawie benchmarkowym (QASMBench)
• Library published on PyPI with min. 30 installationsBiblioteka opublikowana na PyPI z min. 30 instalacjami

R1: Routing algorithm complexity for large circuits — mitigation: limit to circuits <100 gates, heuristic algorithmsZłożoność algorytmu trasowania dla dużych obwodów — mitygacja: ograniczenie do obwodów <100 bramek, algorytmy heurystyczne

R2: Format incompatibility with Team 1 — mitigation: early API interface definition, joint testingNiekompatybilność formatu z Zespołem 1 — mitygacja: wczesna definicja interfejsu API, wspólne testy

M1 (week 5tyg. 5): Parser and basic decompositionParser i podstawowa dekompozycja

M2 (week 14tyg. 14): Routing for 2D topologyTrasowanie dla topologii 2D

M3 (week 26tyg. 26): Noise-aware optimizationOptymalizacja świadoma szumu

M4 (week 38tyg. 38): Full integration and benchmarksPełna integracja i benchmarki

Semester I:Semestr I:

• Readout error mitigation module (M3)Moduł mitygacji błędów odczytu (M3)
• Zero-Noise Extrapolation (ZNE) implementationImplementacja Zero-Noise Extrapolation (ZNE)
• Effectiveness benchmarking frameworkFramework benchmarkowania efektywności

Semester II:Semestr II:

• Probabilistic Error Cancellation (PEC)Probabilistic Error Cancellation (PEC)
• Dynamical Decoupling (DD) sequencesSekwencje Dynamical Decoupling (DD)
• Integrated mitigation libraryZintegrowana biblioteka mitygacji

F1: System performs readout error matrix calibration (M3) for n qubitsSystem wykonuje kalibrację macierzy błędów odczytu (M3) dla n kubitów

F2: System corrects measurement distributions using calibration matrixSystem koryguje rozkłady pomiarów używając macierzy kalibracyjnej

F3: System implements ZNE with configurable noise scaling levelsSystem implementuje ZNE z konfigurowalnymi poziomami skalowania szumu

F4: System implements PEC for 1- and 2-qubit gatesSystem implementuje PEC dla bramek 1- i 2-kubitowych

F5: System inserts DD sequences (XY4, CPMG) during idle periodsSystem wstawia sekwencje DD (XY4, CPMG) podczas okresów bezczynności

F6: System reports mitigation effectiveness metrics (error reduction, overhead)System raportuje metryki efektywności mitygacji (redukcja błędów, narzut)

NF1: M3 calibration for 5 qubits executes in <30 secondsKalibracja M3 dla 5 kubitów wykonuje się w <30 sekund

NF2: ZNE does not increase shot count by more than 5xZNE nie zwiększa liczby strzałów więcej niż 5x

NF3: Compatibility with Qiskit Experiments and MitiqKompatybilność z Qiskit Experiments i Mitiq

NF4: Unit test coverage >70%Pokrycie testami jednostkowymi >70%

Required:Wymagane:

• Working M3 readout mitigation (F1, F2)Działająca mitygacja odczytu M3 (F1, F2)
• ZNE implementation with min. 3 levels (F3)Implementacja ZNE z min. 3 poziomami (F3)
• Test framework with min. 5 benchmark circuitsFramework testowy z min. 5 obwodami benchmarkowymi

Expected:Oczekiwane:

• Readout error reduction of min. 50%Redukcja błędów odczytu o min. 50%
• Integration with Team 2 transpilerIntegracja z transpilerem Zespołu 2

Required:Wymagane:

• Full PEC implementation (F4)Pełna implementacja PEC (F4)
• Dynamical Decoupling module (F5)Moduł Dynamical Decoupling (F5)
• Integrated interface with Teams 2 and 4Zintegrowany interfejs z Zespołami 2 i 4

Expected:Oczekiwane:

• Demonstration of >30% error reduction on real IBM processorDemonstracja >30% redukcji błędów na prawdziwym procesorze IBM

• Mitigation library used in min. 15 experiments by Teams 4 and 5Biblioteka mitygacji użyta w min. 15 eksperymentach przez Zespoły 4 i 5
• Average error reduction >25% on set of 10 test circuitsŚrednia redukcja błędów >25% na zestawie 10 obwodów testowych
• Documentation published with min. 3 Jupyter Notebook tutorialsDokumentacja opublikowana z min. 3 tutorialami Jupyter Notebook

R1: PEC sampling overhead too high — mitigation: optimize quasi-probability decomposition, limit to small circuitsNarzut próbkowania PEC zbyt wysoki — mitygacja: optymalizacja dekompozycji quasi-prawdopodobieństw, ograniczenie do małych obwodów

R2: Lack of processor access for calibration — mitigation: use noise simulators, public dataBrak dostępu do procesora dla kalibracji — mitygacja: użycie symulatorów szumu, publiczne dane

M1 (week 5tyg. 5): M3 readout mitigationMitygacja odczytu M3

M2 (week 14tyg. 14): ZNE with automatic scalingZNE z automatycznym skalowaniem

M3 (week 26tyg. 26): PEC and Dynamical DecouplingPEC i Dynamical Decoupling

M4 (week 38tyg. 38): Full library and validationPełna biblioteka i walidacja

Semester I:Semestr I:

• Repetition code implementationImplementacja kodu powtórzeniowego
• Syndrome extraction circuitsObwody ekstrakcji syndromu
• Basic MWPM decoderPodstawowy dekoder MWPM

Semester II:Semestr II:

• Surface code implementationImplementacja kodu powierzchniowego
• Logical gates on logical qubitsBramki logiczne na kubitach logicznych
• Error threshold analysisAnaliza progu błędu

F1: System encodes logical qubits using selected QEC code (repetition/surface)System koduje kubity logiczne używając wybranego kodu QEC (powtórzeniowy/powierzchniowy)

F2: System generates syndrome extraction circuits for n correction roundsSystem generuje obwody ekstrakcji syndromu dla n rund korekcji

F3: System implements classical decoder (MWPM or Union-Find)System implementuje dekoder klasyczny (MWPM lub Union-Find)

F4: System executes logical gates (X_L, Z_L, CNOT_L) on encoded qubitsSystem wykonuje bramki logiczne (X_L, Z_L, CNOT_L) na zakodowanych kubitach

F5: System calculates and reports logical error rate vs physical error rateSystem oblicza i raportuje logiczny współczynnik błędów w stosunku do fizycznego

F6: System integrates with mitigation layer (Team 3) for pre-processingSystem integruje się z warstwą mitygacji (Zespół 3) dla przetwarzania wstępnego

NF1: Syndrome decoding for 1000 rounds executes in <1 secondDekodowanie syndromu dla 1000 rund wykonuje się w <1 sekundę

NF2: Code [[n,k,d]] simulation for n≤17 physical qubitsSymulacja kodu [[n,k,d]] dla n≤17 kubitów fizycznych

NF3: Compatibility with Stim and PyMatchingKompatybilność ze Stim i PyMatching

NF4: Documentation includes circuit diagrams (Quantikz/Qcircuit)Dokumentacja zawiera diagramy obwodów (Quantikz/Qcircuit)

Required:Wymagane:

• Working repetition code [[3,1,1]] (F1)Działający kod powtórzeniowy [[3,1,1]] (F1)
• Syndrome extraction circuits (F2)Obwody ekstrakcji syndromu (F2)
• MWPM decoder with PyMatching library (F3)Dekoder MWPM z biblioteką PyMatching (F3)

Expected:Oczekiwane:

• Threshold analysis for repetition codeAnaliza progu dla kodu powtórzeniowego
• Integration with Team 3 mitigationIntegracja z mitygacją Zespołu 3

Required:Wymagane:

• Surface code d=3 implementation (F1)Implementacja kodu powierzchniowego d=3 (F1)
• Logical gates X_L, Z_L (F4)Bramki logiczne X_L, Z_L (F4)
• Logical vs physical error rate analysis (F5)Analiza logicznego i fizycznego współczynnika błędów (F5)

Expected:Oczekiwane:

• Pseudo-threshold demonstration on noisy simulatorDemonstracja pseudo-progu na symulatorze z szumem

• QEC code used by Team 5 in min. 5 experiments with logical qubitsKod QEC użyty przez Zespół 5 w min. 5 eksperymentach z kubitami logicznymi
• Demonstration of logical error rate reduction below physical for p < p_thresholdDemonstracja redukcji logicznego współczynnika błędów poniżej fizycznego dla p < p_threshold
• Technical report publication with threshold analysis for selected codePublikacja raportu technicznego z analizą progu dla wybranego kodu

R1: Surface code error threshold too low for available processors — mitigation: focus on repetition code, theoretical analysisPróg błędu kodu powierzchniowego zbyt niski dla dostępnych procesorów — mitygacja: skupienie na kodzie powtórzeniowym, analiza teoretyczna

R2: Syndrome circuit complexity exceeds transpiler capabilities — mitigation: collaborate with Team 2, circuit optimizationZłożoność obwodu syndromu przekracza możliwości transpilera — mitygacja: współpraca z Zespołem 2, optymalizacja obwodów

M1 (week 5tyg. 5): Repetition code + syndrome extractionKod powtórzeniowy + ekstrakcja syndromu

M2 (week 14tyg. 14): MWPM decoder + threshold analysisDekoder MWPM + analiza progu

M3 (week 26tyg. 26): Surface code d=3Kod powierzchniowy d=3

M4 (week 38tyg. 38): Logical gates and integrationBramki logiczne i integracja

Semester I:Semestr I:

• Quantum PCA (qPCA) / autoencoderKwantowe PCA (qPCA) / autoenkoder
• Variational ansatz libraryBiblioteka ansatzów wariacyjnych
• Classical optimization loopPętla optymalizacji klasycznej

Semester II:Semestr II:

• Integration with full quantum stackIntegracja z pełnym stosem kwantowym
• Benchmarks vs classical methodsBenchmarki w porównaniu z metodami klasycznymi
• Demo application (dimensionality reduction)Aplikacja demonstracyjna (redukcja wymiarowości)

F1: System implements quantum PCA or autoencoder for dimensionality reductionSystem implementuje kwantowe PCA lub autoenkoder do redukcji wymiarowości

F2: System supports configurable variational ansatz (hardware-efficient, QAOA-style)System wspiera konfigurowalny ansatz wariacyjny (hardware-efficient, QAOA-style)

F3: System integrates classical optimizers (COBYLA, SPSA, Adam)System integruje optymalizatory klasyczne (COBYLA, SPSA, Adam)

F4: System uses transpiler (Team 2) and mitigation (Team 3) automaticallySystem używa transpilera (Zespół 2) i mitygacji (Zespół 3) automatycznie

F5: System optionally uses logical qubits from QEC (Team 4)System opcjonalnie używa kubitów logicznych z QEC (Zespół 4)

F6: System reports metrics: loss function, fidelity, execution timeSystem raportuje metryki: funkcja straty, wierność, czas wykonania

F7: System compares results with classical PCA/autoencodersSystem porównuje wyniki z klasycznym PCA/autoenkoderami

NF1: Algorithm converges in <100 iterations for test datasetsAlgorytm zbiega się w <100 iteracjach dla zestawów danych testowych

NF2: Support for input data up to 16 dimensions (4 qubits)Wsparcie dla danych wejściowych do 16 wymiarów (4 kubity)

NF3: Compatibility with Qiskit Machine Learning and PennyLaneKompatybilność z Qiskit Machine Learning i PennyLane

NF4: User interface as Jupyter Notebook with visualizationsInterfejs użytkownika jako Jupyter Notebook z wizualizacjami

Required:Wymagane:

• Working qPCA or autoencoder on simulator (F1)Działające qPCA lub autoenkoder na symulatorze (F1)
• Min. 3 different variational ansatzes (F2)Min. 3 różne ansatze wariacyjne (F2)
• Optimization loop with min. 2 optimizers (F3)Pętla optymalizacji z min. 2 optymalizatorami (F3)

Expected:Oczekiwane:

• Preliminary comparison with classical PCA on MNISTWstępne porównanie z klasycznym PCA na MNIST
• Integration with Team 2 transpilerIntegracja z transpilerem Zespołu 2

Required:Wymagane:

• End-to-end integration with Teams 1-4 (F4, F5)Integracja end-to-end z Zespołami 1-4 (F4, F5)
• Benchmark on min. 3 datasets (F7)Benchmark na min. 3 zestawach danych (F7)
• Full documentation and tutorialsPełna dokumentacja i tutoriale

Expected:Oczekiwane:

• Demonstration on real IBM Quantum processorDemonstracja na prawdziwym procesorze IBM Quantum

• Algorithm run through full stack (Teams 1-4) in min. 10 experimentsAlgorytm uruchomiony przez pełny stos (Zespoły 1-4) w min. 10 eksperymentach
• Achieving reconstruction fidelity >90% for test datasetOsiągnięcie wierności rekonstrukcji >90% dla zestawu danych testowych
• Demo application publication with min. 50 runs by external usersPublikacja aplikacji demonstracyjnej z min. 50 uruchomieniami przez użytkowników zewnętrznych
• Comparison with classical PCA documented in final reportPorównanie z klasycznym PCA udokumentowane w raporcie końcowym

R1: Barren plateaus in variational optimization — mitigation: layer-wise training, parameter initialization strategiesBarren plateaus w optymalizacji wariacyjnej — mitygacja: trening warstwowy, strategie inicjalizacji parametrów

R2: No quantum advantage on small datasets — mitigation: focus on proof-of-concept, theoretical scalingBrak przewagi kwantowej na małych zbiorach danych — mitygacja: skupienie na proof-of-concept, teoretyczne skalowanie

R3: Stack integration issues — mitigation: early integration tests, mock interfacesProblemy z integracją stosu — mitygacja: wczesne testy integracyjne, interfejsy mock

M1 (week 5tyg. 5): qPCA/autoencoder on simulatorqPCA/autoenkoder na symulatorze

M2 (week 14tyg. 14): Ansatz library + optimizersBiblioteka ansatzów + optymalizatory

M3 (week 26tyg. 26): Full stack integrationPełna integracja stosu

M4 (week 38tyg. 38): Benchmarks and demo appBenchmarki i aplikacja demo