XiaoMi-AI文件搜索系统
World File Search System于近
LILLIPUT：用于近期量子纠错的轻量级低延迟查找表解码器
量子设备的错误率比运行大多数量子应用程序所需的错误率高出几个数量级。为了弥补这一差距，量子纠错 (QEC) 对逻辑量子位进行编码并使用多个物理量子位分发信息。通过定期对逻辑量子位执行综合征提取电路，可以在运行程序时提取有关错误（称为综合征）的信息。解码器使用这些综合征来实时识别和纠正错误，这对于防止错误累积是必要的。不幸的是，软件解码器速度很慢，而硬件解码器速度快但准确性较低。因此，到目前为止，几乎所有的 QEC 研究都依赖于离线解码。为了在近期的 QEC 中实现实时解码，我们提出了 LILLIPUT——一种轻量级低延迟查找表解码器。LILLIPUT 由两部分组成——首先，它将综合征转换为错误检测事件，这些事件被索引到查找表 (LUT) 中，其条目实时提供错误信息。其次，它通过离线运行软件解码器，对 LUT 进行错误分配编程，以应对所有可能的错误事件。LILLIPUT 可以容忍量子硬件中任何操作的错误，包括门和测量，并且可容忍的错误数量随着代码大小而增加。LILLIPUT 在现成的 FPGA 上使用的逻辑不到 7%，因此可以实际采用，因为 FPGA 已经用于设计现有系统中的控制和读出电路。LIL-LIPUT 的延迟只有几纳秒，可以实现实时解码。我们还提出了压缩 LUT (CLUT) 来减少 LILLIPUT 所需的内存。通过利用并非所有错误事件都同样可能的事实，并且只存储最可能的错误事件的数据，CLUT 将所需内存减少了多达 107 倍（从 148 MB 减少到 1.38 MB），而不会降低准确性。
用于近红外光电探测器的锗异质结
摘要：二维石墨烯薄膜和石墨烯衍生物在光电应用方面有巨大的潜力，引起了广泛的兴趣。然而，提高基于石墨烯薄膜和石墨烯衍生物的光电探测器性能仍然是一个巨大的挑战。通过用垂直取向石墨烯 (VOG) 替换石墨烯薄膜，然后用石墨烯量子点 (GQDs) 功能化，在锗 (Ge) 异质结 (指定为 GQDs/VOG/Ge) 上组装一个功能性 VOG，用于近红外光探测。GQDs 和 VOG 在光吸收和电子传输方面的协同效应增强了光电探测器的性能。对 VOG 进行功能修饰是调控 VOG 费米能级、增加肖特基结的内建电势以及促进光生电子和空穴对分离的有效方法。制成的光电探测器在波长 1550 nm 处表现出优异的响应度 (1.06 × 10 6 AW − 1 ) 和探测度 (2.11 × 10 14 cm Hz 1/2 W − 1 )。对光响应的研究表明，响应速度具有微秒的上升/下降时间，并且具有优异的可重复性和长期稳定性。结果揭示了一种制造高性能石墨烯基光电探测器新结构的简单策略。关键词：GQD、垂直取向石墨烯、锗、协同效应、内置电位、光电探测器■简介
可靠性增强电路设计流基于近似逻辑合成 *
随着CMOS技术的缩小缩放，由于更宽的防护带，电路设计的边缘变得越来越紧，这是抵消更严重的晶体管老化和变化所必需的。因此，迫切需要可靠性增强的电路设计来减少护栏。在本文中，提出了一个基于近似合成的可靠性增强的设计框架，以完全消除衰老的后卫带。它主要包括两个关键部分：首先，进行远期可靠性模拟流支持统计静态时序分析（SSTA）以估计老化后的路径故障率；如果不满足正时约束，则向后延迟驱动的近似逻辑合成流将在关键路径上进行近似局部变化，以减少延迟，直到最终满足可靠性要求并且不需要老化的护罩带。结果表明，近似电路的老化延迟小于原始电路，因此路径故障率显着降低。表明，提出的设计流可以将对应用产生致命影响的时间误差转换为低显着性位上可忽略的错误，以提高电路的弹性，这为纳米级的可靠性增强设计提供了新的视角。
SC19：U：用于近期量子器件噪声预测和电路优化的深度学习方法
由于硬件特定的噪声，嘈杂的中型量子设备在实现高保真计算方面面临挑战。我们提出了一个量子电路深度学习编译器的框架，旨在降低在特定设备上运行的电路的输出噪声。我们的方法是首先在量子芯片的实验数据上训练卷积神经网络，以学习该设备的噪声模型。然后，我们将训练好的网络视为量子电路的噪声预测器，并设计一个编译器来重写电路，以尽量减少网络预测的预期噪声。我们使用 IBM 5 量子比特设备测试了这种方法，并根据 IBM Qiskit 编译算法对编译后的电路进行了基准测试。我们得到的结果显示，与 Qiskit 编译器相比，输出噪声降低了 11%（95% CI [10%、12%]）。与 Qiskit 编译器相比，所有可用的 5 量子比特 IBM 设备都有所改进，但我们发现在学习噪声模型的设备上降噪效果明显更好。这些结果表明，使用机器学习设计的设备特定编译器可以产生更高保真度的操作，从而增加量子计算应用的潜力。
利用量子机器学习优化高效量子存储器，用于近期的量子设备
量子存储器是任何全球规模量子互联网、高性能量子网络和近期量子计算机的基础。量子存储器的主要问题是从量子存储器的量子寄存器中检索量子系统的效率低。在这里，我们为近期量子设备定义了一种称为高检索效率 (HRE) 量子存储器的新型量子存储器。HRE 量子存储器单元在其硬件级别集成了局部幺正操作以优化读出过程，并利用了量子机器学习的先进技术。我们定义了 HRE 量子存储器的集成幺正操作，证明了学习过程，并评估了可实现的输出信噪比值。我们证明 HRE 量子存储器的局部幺正以无监督的方式实现了读出过程的优化，而无需使用任何标记数据或训练序列。我们表明，HRE 量子存储器的读出过程是以完全盲目的方式实现的，无需任何有关输入量子系统或量子寄存器的未知量子操作的信息。我们评估了 HRE 量子存储器的检索效率和输出 SNR（信噪比）。结果对于门模型量子计算机和量子互联网的近期量子设备特别有用。
使用基于近场动力学的计算方法模拟裂纹扩展的疲劳退化策略
摘要 本文的目的是开发新的计算工具来研究结构材料中的疲劳裂纹扩展。特别是，我们比较了不同退化策略的性能，以采用基于近场动力学的计算方法研究疲劳裂纹扩展现象。提出了三种疲劳退化定律。其中两个是原创的。首先使用圆柱模型来比较这三种疲劳定律的计算性能，并研究它们对离散化参数变化的稳健性。然后在近场动力学框架中实施疲劳退化策略以进行疲劳裂纹扩展分析。圆柱模型和近场动力学模拟都表明，提出的第三种退化定律在高精度、高稳定性和低计算成本的结合方面是独一无二的。
使用基于近场动力学的计算方法模拟裂纹扩展的疲劳退化策略
摘要 本文的目的是开发新的计算工具来研究结构材料中的疲劳裂纹扩展。特别是，我们比较了不同退化策略的性能，以采用基于近场动力学的计算方法研究疲劳裂纹扩展现象。提出了三种疲劳退化定律。其中两个是原创的。首先使用圆柱模型来比较这三种疲劳定律的计算性能，并研究它们对离散化参数变化的稳健性。然后在近场动力学框架中实施疲劳退化策略以进行疲劳裂纹扩展分析。圆柱模型和近场动力学模拟都表明，提出的第三种退化定律在高精度、高稳定性和低计算成本的结合方面是独一无二的。