XiaoMi-AI文件搜索系统
World File Search System伪酉
![arXiv:2012.00554v2 [quant-ph] 2022 年 3 月 14 日](/simg/6\6a65ecb967c9d435ee5440533a779dcc19f17c27.webp)
arXiv:2012.00554v2 [quant-ph] 2022 年 3 月 14 日
信息论中的许多问题可以归结为矩阵上的优化，其中矩阵的秩受到约束。我们在秩约束优化和量子纠缠理论之间建立了联系。更准确地说，我们证明了一大类秩约束半定规划可以写成可分离量子态上的凸优化，因此，我们构建了一个完整的半定规划层次来解决原始问题。这个层次不仅为秩约束优化问题提供了一系列经过认证的界限，而且在考虑层次结构的最低层时，在实践中给出了相当好且通常是精确的值。我们证明了我们的方法可以用于量子信息处理中的相关问题，例如纯态优化、混合酉信道和忠实纠缠的表征以及量子语境，以及经典信息论，包括最大割问题、伪布尔优化和图的正交表示。最后，我们表明我们的想法可以扩展到秩约束二次和高阶规划。
劳伦斯伯克利国家实验室
摘要 — 近期量子计算机的错误率很高，相干时间很短，因此，尽可能缩短电路的编译时间至关重要。通常考虑两种类型的编译问题：从固定输入状态准备给定状态的电路，称为“状态准备”；以及实现给定酉运算的电路，例如通过“酉合成”。在本文中，我们解决了一个更一般的问题：将一组 m 个状态转换为另一组 m 个状态，我们称之为“多状态准备”。状态准备和酉合成是特殊情况；对于状态准备，m=1，而对于酉合成，m 是整个希尔伯特空间的维度。我们以数字方式生成和优化多状态准备电路。在基于矩阵分解的自上而下方法也可行的情况下，我们的方法可以找到具有明显（最多 40%）更少的双量子比特门的电路。我们讨论了可能的应用，包括有效准备宏观叠加（“猫”）状态和合成量子信道。索引词——量子计算、状态准备、编译、合成
![arXiv:2402.09335v1 [quant-ph] 2024 年 2 月 14 日](/simg/3\370b090d6ca61fecd1617e834aca3bd7ef6da42f.webp)
arXiv:2402.09335v1 [quant-ph] 2024 年 2 月 14 日
酉 T 设计在量子信息中发挥着重要作用，在量子算法、基准测试、层析成像和通信等众多领域有着广泛的应用。到目前为止，为 n -qudit 系统构建酉 T 设计的最有效方法是通过随机局部量子电路，事实证明，使用 O ( T 5+ o (1) n 2 ) 量子门，该电路可以收敛到钻石范数中的近似 T 设计。在本文中，我们通过随机矩阵理论，使用 ˜ O ( T 2 n 2 ) 量子门，提供了一种新的 T 设计构造方法。我们的构造方法利用了两个关键思想。首先，本着中心极限定理的精神，我们用随机 Hermitian 矩阵的 iid 和来近似高斯酉系综 (GUE)。其次，我们证明仅两个指数 GUE 矩阵的乘积就已经近似为 Haar 随机。因此，通过汉密尔顿模拟，将两个指数和乘以相当简单的随机矩阵可得到一个酉 T 设计。我们证明的一个主要特点是量子查询复杂性中的多项式方法与随机矩阵理论中的大维（ N ）展开之间的新联系。具体而言，我们表明多项式方法可以指数地改善某些随机矩阵集合的高阶矩的界限，而无需复杂的 Weingarten 计算。在此过程中，我们定义并解决了单位圆上的一种新型矩问题，询问有限数量的等权重点（对应于酉矩阵的特征值）是否可以重现给定的一组矩。
RNA 测序中逆转录反应的伪影和偏差
近年来，RNA 测序激发了大量的研究领域。大多数方案依赖于在逆转录反应过程中合成更稳定的 RNA 分子互补 DNA (cDNA) 拷贝。结果 cDNA 池经常被错误地认为在数量和分子上与原始 RNA 输入相似。遗憾的是，偏差和伪影会混淆结果 cDNA 混合物。依赖逆转录过程的人们在文献中经常忽视或忽略这些问题。在这篇评论中，我们向读者展示了 RNA 测序实验过程中逆转录反应引起的样本内和样本间偏差和伪影。为了打消读者的疑虑，我们还提供了大多数问题的解决方案并介绍了良好的 RNA 测序实践。我们希望读者能够利用这篇评论，从而为科学合理的 RNA 研究做出贡献。
伪混沌数发生器的设计、基于 FPGA 的实现及性能
摘要 —混沌序列伪随机数生成器 (PRNG-CS) 在各种安全应用中引起了关注，尤其是对于流和分组密码、隐写术和数字水印算法。事实上，在所有基于混沌的加密系统中，混沌生成器都起着至关重要的作用并表现出适当的加密特性。由于技术的爆发，以及物联网 (IoT) 技术的快速发展及其各种用例，PRNGs-CS 软件实现仍然是一个未解决的问题，以满足其服务要求。硬件实现是实现 PRNGs-CS 的最旗舰技术之一，目的是为此类应用程序安全提供高性能要求。因此，在这项工作中，我们提出了一种新的基于 PRNGs-SC 的架构。后者由三个弱耦合的离散混沌映射以及分段线性混沌映射 (PWLCM)、斜帐篷和 Logistic 映射组成。混沌系统是在 Xilinx Spartan™-6 FPGA 板上设计的，使用超高速集成电路硬件描述语言 (VHDL)。在 ISE Design Suite 环境中执行的模拟结果证明了我们提出的架构在抵抗统计攻击、吞吐量和硬件成本方面的有效性。因此，基于其架构和模拟结果，所提出的 PRNG-SC 可用于加密应用。
Cryptorng：访问系统加密伪数编号生成器
'原始的'raw'均匀的随机字节从csprng返回，以原始矢量'Chr'chr'统一的随机字节返回，返回以十六进制字符串'lgl'lgl'lgl'均匀的随机字节返回，随机逻辑值'int'int'组合4个随机字节组合4个随机字节，以创建均匀的随机整数。此输出将进一步过滤以删除可能发生的“ DBL”的任何NA值结合了8个随机字节，以在[0，1）范围内创建均匀的随机数
基于频率的深度学习实现多伪影脑电图去噪
摘要 脑电图 (EEG) 信号是神经科学研究和临床应用（如脑机接口和神经系统疾病诊断）的基础。这些信号通常是神经活动和噪声的组合，来自各种来源，包括眼球和肌肉运动等生理伪影。在这种情况下，我们解决了区分神经活动和噪声相关来源的挑战。我们开发了一种在频域中运行的新型 EEG 去噪模型，利用有关噪声频谱特征的先验知识自适应地计算用于噪声分离的最佳卷积滤波器。该模型经过训练可以学习一种经验关系，将噪声和噪声信号的频谱特性与允许信号去噪的非线性变换联系起来。在 EEGdenoiseNet 数据集上的性能评估表明，所提出的模型根据时间和频谱指标都实现了最佳结果。发现该模型可以从输入的 EEG 数据中去除生理伪影，从而实现有效的 EEG 去噪。事实上，该模型的性能与基准模型相当甚至更好，证明可以有效去除肌肉和眼部伪影，而无需对特定类型的伪影进行任何训练。
硬膜下皮质电刺激中的伪影传播
通过脑皮层电图 (ECoG) 进行皮层刺激可能是在双向脑机接口 (BD-BCI) 中诱导人工感觉的有效方法。然而，电刺激引起的强电伪影可能会显著降低或掩盖神经信息。详细了解刺激伪影通过相关组织的传播可能会改进现有的伪影抑制技术或启发开发新的伪影缓解策略。因此，我们的工作旨在全面描述和模拟硬膜下 ECoG 刺激中伪影的传播。为此，我们收集并分析了四名患有癫痫并植入硬膜下 ECoG 电极的受试者的雄辩皮层映射程序数据。从这些数据中，我们观察到伪影在所有受试者的时间域中都表现出锁相和棘轮特性。在频域中，刺激导致宽带功率增加，以及基频刺激频率及其超谐波的功率爆发。伪影的空间分布遵循电偶极子的电位分布，在所有受试者和刺激通道中，拟合优度中值为 R 2 = 0.80。高达 ± 1,100 µ V 的伪影出现在距离刺激通道 4.43 至 38.34 毫米的任何地方。这些时间、光谱和空间特性可用于改进现有的伪影抑制技术，启发新的伪影缓解策略，并有助于开发新的皮质刺激方案。总之，这些发现加深了我们对皮质电刺激的理解，并为未来的 BD-BCI 系统提供了关键的设计规范。
基于EEG的BCI疗法中的伪影：朋友还是敌人？
摘要：基于脑电图的脑机接口 (BCI) 具有超越传统神经反馈训练的广阔治疗潜力，例如实现个性化和优化的虚拟现实 (VR) 神经康复范例，其中视觉体验的时间和参数与特定大脑状态同步。虽然 BCI 算法通常被设计为专注于信号中信息量最大的部分，但在这些大脑状态同步的应用中，至关重要的是，最终的解码器对代表各种心理状态的生理大脑活动敏感，而不是对诸如自然运动产生的伪影敏感。在本研究中，我们比较了从提取的大脑活动和 EEG 信号中包含的伪影中解码不同运动任务的相对分类准确度。在基于 VR 的逼真神经康复范例中，从 17 名慢性中风患者身上收集了 EEG 数据，同时执行六种不同的头部、手部和手臂运动。结果表明，在分类准确度方面，EEG 信号的伪像成分比大脑活动的信息量大得多。这一发现在不同的特征提取方法和分类流程中是一致的。虽然可以通过适当的清理程序恢复信息性脑信号，但我们建议不要仅将特征设计为最大化分类准确度，因为这可能会选择剩余的伪像成分。我们还建议使用可解释的机器学习方法来验证分类是否由生理脑状态驱动。总之，虽然信息性伪像在基于 BCI 的通信应用中是一个有用的朋友，但它们在估计生理 32 脑状态时可能是一个麻烦的敌人。33
变分量子电路制备低能对称态
摘要：我们探索如何构建量子电路，通过将给定汉密尔顿量显式编码到电路中来计算对称子空间内给定汉密尔顿量对应的最低能量状态。我们创建显式酉和变分训练酉，将由定义子空间中的 ansatz A(oL) 输出的任何矢量映射到对称空间中的矢量。对参数进行变分训练以最小化能量，从而将输出保持在标记的对称值内。该方法针对使用旋转和反射对称的自旋 XXZ 汉密尔顿量和使用 S 2 对称的 S z = 0 子空间内的 % 汉密尔顿量进行了测试。我们发现变分训练的酉在深度非常低的电路中给出了良好的结果，因此可用于在近期量子计算机中准备对称状态。