XiaoMi-AI文件搜索系统
World File Search System估量
从猜测角度评估量子密钥分发的安全性
摘要 量子密钥分发可以提供信息论安全的密钥。实际应用中，窃听者可能会攻击传输的量子态，从而将一些信息泄露给生成的密钥。最终密钥的安全性取决于窃听者猜测密钥的难易程度。猜测概率受实际生成的量子态与理想量子态之间的迹距离所约束，因此可以用来估计量子密钥分发的安全性。利用迹距离ε和密钥长度n，我们证明了在某些特殊情况下猜测概率可达到上限ε + 2 − n。我们证明了不同的攻击策略会给出不同数量的猜测，有时甚至是完全颠覆性的差异，以得到最终密钥。我们的结果表明，应谨慎选择适当的安全参数ε以保证生成密钥的安全性。
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络
使用...评估量子计算机上的能量差异
简介。在物理学中，评估能量差异而不是总能量是普遍存在的。特定哈密顿量的基态和第一激发态之间是否存在间隙与凝聚态 [ 1 ] 和高能物理 [ 2 ] 中的突出问题有关，也是多体物理学和理论计算机科学 [ 3 ] 之间深层联系的核心。无数的光谱技术最终将单个哈密顿量的两个或多个本征态的能量进行比较，作为特定物质的众多识别特征之一。本文关注的是使用量子计算机来实现这一目的。我们将感兴趣的哈密顿量表示为 H ，其中 N = 2 n = dim H 。H 的基态由其特征值 | E 0 ⟩ 标记，其上方的第 a 个本征态为 | E a ⟩。通过反复准备两个能量本征态的特定叠加态，使它们经历幺正演化 W(H)[4-7]，撤消准备过程，并在计算基础中进行测量（见图 1b），我们可以推断出两个本征态之间的能量差异，而无需辅助量子比特 [8] 或受控幺正操作。这不同于其他量子相位估计 (QPE) 方法 [9]，它们使用一个或多个辅助量子比特为编码物理系统的寄存器上累积的相位提供参考 [10-19]。我们的程序受到鲁棒相位估计 (RPE) 算法的启发，该算法被引入用于表征和校准单量子比特门的相位（即旋转角度）[20]。 W(H) 的一种常见形式是控制固定时间内汉密尔顿演化的指数映射的近似值 [21,22]，尽管它也可以采用其他形式，其中相位是特征值的已知函数 [5,23]。虽然相位估计广泛应用于量子计算机上的特征值计算，但 W(H) 的物理意义是在 n 个量子比特的希尔伯特空间中编码感兴趣系统的自由度的结果。虽然我们考虑分子系统中相互作用电子的特定编码 [24,25]，但我们注意到我们的结果可以扩展到其他领域，包括与核物质相关的领域 [26]，
评估量子估计的数据后处理
摘要 — 量子传感器是最有前途的量子技术之一，可以达到参数估计的极限精度。为了实现这一点，需要完全控制和优化传感器硬件部分的构成，即探测状态的准备和要执行的测量的正确选择。然而，对于软件组件也必须仔细考虑：必须采用一种策略来找到所谓的最佳估计量。在这里，我们回顾了在无限和有限资源的情况下寻找最佳估计量的最常用方法。此外，我们尝试通过概率分布的高阶矩对估计量进行更完整的表征，表明大多数信息已经由标准界限传达。
粘合剂 - 估量 - 电气 - 电动杂种 - 螺旋形 -
粘合剂和密封剂在混合动力和电池电动汽车的车身结构，油漆和车辆组装中也起着重要作用。由于减少电动汽车的重量有助于扩大其范围，因此OEM付出了巨大的努力来减少身体，内部和动力总成的重量。因此，电动汽车通常需要键合非传统或不同的材料，例如用于SUV或掀背车的轻质复合后挡板。这些应用类似于传统的车辆构建，并在以下ASC出版物中进行了讨论：OEM车身商店的粘合剂和密封剂选择指南以及OEM涂料，装饰和最终组装商店的粘合剂和密封剂选择指南。请参阅这些指南，以获取有关轻型车身建设和组装中粘合剂和密封剂的更多信息。