XiaoMi-AI文件搜索系统
World File Search System使用量
使用量子级联激光红外光谱和热解的质量质谱法
微塑料（MP）是多种多样的，并且存在于广泛的类型，尺寸，颜色，信息和组成中。因此，需要高准确性，选择性，灵敏度和效率来检测和量化MP的高级分析技术。几项研究已经发表了方法和结果。但是，很少有人提供精度，恢复测试和方法比较，以确保结果的正确性。量子级联激光光谱光谱（QCL-µ IR）是基于其独特的化学特征的颗粒对颗粒的无损鉴定。与用于识别的机器学习（ML）算法相结合，导致了快速，准确和稳健的分类。此外，使用热解气相色谱 - 质量光谱法（PY-GC-MS）可以根据其独特的化学成分对MP进行精确表征和定量。MP，以两步化的化学消化和45 µ µM不锈钢过滤器进行进一步过滤。使用随机森林算法重新处理了从QCl-µ IR（日光解决方案SPEROQT 340）获得的光谱数据。使用PY（前沿，实验室；日本福岛）GC-MS（Thermo Scientific，MA，USA）进一步分析了MP，对相关聚合物类型和样品矩阵进行了优化，可实现量化的低限制（在0.01和0.1 µ g之间），并控制恢复。
使用量子机器学习对海洋能转换器的环境影响评估
化石能源储备的枯竭及其造成的环境污染凸显了利用海洋可再生能源（如海浪和潮汐）的必要性，因为它们具有巨大的潜力。另一方面，大规模部署海洋能转换器以满足未来的能源需求需要使用大型转换器农场，这可能会对海洋生态系统产生负面的环境影响。与此同时，一个非常重要的一点是，通过不同的方法从海洋收集数据并进行分析会产生大量的数据，这使得使用不同的机器学习算法等先进工具变得更加丰富多彩。在本文中，使用机器学习和量子机器学习分析了一些海洋能设备对环境的影响。结果表明，量子机器学习在计算精度方面优于传统机器学习。这种方法为环境影响评估提供了一种有前途的新方法，特别是在海洋等复杂环境中。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
如何使用量子不可区分混淆
量子复制保护由 Aaronson [ 1 ] 提出，它能够给出无法被有效复制的量子程序描述。尽管经过十多年的研究，但人们知道只有极少数程序能够实现复制保护。作为我们的第一项贡献，我们展示了如何为所有程序实现“最佳”复制保护。我们通过引入量子态不可区分混淆 ( qsiO ) 来实现这一点，这是用于经典程序量子描述的混淆概念。我们表明，将 qsiO 应用于程序可立即实现最佳复制保护。我们的第二项贡献是表明，假设存在单向注入函数，qsiO 是一大类可穿孔程序的具体复制保护 — — 大大扩展了可复制保护程序的类别。我们证明中的一个关键工具是不可克隆加密 (UE) 的新变体，我们称之为耦合不可克隆加密 (cUE)。虽然在标准模型中构建 UE 仍然是一个重要的未解决的问题，但我们能够从单向函数构建 cUE。如果我们另外假设 UE 的存在，那么我们可以进一步扩展 qsiO 是复制保护的可穿孔程序类。最后，我们相对于一个有效的量子预言机构建 qsiO。
使用量子转移学习
糖尿病性视网膜病（DR）是糖尿病患者普遍存在的并发症，可能会导致视力障碍，这是由于视网膜上形成的病变。在高级阶段检测DR通常会导致不可逆的失明。通过眼科医生通过视网膜底面图像诊断DR的传统过程不仅是耗时的，而且还很昂贵。虽然经典的转移学习模型已被广泛用于计算机辅助检测DR，但其高维护成本可能会阻碍其检测EFFI效率。相比之下，量子传递学习对这一挑战的更有效解决方案。这种方法非常有利，因为它以启发式原则运作，使其对任务进行了高度优化。我们提出的方法利用这种混合量子传递学习技术来检测DR。为了构建我们的模型，我们利用Kaggle上可用的Aptos 2019失明检测数据集。我们采用RESNET-18，RESNET34，RESNET50，RESNET101，RESNET152和INCEPTION V3（预训练的经典神经网络）进行初始特征提取。在分类阶段，我们使用变分量子分类器。我们的混合量子模型显示出了显着的结果，RESNET-18的精度为97％。这表明，与量子机学习集成时，量子计算可以单独使用经典计算机来执行一定程度的功率和EFFI的任务。通过利用这些先进的技术，我们可以显着改善糖尿病性视网膜病的检测和诊断，从而使许多人免于失明的风险。
如何使用量子不可区分混淆
量子复制保护由 Aaronson [ Aar09 ] 提出，它可以给出无法被有效复制的量子程序描述。尽管经过十多年的研究，但已知复制保护仅对非常有限的一类程序可用。作为我们的第一项贡献，我们展示了如何为所有程序实现“最佳”复制保护。我们通过引入量子态不可区分混淆 ( qsiO ) 来实现这一点，这是用于经典程序量子描述的混淆概念。我们表明，将 qsiO 应用于程序可立即实现最佳复制保护。我们的第二项贡献是表明，假设存在单向注入函数，qsiO 是一大类可穿孔程序的具体复制保护 — — 大大扩展了可复制保护程序的类别。我们证明中的一个关键工具是不可克隆加密 (UE) 的新变体，我们称之为耦合不可克隆加密 (cUE)。虽然在标准模型中构建 UE 仍然是一个重要的未解决的问题，但我们能够从单向函数构建 cUE。如果我们另外假设 UE 的存在，那么我们可以进一步扩展 qsiO 是复制保护的可穿孔程序类。最后，我们相对于有效的量子预言机构建 qsiO。
使用量子计算和分区的心脏病检测
摘要。心脏病的发病率和死亡率正在增加，这对公共卫生和全球经济产生了负面影响。心脏病的早期发现降低了心脏死亡率和发病率的发生率。最近的研究利用量子计算方法来预测5个以上的心脏病，并且在计算中进行了密集。尽管量子数数量较高，但较早的工作报告说，预测心脏病的准确性较低，没有考虑到异常效应，并且需要更多的计算时间和记忆来预测心脏病。为了克服这些局限性，我们建议使用几个量子位（2至4个）（2至4）提出混合随机森林量子神经网络（HQRF），并考虑了数据集中异常值的影响。在本研究中使用了两个开源数据集Cleveland和Statlog应用量子网络。所提出的算法已应用于两个开源数据集，并利用了两种不同类型的测试策略，例如10倍的交叉验证和70-30列车/测试率。我们将我们提出的方法论的性能与较早的算法（称为杂交量子神经网络（HQNN））的算法进行了比较。HQNN和HQRF在10倍的交叉验证和70/30列车/测试拆分率中的表现均优胜。结果表明，HQNN需要大型培训数据集，而HQRF更适合大型和小型培训数据集。根据实验结果，与HQNN相比，提出的HQRF对异常数据不敏感。与较早的作品相比，拟议的HQRF在使用Cleveland和Statlog数据集的预测心脏病方面的曲线（AUC）下达到了96.43％和97.78％的最大面积，使用HQNN。所提出的HQRF在早期检测心脏病方面非常有效，并将加快临床诊断。
使用量子密码探索量子密码，可持续移动网络体系结构设计
移动网络的扩散及其对现代生活的重要性，再加上量子计算的新兴威胁，提出了网络安全的新挑战和机遇。本文介绍了保护这些关键基础设施免受未来量子攻击的复杂性，同时考虑了运营可持续性。我们从当前景观的概述开始，确定莫比尔网络中的主要漏洞，并使用新的量子后加密术（PQC）方法评估现有的安全解决方案。然后，我们使用PQC和量子密钥分布（QKD）介绍了针对可持续移动网络量身定制的量子安全体系结构，并用几种用例说明了其适用性，这些用例（在这个新时代都强调了对高级保护措施的需求。此外，还提供了对PQC算法系列的全面分析，重点是他们在移动环境中集成的适合性，特别关注能源消耗和安全性改善之间的权衡。最后，通过详细检查当前的挑战和机遇，提供了加强移动网络抵抗量子威胁的建议。
在控制中使用量子计算机：间隔矩阵属性
摘要 - Quantum Computing提供了一个强大的框架，用于解决经典棘手的计算问题。本文的目的是探索使用量子计算机来解决系统和控制理论中相关问题的使用。在最近的文献中，已经开发出不同的量子算法来应对二进制优化，该二进制优化在各种控制理论概率中起着重要作用。作为一个典型的例子，我们考虑了量子计算机上的间隔矩阵属性（例如非单星性和稳定性）的验证。我们提出了解决这些问题的量子算法，并研究了其在模拟中的性能。我们的结果表明，量子计算机为控制提供了一种有前途的工具，该工具的适用性在进一步的计算复杂问题上仍有待探索。
使用量子计算从叠后地震数据中估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心
使用量子计算从叠后地震数据估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心 摘要 量子计算越来越被认为是地球物理学的一项变革性技术，它有可能显著提高计算能力和效率。这一进步有望以前所未有的速度模拟和处理复杂的地质数据。最近的研究已经开始探索将量子计算方法应用于简化版本的地震反演问题，强调该技术解决现实世界逆问题的能力。本研究的主要目的是通过使用量子计算机从地震轨迹数据估计声阻抗来解决一个现实、可扩展且与业务相关的问题。据我们所知，这是第一次通过量子计算从地震数据预测地震阻抗，并讨论了在量子处理单元 (QPU) 上解决逆问题的优势。在本文中，我们利用 D-Wave 量子退火器来解决叠后地震反演问题，采用了一种新颖的两步工作流程。在第一步中，我们利用量子退火器从地震数据中估计反射率。随后，这些估计的法向入射反射率作为使用相同量子技术预测声阻抗的基础。为了验证我们方法的有效性，我们提供了五个示例，将 D-Wave 量子退火器的阻抗预测与通过模拟退火（传统上用于地震反演的随机全局优化器）获得的阻抗预测并列。值得注意的是，从量子退火器得出的阻抗仅在一个时期内就与真实值紧密匹配，而模拟退火需要 10 个时期才能达到类似的精度。此外，我们的混合求解器中的 QPU 仅花费约 0.08 秒即可估计这些地震阻抗。与混合求解器的经典组件和模拟退火所需的时间相比，这非常高效，后两者均需要超过 10 秒。这凸显了 QPU 可以在不到一秒的时间内完全解决地震逆问题，凸显了量子计算对地球物理学领域的变革性影响。 引言 量子计算是一个新兴领域，它利用量子力学原理来处理信息，为传统计算带来了范式转变。与以比特为信息基本单位的传统计算机相比，量子计算机