XiaoMi-AI文件搜索系统
World File Search System保真度
激光定向能量沉积中基于多保真度替代的不确定性量化过程映射
摘要：涉及高斯过程 (GP) 的多保真度 (MF) 替代物用于设计激光定向能量沉积 (L-DED) 增材制造 (AM) 中的时间过程图。过程图用于建立熔池特性（例如熔池深度）与工艺参数（例如激光功率和扫描速度）之间的关系。MFGP 替代物涉及高保真度 (HF) 和低保真度 (LF) 模型。选择 Autodesk Netfabb ® 有限元模型 (FEM) 作为 HF 模型，而选择 Eagar-Tsai 开发的分析模型作为 LF 模型。结果表明，MFGP 替代物能够成功地融合不同保真度模型中存在的信息，以设计时间前向过程图（例如，给定一组真实深度未知的工艺参数，熔池深度是多少？）。为了扩展新开发的建立时间逆过程图的公式（例如，为了实现所需的熔池深度，但不知道真实工艺参数，那么作为时间函数的工艺参数的最佳预测是什么？），在计算预算约束下，通过将 MFGP 代理与贝叶斯优化 (BO) 相结合来进行案例研究。结果表明，与单精度 (SF) GP-BO 相比，MFGP-BO 可以显著提高优化解决方案的质量，同时降低计算预算。与仅限于开发稳态正向过程图的现有方法相比，当前的工作成功地展示了在 L-DED 中实现结合不确定性量化 (UQ) 的时间正向和逆过程图。
机器学习策略识别：高保真度决策策略发现的范例
摘要 我们提出了一种新方法，称为机器学习策略识别 (MLSI)，以发现隐藏的决策策略。在这种方法中，我们首先根据一组被指示使用特定策略的参与者的选择和过程数据训练机器学习模型，然后使用训练后的模型识别一组新参与者所采用的策略。与大多数需要多次试验才能识别参与者策略的建模方法不同，MLSI 可以逐个试验区分策略。我们在三个实验中检查了 MLSI 的表现。在实验一中，我们在配对比较决策任务中向参与者传授三种不同的策略。最好的机器学习模型识别出参与者使用的策略，准确率超过 90%。在实验二中，我们将 MLSI 与多重测量最大似然 (MM-ML) 方法进行了比较，后者也能够在策略识别中整合多种类型的数据，结果发现 MLSI 的识别准确率高于 MM-ML。在实验三中，我们向在有利于非补偿策略（取其优）的任务环境中自由做出决策的参与者提供反馈。 MLSI 的逐次试验结果表明，在实验过程中，大多数参与者一开始会探索多种策略，但最终学会使用“选择最佳”策略。总体而言，我们的研究结果表明，MLSI 可以逐次识别隐藏策略，并且准确率很高，可与需要多次试验才能识别策略的其他方法相媲美。
EQUAL：通过注入受控扰动来提高量子退火器的保真度
量子退火器 (QA) 是单指令量子机，只能从能量函数（称为哈密顿量）的基态进行采样。要执行程序，需要将问题转换为嵌入在硬件上的哈密顿量，然后运行单个量子机器指令 (QMI)。即使 QMI 运行了数千次试验，硬件中的噪声和缺陷也会导致 QA 得到次优解决方案。由于 QA 的可编程性有限，用户在所有试验中都执行相同的 QMI。这会导致所有试验在整个执行过程中都受到相似的噪声影响，从而导致系统偏差。我们观察到系统偏差会导致次优解决方案，并且无法通过执行更多试验或使用现有的错误缓解方案来缓解。为了应对这一挑战，我们提出了 EQUAL（E nsemble QU antum A nnea L ing）。EQUAL 通过向程序 QMI 添加受控扰动来生成 QMI 集合。在 QA 上执行时，QMI 集合可使程序避免在所有试验中遇到相同的偏差，从而提高解决方案的质量。我们使用 D-Wave 2000Q 机器进行的评估表明，EQUAL 可将基线与理想值之间的差异缩小平均 14%（最高可达 26%），而无需任何额外试验。EQUAL 可以与现有的错误缓解方案相结合，进一步缩小基线与理想值之间的差异，平均缩小 55%（最高可达 68%）。
量子态验证和保真度估计的统计方法
高效可靠的量子态认证对于各种量子信息处理任务以及量子技术实施的总体进展至关重要。近几年来，出现了几种使用高级统计方法以资源高效的方式认证量子态的方法。本文回顾了该领域的最新进展。首先解释如何用假设检验的语言讨论量子态的验证和保真度估计。然后，详细解释了使用局部测量或局部操作辅助测量和经典通信来验证纠缠态的各种策略。最后，讨论了该问题的几种扩展，例如量子信道的认证和纠缠的验证。
HAMMER：利用错误结果的汉明行为提高噪声量子电路的保真度
具有数百个量子比特的量子计算机即将面世。不幸的是，高设备错误率对使用这些近期的量子系统为实际应用提供支持构成了重大挑战。在现有量子系统上执行程序会产生正确和错误的结果，但输出分布通常太嘈杂而无法区分它们。在本文中，我们表明错误结果不是任意的，而是在汉明空间中表示时表现出明确定义的结构。我们在 IBM 和 Google 量子计算机上的实验表明，最常见的错误结果在汉明空间中更有可能接近正确结果。我们利用这种行为来提高推断正确结果的能力。我们提出了汉明重构 (HAMMER)，这是一种后处理技术，它利用对汉明行为的观察来重建嘈杂的输出分布，从而使得到的分布具有更高的保真度。我们使用来自 Google 和 IBM 量子计算机的实验数据（这些计算机拥有 500 多个独特的量子电路）评估 HAMMER，并将解决方案质量平均提高了 1.37 倍。在 Google 公开的 QAOA 数据集上，我们表明 HAMMER 可以锐化成本函数景观上的梯度。
在没有错配修复的情况下，Prime 编辑的效率和保真度得到增强
。CC-BY-ND 4.0 国际许可证永久有效。它以预印本形式提供（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。此版本的版权持有者于 2022 年 1 月 20 日发布。；https://doi.org/10.1101/2021.09.30.462548 doi：bioRxiv 预印本
TILT：在囚禁离子线性系统上实现更高的保真度......
摘要 — 离子阱量子比特是实用量子计算的领先技术。在这项工作中，我们对离子阱的线性磁带架构进行了架构分析。为了实现我们的研究，我们开发并评估了该架构的映射和调度算法。特别是，我们引入了 TILT，这是一种线性“图灵机式”架构，具有多激光控制“头”，其中线性离子链在激光头下来回移动。我们发现，与同等大小的量子电荷耦合器件 (QCCD) 架构相比，TILT 可以大大减少通信。我们还为 TILT 开发了两种重要的调度启发式方法。第一个启发式方法通过将沿相反方向传输的数据匹配为“反向交换”来减少交换操作的数量，并且还避免了跨头部宽度的最大交换距离，因为最大交换距离使得在一个头部位置调度多次交换变得困难。第二种启发式方法通过将磁带调度到每次移动时可执行操作最多的位置来最小化离子链运动。我们从模拟中提供了应用程序性能结果，这表明 TILT 在一系列 NISQ 应用程序中的成功率可以胜过 QCCD（平均高达 4.35 倍和 1.95 倍）。我们还讨论了使用 TILT 作为构建块来扩展现有的可扩展离子阱量子计算方案。索引术语 — 量子计算、离子阱架构、电路优化
激发态的量子保真度磁化率......
弯曲振动自由度的研究得益于其二维特性和两个明确的物理极限——线性和弯曲配置——以及中间配置——准线性物种，其特点是大振幅运动，使其具有丰富的光谱特征[1]。正或非单调的非谐性，后者与非刚性分子的 Birge-Sponer 图中 Dixon 凹陷的出现有关[2]，以及由于跨越线性壁垒附近的状态波函数中线性和弯曲特征的混合而导致的异常旋转光谱[3,4]，是准线性物种光谱中最显著的光谱特征。光谱方法的重大进步和发展使得人们能够通过实验获得多种分子物种的高弯曲泛音。通过这种方式，我们有可能获得实验光谱信息，从而研究能量接近线性势垒的系统 [5,6]。水 [7] 和 NCNCS [8–10] 的研究结果具有特别重要的意义。近年来，量子单值化概念最初由 Cushman 和 Duistermaat [11] 提出，后由 Child [12] 重新研究，对系统中的状态分配有很大帮助。由于状态与线性势垒的接近性，波函数的复杂性妨碍了正确的状态标记 [5–8,13]。这是从经典力学中借用的概念，它依赖于拓扑奇点，当系统能量大到足以探测局部鞍点或最大值时，就会发生拓扑奇点，从而阻止定义全局作用角变量 [14]。非刚性分子弯曲振动的理论建模需要特殊的工具，因为大振幅振动自由度会强烈耦合振动和转动自由度。Hougen-Bunker-Johns 弯曲哈密顿量 [15] 是该领域的一项开创性工作。这项工作后来扩展到半刚性弯曲哈密顿量 [16] 和一般半刚性弯曲哈密顿量 [17]。基于上述发展而产生的 MORBID 模型 [18] 目前是分析非刚性分子光谱的标准方法，其中需要同时考虑转动和振动自由度，以便建模实验项值并分配量子标签。代数方法，尤其是振动子模型，是分子光谱建模的传统积分微分方法的替代方法。该模型基于对称性考虑，并严重依赖于李代数的性质[ 19 ]。振子模型 (VM) 属于一类模型，该类模型将 U(n+1) 代数指定为 n 维问题的动力学或谱生成代数 [20]。类似的模型已成功应用于强子结构 [21,22] 和原子核 [23–25] 的建模。在 Iachello 引入的原始振子模型形式中，双原子分子种类的回旋振动激发被视为集体玻色子激发 [26]，由于相关自由度的矢量性质，动力学代数为 U(3+1)=U(4) [25,27]。弯曲振动的二维性质以及简化振子模型形式以有效处理多原子系统的需要，自然而然地导致了二维极限振子模型（2DVM）的制定[28，29]。2DVM 定义的形式能够模拟弯曲自由度的线性和弯曲极限情况，以及表征中间情况的大振幅模式[30-33]。本研究中使用的代数哈密顿量的四体算符的扩展已于最近发表[34]。2DVM 还用于耦合弯曲器[28，35-37]、拉伸弯曲相互作用[38-41]和异构化反应中的过渡态[42]的建模。
第 11 讲 追踪距离和保真度
迹距的操作意义在于概率区分性。假设我们的目的是区分一个概率为p的事件P和概率为q的事件Q。一个最普遍的策略是，当j发生时，我们以概率f(j)和1-f(j)将其判断为P和Q，其中f(j)∈[0,1]。那么成功概率为“
通过机器学习的基准测试量子断层扫描完整性和保真度
摘要我们训练卷积神经网络，以预测一组测量值是否在信息上完成，以唯一地重建任何给定的量子状态，而没有先前的信息。此外，我们基于此测量集进行了实力基准测试，而无需明确执行州断层扫描。网络经过训练，以认识到内容的实现和可靠的信息完整性措施。通过逐渐积累的测量和数据，这些受过训练的卷积网络可以通过加速运行时计算并大大降低实验中的系统漂移来有效地建立一个压缩量子状态表征方案。我们通过为大小的空间模式和多光子系统提供实验结果来确保这种机器学习方法的潜力。当网络接受来自实际实验数据的其他自举训练集训练时，这些预测将进一步改善。使用Hermite – Gaussian来源的逼真的梁透明位移误差模型，我们进一步证明，通过训练有素的网络，通过训练有素的网络使用培训时间降低了认证时间的降低顺序，从而大大提高了使用这些来源的大规模量子处理器的计算产率，然后才能确定这些来源。