XiaoMi-AI文件搜索系统
World File Search System保真度
用于即时单次状态分类的神经网络
为了部署基于神经网络的状态分类，我们使用了开源 PyTorch 库。21 该库面向计算机视觉和自然语言处理，包括实现深度神经网络的能力，并包含用于在图形处理单元 (GPU) 上进行数据处理的内置功能。GPU 集成使我们的管道足够快，可以执行即时数据分类，而无需将原始测量信号传输到硬盘驱动器。除其他优点外，它还允许实时监控读出分配保真度。由于神经网络的初始训练需要几分钟的时间，因此随后的网络权重重新训练需要几秒钟，并允许读出分配保真度返回到最佳值。更重要的是，本研究中使用的卷积神经网络可以设计和训练成能够适应某些实验参数漂移的方式。具体而言，我们提出了一种策略来消除由微波发电设备引起的局部相对相位漂移对读出分配保真度的影响。在我们的实验中，我们使用了电路量子电动力学平台的原始部分：耦合到读出腔的传输器。
通过分层合成重新优化量子电路
摘要 — 量子计算的当前阶段处于噪声中型量子 (NISQ) 时代。在 NISQ 设备上，双量子比特门（例如 CNOT）比单量子比特门噪声大得多，因此必须尽量减少它们的数量。量子电路合成是将任意幺正分解为一系列量子门的过程，可以用作优化工具来生成更短的电路以提高整体电路保真度。然而，合成的解决时间随着量子比特数量的增加而呈指数增长。因此，对于大规模量子比特电路来说，合成是难以实现的。在本文中，我们提出了一个分层的逐块优化框架 QGo，用于量子电路优化。我们的方法允许指数成本优化扩展到大型电路。QGo 结合使用分区和合成：1) 将电路划分为一系列独立的电路块； 2) 使用量子合成重新生成和优化每个块；3) 通过将所有块拼接在一起重新组成最终电路。我们进行分析并展示三种不同情况下的保真度改进：真实设备上的小尺寸电路、噪声模拟中的中尺寸电路和分析模型上的大尺寸电路。我们的技术可以在现有优化之后应用，以实现更高的电路保真度。使用一组 NISQ 基准，我们表明，与 t | ket ⟩ 等工业编译器优化相比，QGo 可以将 CNOT 门的数量平均减少 29.9%，最多可减少 50%。在 IBM Athens 系统上执行时，较短的深度可带来更高的电路保真度。我们还展示了 QGo 技术的可扩展性，以优化 60 多个量子比特的电路。我们的技术首次成功展示在大型电路的编译工具链中采用和扩展合成。总体而言，我们的方法非常稳健，可以直接纳入生产编译器工具链，以进一步提高电路保真度。索引术语——量子计算、优化、综合、量子编译器
应用车辆技术小组 AVT-385-RLS “多学科多保真方法
第 1 天：2024 年 7 月 8 日 7:45-8:30 签到 8:45-9:00 开幕式 伊斯坦布尔技术大学 Melike Nikbay 教授、意大利国家研究委员会 Matteo Diez 博士 9:00-9:45 高级计算设计和多保真度方法简介 伊斯坦布尔技术大学 Melike Nikbay 教授 9:45-10:30 基于参数投影的模型降阶简介 - 第一部分：数据收集、数据压缩、伽辽金投影、Petrov-Galerkin 投影 Charbel Farhat 教授，斯坦福大学 10:30-11:00 茶歇 11:00-11:45 基于参数投影的模型降阶简介 - 第二部分：参数依赖性的处理：线性问题；非线性问题；超级降阶。Charbel Farhat 教授，斯坦福大学 11:45-12:30 高维参数空间中多保真度多学科分析与优化的主动流形和模型降阶 Charbel Farhat 教授，斯坦福大学 12:30-14:00 午餐休息 14:00-14:45 替代建模技术 Edmondo Minisci 教授，思克莱德大学 14:45-15:30 多保真度建模的数据融合 Edmondo Minisci 教授，思克莱德大学 15:30-16:00 咖啡休息 16:00-16:45 多保真度优化和设计探索策略 Edmondo Minisci 教授，思克莱德大学 16:45-17:30 形状优化的设计空间降维 Andrea Serani 博士，CNR-INM（国家意大利研究理事会）17:30 休会
三量子比特量子隐形传态的效率......
量子隐形传态在量子通信领域有着重要的应用。本文研究了以GHZ态和非标准W态为量子信道在噪声环境中的量子隐形传态。通过解析求解Lindblad形式的主方程分析了量子隐形传态的效率。遵循量子隐形传态协议，得到了量子隐形传态保真度随演化时间的变化关系。计算结果表明，在相同的演化时间下，非标准W态的隐形传态保真度高于GHZ态。此外，我们考虑了在振幅衰减噪声条件下，采用弱测量和逆量子测量的隐形传态效率。我们的分析表明，在相同条件下，采用非标准W态的隐形传态保真度也比GHZ态更能抵御噪声。有趣的是，我们发现在振幅衰减噪声环境下，弱测量及其逆操作对GHZ和非标准W态的量子隐形传态效率没有积极影响。此外，我们还证明，通过对协议进行微小修改，可以提高量子隐形传态的效率。
$^{87}$Sr 中十能级核自旋量子点的量子最优控制
我们研究了使用量子最优控制在 87 Sr、ad = 10 维（四进制）希尔伯特空间中实现 I = 9 / 2 核自旋状态的幺正映射的能力。通过核自旋共振和张量交流斯塔克位移的组合，仅通过调制射频磁场的相位，该系统即可实现量子可控。碱土金属原子（例如 87 Sr）由于复合线较窄且激发态的超精细分裂较大，因此具有非常有利的品质因数。我们用数字方式研究了量子速度极限、最优参数以及任意状态制备和完整 SU(10) 映射的保真度，包括由于光移激光引起的光泵浦而产生的退相干。我们还研究了使用稳健控制来减轻由于光移不均匀性而导致的一些失相。我们发现，当 rf Rabi 频率为 rf 且光移不均匀性为 0.5% 时，我们可以在时间 T = 4.5 π/ rf 内制备任意 Haar 随机状态，平均保真度 ⟨ F ψ ⟩= 0.9992，并在时间 T = 24 π/ rf 内制备任意 Haar 随机 SU(10) 映射，平均保真度 ⟨ FU ⟩= 0.9923。
适应日益增长的量子云的作业和资源管理
摘要 — 随着量子计算的普及度不断提高，通过云高效访问量子机对全球学术和行业研究人员都至关重要。随着云量子计算需求呈指数级增长，资源消耗和执行特性分析是供应商端和客户端高效管理作业和资源的关键。虽然作业/资源消耗和管理的分析和优化在传统 HPC 领域很流行，但对于量子计算等新兴技术来说，它却严重缺乏。本文提出了优化的量子云自适应作业调度，注意主要特征，例如排队时间和跨机器的保真度趋势，以及其他特征，例如服务质量保证和机器校准约束。该提案的关键组成部分包括 a) 基于编译电路特征（例如电路深度和不同形式的错误）预测跨机器保真度趋势的预测模型，以及 b) 基于执行时间估计的每台机器的排队时间预测。总体而言，该提案在模拟 IBM 机器上针对多种量子应用程序和系统加载场景进行了评估，与传统作业调度程序相比，它能够在特定用例中将等待时间减少 3 倍以上，并将保真度提高 40% 以上。
光子量子计算的可制造平台
虽然对低噪声，易于操作和网络[1]保持着巨大的希望，但有用的光子量子计算已被MILIONS制造的超出状态组件的需求[2-6]所取得了。在这里，我们引入了一个可制造的平台[7]，用于带有光子的量子计算。我们将一组单一集成的基于硅光子的模块标记，以生成，操纵，网络和检测预示的光子量子量，表明具有99的双轨光子量子。98％±0。01％的状态预先预期和测量保真度，带有99的独立光子源之间的Hong-ou-mandel量子干扰。50％±0。可见度25％，两分融合与99。22％±0。12％的保真度，以及99的芯片到芯片量子。72％±0。04％的保真度，以光子检测为条件，不考虑损失。我们预览了一系列下一代技术，即低降低氮化硅波导和组件，以解决损失以及制造耐受性光子源，高效效率光子 - 单位分辨率的探测器，低溶质粉末 - 粉状粉末粉末的含量和滴定液滴定相位的较高的转换阶段。
量子多数投票
多数表决是放大正确结果的基本方法，广泛应用于计算机科学及其他领域。虽然它可以放大具有经典输出的量子设备的正确性，但量子输出的类似程序尚不清楚。我们引入量子多数表决作为以下任务：给定一个乘积状态 | ψ 1 ⟩⊗· · · ⊗| ψ n ⟩，其中每个量子位处于两个正交状态 | ψ ⟩ 或 | ψ ⊥ ⟩ 之一，输出多数状态。我们表明，该问题的最佳算法在最坏情况下可实现 1 / 2 + Θ ( 1 / √ n ) 的保真度。在至少 2 / 3 的输入量子位处于多数状态的情况下，保真度增加到 1 − Θ ( 1/ n )，并且随着 n 的增加而趋近于 1。我们还考虑了更普遍的问题，即在未知量子基中计算任何对称且等变的布尔函数 f : { 0, 1 } n →{ 0, 1 }，并表明我们的量子多数表决算法的泛化对于此任务是最佳的。广义算法的最优参数及其最坏情况保真度可以通过大小为 O ( n ) 的简单线性程序确定。该算法的时间复杂度为 O ( n 4 log n )，其中 n 是输入量子比特的数量。
航空发动机涡轮叶片与盘固定设计优化
设计多个组件，同时结合工具和工程学科，以创建适合设计条件的最佳涡轮机。涡轮机组件的设计包括两个设计阶段：预先详细或初步设计阶段和详细设计阶段。在预先详细设计阶段，必须在有限的时间内设计出组件的粗略形状。设计师在初步阶段没有太多可用的知识，因此必须在设计的保真度和实现设计所需的时间之间做出妥协。在详细设计阶段，更加强调设计的保真度，投入更多时间，获得更多知识。因此，使用更准确但通常更慢的方法，例如有限元分析 (FEA) 和计算流体动力学 (CFD)