XiaoMi-AI文件搜索系统
World File Search System参数化
参数化量子电路的等效性检验
变分量子算法已被引入作为一类有前途的量子-经典混合算法，它已经可以通过采用参数化量子电路与当今可用的嘈杂量子计算硬件一起使用。考虑到量子电路编译的非平凡性质和量子计算的微妙性，验证这些参数化电路是否已正确编译至关重要。已经存在处理无参数电路的既定等效性检查程序。但是，尚未提出能够处理带参数电路的方法。这项工作填补了这一空白，表明可以使用基于 ZX 演算的等效性检查方法以纯符号方式验证参数化电路的等效性。同时，可以利用参数化电路固有的自由度，用传统方法有效地获得不等式证明。我们实现了相应的方法并证明了最终的方法是完整的。实验评估（使用 Qiskit 提供的整个参数化 ansatz 电路库作为基准）证明了所提方法的有效性。该实现是开源的，作为等效性检查工具 QCEC（https://github.com/cda-tum/qcec）的一部分公开可用，该工具是慕尼黑量子工具包（MQT）的一部分。
机器学习的参数化量子电路
是否可以将量子计算机用于实现比传统方法更好的机器学习模型，并且此类方法适合当今的嘈杂量子硬件吗？在本论文中，我们制作了一个Python框架，用于基于在量子硬件上评估的参数化量子电路来实施机器学习模型。该框架能够实现量子神经网络（QNN）和量子电路网络（QCN），并使用基于梯度的方法训练它们。为了计算量子电路网络的梯度，我们基于利用经典和量子硬件的参数移动规则开发了一种反向传播算法。我们进行了一项数值研究，我们试图表征密集神经网络（DNNS），QNN和QCN的表现如何作为模型架构的函数。我们专注于研究消失的梯度现象，并分别使用经验纤维信息矩阵（EFIM）和轨迹长度来量化模型的训练性和表达性。我们还通过对人工数据以及现实世界数据集训练模型来测试模型的性能。
强化学习的参数化量子策略
随着现实世界量子计算的出现，参数化量子计算可用作量子-经典机器学习系统中的假设族的想法越来越受到关注。这种混合系统已经显示出在监督和生成学习中解决现实世界任务的潜力，最近的研究已经证实了它们在特殊人工任务中的优势。然而，在强化学习的情况下，这可以说是最具挑战性的，学习提升将非常有价值，没有任何提案能够成功解决甚至标准的基准测试任务，也没有显示出优于经典算法的理论学习优势。在这项工作中，我们实现了两者。我们提出了一种使用极少量子位的混合量子-经典强化学习模型，我们表明可以有效地训练该模型来解决几个标准基准测试环境。此外，我们展示并正式证明了参数化量子电路能够解决某些学习任务，这些任务对于经典模型（包括当前最先进的深度神经网络）来说是难以解决的，在人们普遍认为的离散对数问题的经典难度下。
图形图中的参数化复杂性 - 滴
参数化的复杂性。已知许多广泛关注的计算问题通常是NP -HARD。然而，通常可以使用隐式的许多现实实例来有效地找到确切的解决方案。在特定类别的各种实例上，对各种问题进行了长期的系统研究，并且朝这个方向进行研究构成了计算机科学的基本领域之一。但是，在许多现实情况下，不可能定义我们希望解决的明确类别的实例；实例不像是黑白（是否属于特定类别），而是具有各种灰色阴影（具有一定程度的内部结构）。相对年轻的参数化复杂性范式[6，4，8，16]提供了处理这种情况的理想工具。在参数化设置中，我们将每个实例与数值参数相关联，该参数捕获了该实例的“结构化”。这样就可以开发其性能的算法强烈取决于参数 - 而不是经典设置，在这种情况下，我们经常将拖延性与多项式运行时间相关联，而棘手的性能与超多种元素相关联，参数化算法自然而然地“缩放”与实例中包含的结构量相关联。参数化设置中的易处理性的中心概念是固定参数的拖延（简而言之），这意味着可以通过f（k）·n o（k）·n o（1）的运行时解决给定的问题（f是任意可计算的功能，k是k的值，k是k的值，k是参数的值，n是输入大小）。除了固定参数障碍性外，参数化的复杂性景观还包括各种伴侣概念，例如XP索取性，内核化和W- hardness。
比较参数化和自由敏感的诉讼 -
分子在强或超长的光耦合下构成了一种有趣的途径，以改变化学结构，性质和反应性。对此类系统的严格理论处理需要在相同的量子机械基础上处理物质和光子自由度。在分子电子强或超长耦合到一个或几个分子的状态下，希望使用量子量子化学的工具来处理分子电子度自由度，从而产生一种方法，该方法被称为Ab Initio量子量子量子量动力量动力（AI-QED），在该量子量子量子量子（AI-QED）中，该方法是光子的自由度。在这封信中，我们分析了AI-AQED的两种互补方法：（1）参数化的CQED（PQED），这是一种两步的方法，其中使用现有的电子结构理论计算了自由度，从而实现了严格的AI-QED Hamiltonians在许多基础上的构建，以多种电子方式来构建（2）cqsent efersonics selfsissics cqQQQQQQQQQQQQQQQQQQQQQQQQQESENT cq QQQQQQQQESEND cq QQQQQQESENT SERVENSINS（2）CQQQQQQQQQQQQESENT（2）CQQQQQQQQQQESENT（2）结构方法被推广为包括电子自由度和光子自由度之间的耦合。尽管这些方法在它们的确切限制上是等效的，但我们确定了在PQED方法中出现的两体偶极子自动能源运算符的投影与SCQED方法中的确切对应物之间的差异。我们提供了一个理论上的论点，即这种差异仅在完整的轨道基础和完整的多电子基础的限制下解决。我们提出的数值结果突出了这种差异及其在简单分子系统中的分辨率，在那里可以同时接近这两个完整的基础限制。此外，我们检查并比较了将每种方法融合到完整轨道和多电子基础所需的计算成本的实际问题。
用于机器学习的参数化量子电路
量子计算机能否用于实现比传统方法更好的机器学习模型？这些方法是否适合当今嘈杂的量子硬件？在本文中，我们制作了一个 Python 框架，用于实现基于在量子硬件上评估的参数化量子电路的机器学习模型。该框架能够实现量子神经网络 (QNN) 和量子电路网络 (QCN)，并使用基于梯度的方法对其进行训练。为了计算量子电路网络的梯度，我们开发了一种基于参数移位规则的反向传播算法，该算法同时利用了经典硬件和量子硬件。我们进行了一项数值研究，试图描述密集神经网络 (DNN)、QNN 和 QCN 如何作为模型架构的函数运行。我们专注于研究消失梯度现象，并分别使用经验费舍尔信息矩阵 (EFIM) 和轨迹长度量化模型的可训练性和表达性。我们还通过在人工数据以及真实世界数据集上训练模型来测试模型的性能。
过度参数化机器学习中的简单偏见
仍然缺乏对深网（和其他过度参数模型）令人惊讶的发生能力的彻底理论理解。在这里，我们证明了模拟性偏差是在过度参数化机器学习中不可忽视的主要现象。除了解释简单性偏见的结果外，我们还研究了它的来源：遵循具体的严格示例，我们认为（i）模拟偏见可以解释在过度参数化学习模型（例如神经网络）中的概括； （ii）正如我们的示例所示，简单性偏差和出色的概括是与优化器无关的，尽管优化器会影响培训，但它并不是简单性偏见的动力； （iii）在训练模型中的模拟偏差和随后的后代是普遍的，并且源于一个微妙的事实，即统一的随机构造的先验不是统一的统一性； （iv）在神经网络模型中，宽（和浅）网络中的偏见机器与深（和狭窄）网络中的偏置机制不同。
通过参数化的软演员 - 批判性的杂种动作空间
摘要：本研究重点是自动驾驶，自主车道变化领域的关键任务。自主车道变更在改善交通流量，减轻驾驶员负担和降低交通事故风险方面起着关键作用。然而，由于车道变化场景的复杂性和不确定性，自主巷变化的功能仍然面临着挑战。在这项研究中，我们使用深钢筋学习（DRL）和模型预测控制（MPC）进行了自主巷更换模拟。具体而言，我们使用参数化的软侵略者 - 批评（PASAC）算法来训练基于DRL的车道变化策略，以输出离散的车道更换决策和连续的纵向车辆加速度。我们还基于不同车道的最小预测汽车跟踪成本来选择车道选择。首次比较了在变化决策的背景下DRL和MPC的性能。模拟结果表明，在相同的奖励/成本功能和交通流下，MPC和PASAC的碰撞率为0％。PASAC在平均奖励/成本和车辆速度方面表现出与MPC相当的性能。
使用变异自动编码器参数化机翼
设计只能与其数学表示一样好。在工程设计优化中，所选的参数化方法可以对结果产生重大影响。本文介绍了一种利用变异自动编码器（VAE）的翼型设计参数化的新方法，这是一类以降低维数的熟练程度而闻名的神经网络。但是，VAE的重大挑战是编码潜在空间的解释性。这项工作旨在通过创建具有可解释潜在空间的网络来解决此问题，从而产生人类可以理解的参数。使用综合的UIUC机翼数据库评估了这种方法的有效性，该数据库提供了多种式机翼形状供分析。我们表明，VAE可以成功提取翼型几何形状的关键特征，并使用六个参数对其进行参数化，这些特征以设计器可以理解的方式显示与机翼属性的明显相关性。此外，它可以平滑地插入数据点，从而产生新的机翼，从而提供实用且可解释的机翼参数化。
参数化雪面各向异性反射率... - TC
1 莱比锡大学莱比锡气象研究所，德国莱比锡 2 阿尔弗雷德·魏格纳研究所，亥姆霍兹极地和海洋研究中心，德国不来梅港 * 现在就职于：奥斯陆大学地球科学系，挪威奥斯陆