XiaoMi-AI文件搜索系统
World File Search System参数化
数据随机性和模型参数化影响物种分布模型的性能：从模拟研究中获得的见解
1 简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 2 方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.1 调查区域。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。...5 2.2 海洋条件 ..................。。。。。。。。。。。。。。。。。。。。。。。。.5 2.3 模拟虚拟物种 ....................。。。。。。。。。。。。。。。。。。。。。。。。.6 2.4 模拟虚拟调查 ....................。。。。。。。。。。。。。。。。。。。。。。。。.8 2.5 采样分辨率处理 .....................。。。。。。。。。。。。。。。。。。。8 2.6 建模。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 3 结果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.1 虚拟调查。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。.......10 3.2 单变量模型 ..............。。。。。。。。。。。。。。。。。。。。。。。。..........11 3.3 模型选择 ............。。。。。。。。。。。。。。。。。。。。。。。。...................12 3.4 模型预测 ......。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 4 讨论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 4.1 方法学局限性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 4.2 采样类型的影响。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 4.3 环境异质性的影响。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.4 主要信息。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22
具有参数化量子电路的长寿命颗粒异常检测
摘要：我们研究了将量子机学习技术应用于数据分析的可能性，特别是关于高能物理学中有趣的用例。我们根据参数化的量子电路提出了一种异常检测算法。该算法在古典计算机上进行了培训，并通过模拟以及实际量子硬件进行了测试。使用IBM量子计算机对NISQ设备进行测试。为了执行量子硬件，设计和实现了特定的硬件驱动的改编。量子异常检测算法能够检测到简单异常，例如手写数字中的不同字符以及更复杂的结构，例如由粒子检测器中的异常模式，这是由在碰撞器实验中产生的长寿命颗粒产物产生的粒子探测器。对于高能物理应用程序，仅在模拟中估算了性能，因为量子电路不够简单，无法在可用的量子硬件平台上执行。这项工作表明可以使用量子算法进行异常检测。但是，由于该任务需要对经典数据的振幅编码，因此由于可用的量子硬件平台中的噪声水平，当前的实现无法胜过基于深神经网络的经典典型异常检测算法。
非线性电化学阻抗谱用于锂离子电池模型参数化
在本研究中，我们分析了锂离子电池的局部非线性电化学阻抗谱 (NLEIS) 响应，并从测量的 NLEIS 数据中估算模型参数。该分析假设单粒子模型包括电极粒子内锂的非线性扩散和其表面的不对称电荷转移动力学。基于此模型并假设一个中等较小的激励幅度，我们系统地推导出直至二次谐波响应的阻抗的解析公式，从而可以根据模型中的物理过程和非线性对每个贡献进行有意义的解释。我们探讨了这对参数化的影响，包括使用最大似然进行结构识别分析和参数估计，同时使用了合成和实验测量的阻抗数据。可以精确拟合阻抗数据，但拟合的扩散时间尺度的不一致性表明非线性扩散模型可能不适用于所考虑的电池。还通过使用参数化模型预测时域电压响应来证明模型验证，并且结果表明这与测量的电压时间序列数据 (11.1 mV RMSE) 具有出色的一致性。© 2023 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发 (CC BY，http://creativecommons.org/licenses/ by/4.0/ )，允许在任何媒体中不受限制地重复使用作品，前提是对原始作品进行适当的引用。[DOI：10.1149/ 1945-7111/acada7 ]
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。
通过准二级，局部参数化优化的合同量子本质量的加速收敛
摘要：通过将其集成（或收缩）与两电子空间求解，合同的量子本素（CQE）为多电子schro方程找到了解决方案的解决方案。当将CQE迭代应用于CSE（ACSE）的抗赫米特部分时，CQE迭代优化了波函数，相对于一般产品ANSATZ的两体指数式统一变换，可以精确地求解Schro dinger dinger方程。在这项工作中，我们通过经典优化理论的工具加速了CQE及其波函数ANSATZ的收敛性。通过将CQE算法视为局部参数空间中的优化，我们可以应用准二级优化技术，例如准牛顿方法或非线性共轭梯度方法。实际上，这些算法会导致波函数的超线性收敛到ACSE的溶液。收敛加速度很重要，因为它既可以最大程度地减少近期中等规模量子（NISQ）计算机上噪声的积累，又可以在未来易受断层量子设备上实现高度准确的解决方案。我们演示了算法以及与减少成本考虑有关的一些启发式实现，与其他常见方法（例如变异量子eigensolvers）的比较以及CQE的无费用编码形式。
QMLP：一种使用参数化双量子比特门的容错非线性量子 MLP 架构
尽管具有量子霸权的潜力，但最先进的量子神经网络 (QNN) 仍然受到推理精度低的困扰。首先，当前的噪声中型量子 (NISQ) 设备的错误率高达 10 −3 到 10 −2，大大降低了 QNN 的精度。其次，虽然最近提出的重新上传单元 (RUU) 在 QNN 电路中引入了一些非线性，但其背后的理论尚不完全清楚。此外，以前反复上传原始数据的 RUU 只能提供边际精度改进。第三，当前的 QNN 电路假设使用固定的两量子比特门来强制实现最大纠缠能力，使得无法针对特定任务进行纠缠调整，导致整体性能不佳。在本文中，我们提出了一种量子多层感知器 (QMLP) 架构，该架构具有容错输入嵌入、丰富的非线性和增强的变分电路设计，具有参数化的两量子比特纠缠门。与现有技术相比，QMLP 在 10 类 MNIST 数据集上的推理准确率提高了 10%，量子门数量减少了 2 倍，参数减少了 3 倍。我们的源代码可用，可在 https://github.com/chuchengc/QMLP/ 中找到。
b'由时间参数化的希尔伯特空间。在 QM 中，QCurve 由三元组 | \xf0\x9d\x9c\x93 0 \xe2\x9f\xa9 ,\xf0\x9d\x91\x88 ( \xf0\x9d\x91\xa1 ) , \xce\xb4 \xf0\x9d\x91\xa1 表示，其中 | \xf0\x9d\x9c\x93 0 \xe2\x9f\xa9 为初始状态，\xf0\x9d\x91\x88 ( \xf0\x9d\x91\xa1 ) = e \xe2\x88\x92 i \xf0\x9d\x90\xbb\xf0\x9d\x91\xa1 为演化算子，'
b'由时间参数化的希尔伯特空间。在 QM 中，QCurve 由三元组 | \xf0\x9d\x9c\x93 0 \xe2\x9f\xa9 ,\xf0\x9d\x91\x88 ( \xf0\x9d\x91\xa1 ) , \xce\xb4 \xf0\x9d\x91\xa1 表示，其中 | \xf0\x9d\x9c\x93 0 \xe2\x9f\xa9 为初始状态，\xf0\x9d\x91\x88 ( \xf0\x9d\x91\xa1 ) = e \xe2\x88\x92 i \xf0\x9d\x90\xbb\xf0\x9d\x91\xa1 为演化算子，'
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。
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。
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。