XiaoMi-AI文件搜索系统
World File Search System参数化
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。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
一种用于参数化电路时间演化的高效量子算法
我们引入了一种新颖的混合算法，使用参数化量子电路模拟量子系统的实时演化。该方法名为“投影变分量子动力学”（p-VQD），实现了将精确时间演化迭代、全局投影到参数化流形上。在小时间步长极限下，这相当于 McLachlan 的变分原理。我们的方法之所以有效，是因为它表现出与变分参数总数的最佳线性缩放。此外，它是全局的，因为它使用变分原理一次优化所有参数。我们方法的全局性大大扩展了现有高效变分方法的范围，而这些方法通常依赖于对变分参数的受限子集进行迭代优化。通过数值实验，我们还表明，我们的方法比现有的基于时间相关变分原理的全局优化算法特别有利，由于参数数的二次缩放要求高，不适合大型参数化量子电路。
利用参数化量子电路实现生成建模的稳健实现∗
摘要：尽管混合量子经典算法的性能在很大程度上取决于经典优化器和电路设计的选择 [ 1 – 3 ]，但迄今为止，对此类特性的硬件稳健而全面的评估仍然缺失。从优化器的角度来看，主要挑战在于求解器的随机性，以及它们对随机初始化的显著差异。因此，稳健的比较需要对每个求解器执行多条训练曲线，然后才能得出关于其典型性能的结论。由于每条训练曲线都需要在量子计算机中执行数千个量子电路，因此对于当今大多数混合平台而言，这种稳健的研究仍然是一项艰巨的挑战。在这里，我们利用 Rigetti 的量子云服务 (QCS™) 来克服这一实施障碍，并研究数据驱动的量子电路学习 (DDQCL) 在三种不同的最先进经典求解器上的硬件性能，以及与同一任务的不同纠缠连接图相关的两种不同电路分析。此外，我们还评估了不同电路深度带来的性能提升。为了评估此基准研究中与这些设置中的每一个相关的典型性能，我们使用至少五次独立的 DDQCL 运行来生成能够捕捉规范 Bars and Stripes 数据集模式的量子生成模型。在此实验基准测试中，无梯度优化算法与基于梯度的求解器相比表现出了出色的性能。特别是，其中一个在处理实验条件下要最小化的不可避免的噪声目标函数时具有更好的性能。
元变分量子特征求解器：学习参数化汉密尔顿量的能量分布以进行量子模拟
我们提出了元变分量子本征求解器 (VQE)，这是一种能够学习参数化汉密尔顿量的基态能量分布的算法。如果使用几个数据点训练元 VQE，它将提供初始电路参数化，可用于计算特定信任区域内汉密尔顿量的任何参数化的基态能量。我们使用 XXZ 自旋链、电子 H 4 汉密尔顿量和单传输量子模拟测试该算法。在所有情况下，元 VQE 都能够学习能量函数的形状，在某些情况下，与单个 VQE 优化相比，它可以提高准确性。元 VQE 算法在优化数量方面提高了参数化汉密尔顿量的效率，并为单个优化的量子电路参数提供了良好的起点。所提出的算法可以很容易地与变分算法领域的其他改进相结合，以缩短当前最先进技术与具有量子优势的应用之间的距离。
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
参数化量子电路的输入冗余
量子信息处理旨在利用量子物理现象进行数据处理。该领域始于 20 世纪 80 年代初 [ 1 , 2 ]，最近在构建可控量子力学系统方面取得的突破引发了该领域的爆炸式增长。构建量子计算机是一项艰巨的挑战，但设计算法同样艰巨，这些算法在量子计算机上运行后，能够利用专家们普遍认为量子计算在某些计算任务上优于传统计算的优势。一项特别引人注目的努力是利用近期的量子计算机，但它的缺点是尺寸有限，并且存在令人衰弱的量子噪声。过去几年，噪声中型量子 (NISQ) 计算机的算法设计领域一直在努力确定计算领域、采用量子信息处理的范例和商业用例，以便从构建可编程量子力学设备的最新进展中获益——尽管目前这些进展可能还很有限 [ 3 ]。人工智能 [ 3 , 4 ] 是近期可能实现量子优势的用例领域。这种希望最有可能出现在生成任务中：理论上已经证明，几种概率分布族允许量子算法从中有效地采样，而没有经典算法能够或已知能够执行该采样任务。玻色子采样可能是这些采样任务中最广为人知的，即使在有噪声的情况下这种优势似乎不会持续（参见 [ 5 ]）；在参考文献 [ 6 , 7 ] 中可以找到一些其他采样程序的示例。在可以通过操纵一个或多个参数来迭代改变的量子电路方面也取得了有希望的进展：Du 等人 [ 8 ] 考虑了所谓的参数化量子电路 (PQC)，发现它们也在生成任务中产生了理论优势。当强调非线性方面时，PQC 偶尔被称为量子神经网络 (QNN)（例如在 [ 9 ] 中），或称为变分量子电路 [ 10 ]。在本文中，我们坚持使用术语 PQC，但不考虑排除 QNN 或 VQC。
下一代飞机先进螺旋桨的参数化建模与优化
此处，我呈现了我的论文最终报告，题为“下一代飞机先进螺旋桨的参数化建模与优化”。本报告是在攻读代尔夫特理工大学航空航天工程学院飞行性能与推进系理学硕士学位期间撰写的。去年，我致力于撰写一篇令我引以为豪的论文。这是艰难而紧张但收获颇丰的一年，标志着我在代尔夫特理工大学的时光的结束，我之所以离开，是因为我觉得之前的教育对我的挑战不够。好吧，可以肯定地说，我在航空航天工程学院得到了我想要的东西。这是紧张、充满挑战但又令人惊叹的五年，在这五年里，我有幸从鼓舞人心的老师和其他人那里学习。首先，我要感谢 Tomas 和 Salvatore，他们指导我完成了一个艰难的论文项目。他们对我非常耐心，总是愿意帮助或提供建议艰难的时刻。我要感谢委员会的其他成员，他们让我能够毕业。当然，还有我的父母、Evelien 和 Jelle；你们真是太棒了。
参数化 CAD 建模的方法开发...
本报告是斯堪尼亚 CV AB 在索德泰利耶进行的硕士论文的记录。在本研究中，评估了使用参数化 CAD 模型辅助 CFD 模拟和性能优化在内燃机产品开发中的优势、挑战和条件。论文的目标包括为斯堪尼亚的设计工程师开发和提出一种方法，以帮助他们创建强大、灵活、易懂和智能的参数化 CAD 模型。该研究还包括使用实践和理论方法评估这种方法的优势和先决条件。整个研究的最终目标是通过减少设计流程中的交付周期同时促进高质量产品的生产来为组织创造价值。
海洋垂直混合：审查和具有非局部边界层参数化的模型
摘要。如果未解决的物理学的模型参数化（例如上海混合过程的种类）将在对气候重要的时间和空间范围内保持范围很大，则必须强烈基于物理。的观察，理论和海洋垂直混合模型。确定了两种不同的机制：在各种表面强迫条件下（稳定，不稳定和风驱动），在表面附近的边界层中混合海洋混合，以及由于内部波，剪切不稳定性和双重扩散而导致海洋内部混合（由不同的热和盐分子扩散速率引起）。通常应用于上大洋的混合方案不包含一些潜在的边界层物理。因此，开发了海洋边界层混合的新参数化，以适应某些物理学。它包括一个用于确定边界层深度h的方案，其中对散装理查森数字的垂直剪切的湍流有参数为参数。给出了整个边界层中扩散性和非局部传输的表达式。扩散率是与表面层中湍流的模拟理论一致的，并且受其及其垂直梯度均与H处的内部值相匹配的条件。然后对此非局部“ k剖面参数化”（kpp）进行验证，并将其与替代方案（包括其大气相对）进行比较。它最重要的功能是