XiaoMi-AI文件搜索系统
World File Search System参数空间
在高可靠性应用中使用COTS电子组件 - 经验教训QIS
量子存储，传输和处理是信息技术的未来。量子硬件的承诺源于纠缠量子系统的固有复杂性 - 波功能尺度的大小与粒子数，无论是在真实空间还是在参数空间中表示。相比之下，经典的n个体系统只能由6个N变量（所有粒子的位置和动量）完全表示。量子系统的这种复杂性通过经典计算（维度的诅咒）创建量量子系统的尚未解决的挑战。的确，尽管我们可以轻松地为任何相互作用的核和电子系统编写schrödinger方程，但我们只能在非常小的系统上精确地在古典计算机上求解它。量子技术渴望将这种诅咒变成一种祝福。波功能的指数复杂性表明，它原则上可能代表了指数的严重问题。因此，可以使用量子硬件存储和操纵信息来解决在经典计算机上无法解决的问题。
![arxiv：2303.10780v2 [CS.NE] 2023年3月21日](/simg/7\7b7d55edfb9b26887e4b3f2a6db1ebacdb429654.webp)
arxiv：2303.10780v2 [CS.NE] 2023年3月21日
尖峰神经网络（SNNS）提供了与传统人工神经网络（ANN）不同的Ma Chine学习的观点：SNNS在一系列离散的时间峰值中编码数据，该数据是以生物学中神经元创建的动作潜力建模的。ANN的原始范围也受到人脑的启发，人脑由近1000亿个神经元组成，每个神经元最多可具有15,000个突触。尽管潜在的巨大参数空间，人类大脑只会消耗约20 w，占3磅以下。进行比较，当今表现最佳的语言模型可能需要超过300 kWh的力量（Patterson等人，2021）。生物神经网络令人印象深刻的能量和空间良好的部分是由于大多数神经元通常是不活跃的，这意味着大脑是高度稀疏的神经网络。SNN试图结合更多生物学上合理的知识，学习方法和体系结构，以匹配
DOI：10.29026/oes.2022.220007 光子自旋霍尔效应：基础理论和新兴应用
光子自旋霍尔效应（SHE）是指光束通过光学界面或非均匀介质后，具有相反自旋角动量的光子发生横向自旋分离，表现为自旋相关分裂。它可以被认为是电子系统中的自旋霍尔效应的类似物：光的右旋圆偏振和左旋圆偏振分量分别充当自旋向上和自旋向下的电子，折射率梯度代替了电子势梯度。值得注意的是，光子自旋霍尔效应源于光子的自旋轨道相互作用，主要归因于两个不同的几何相位，即动量空间中的自旋重定向Rytov-Vlasimirskii-Berry相位和Stokes参数空间中的Pancharatnam-Berry相位。光子自旋谐波的独特性质及其强大的操控光子自旋的能力，逐渐使其成为精密计量、模拟光学计算和量子成像等领域的有用工具。在本综述中，我们提供了一个简要的框架来描述光子自旋谐波的基本原理和进展，并概述了该现象在不同场景中的新兴应用。
用于磁性皮层内神经刺激的微线圈探头
随着微纳米制造技术的发展，用于大脑皮层内神经调节的神经探针也得到了发展。这些用于皮层内刺激的技术大多依赖于通过电极或电极阵列进行的直接电刺激。利用时变磁场产生电场是一种较新的神经调节技术，已被证明对皮层内刺激更为有效。此外，电流驱动线圈不需要与组织进行导电接触，并能够精确调整磁场，不受生物组织和封装层非磁性的影响。可以根据操作所需的参数优化和定制此类微线圈制造的材料和设计参数空间，以提供理想的性能。在这项工作中，我们回顾了可植入微线圈的关键要求，包括探针结构和材料特性，并讨论了它们在皮层内神经调节应用中的特性和相关挑战。© 2021 作者。除非另有说明，本文的所有内容均根据知识共享署名 (CC BY) 许可证进行授权 (http://creativecommons.org/licenses/by/4.0/)。https://doi.org/10.1063/5.0023486
量子图神经网络方法实现粒子径迹重建
预计高亮度大型强子对撞机 (HL-LHC) 实验的跟踪探测器所需的计算复杂度和数据规模将空前增加。虽然目前使用的基于卡尔曼滤波器的算法在同时发生的碰撞数量、占用率和可扩展性（比二次方差）的模糊性方面已达到极限，但人们正在探索各种用于粒子轨迹重建的机器学习方法。HEP.TrkX 之前使用 TrackML 数据集证明，图形神经网络通过将事件处理为连接轨迹测量的图形，可以通过将组合背景减少到可管理的数量并扩展到计算上合理的大小来提供有希望的解决方案。在之前的工作中，我们展示了量子计算对图形神经网络进行粒子轨迹重建的首次尝试。我们旨在利用量子计算的能力同时评估大量状态，从而有效地搜索大型参数空间。作为本文的下一步，我们提出了一种改进的模型，采用迭代方法来克服初始过度简化的树张量网络 (TTN) 模型的低精度收敛问题。
相互作用且受监控的马约拉纳自旋液体中的结构化体积定律纠缠
受监控的量子电路可以实现前所未有的多体纠缠动态控制。在这里，我们展示了随机的、仅测量的电路，实现了 Kitaev 蜂窝模型的键和斑块耦合的竞争，产生了具有次级 L ln L 液体缩放行为的结构化体积定律纠缠相。这种相互作用的马约拉纳液体在改变相对耦合概率时获得的纠缠相图中占据高度对称的球形参数空间。球体本身是一个临界边界，量子 Lifshitz 缩放将体积定律相与近似面积定律相、颜色代码或环面代码区分开来。一个例外是一组三临界自对偶点，它们表现出有效的 (1 + 1)d 共形缩放，体积定律相和两个面积定律相在此相交。从量子信息的角度来看，我们的结果定义了在存在投影误差和随机综合征测量的情况下颜色代码的误差阈值。
宇宙中最酷的指南针 - Indico Global
惯性传感器在导航系统中至关重要，但通常依赖于 GPS 网络。利用量子效应的新型惯性传感器有望在没有 GPS 的环境中（例如太空或水下）提供更好的运动绝对测量。在这项工作中，我们展示了如何使用环形玻色-爱因斯坦凝聚态 (BEC) 作为旋转传感器，方法是印记相 [1] 以产生低能声子驻波激发，然后观察激发的节点和波腹响应旋转的进动。我们观察到印记激发的高品质因数高达 Q = 27，当与相对较大的 100 μm 环直径相结合时，可实现比以前证明的更高的灵敏度 [2,3]。持续电流被印记到环中，模拟慢速旋转速度并展示该方案的测量效用。将实验结果与使用有限温度随机投影 Gross Pitaevskii 方程 (SPGPE) 的模拟结果进行了比较，揭示了主要的阻尼机制，并进一步展示了可以最小化阻尼的参数空间。
使用量子变异电路的加固学习
近年来，量子计算技术的发展已经大大提高，这与深度强化学习技术的进步相似。这项工作探讨了量子计算促进加强学习问题的潜力。量子计算方法为传统算法提供了重要的时间和空间复杂性，因为它可以利用超级宽容和纠缠的量子现象的能力。特别是我们研究了量子变异电路的使用，这是一种量子机学习的形式。我们介绍了用于编码量子变异电路的经典数据的技术，我们进一步探索了DQN和Double DQN的纯和混合量子算法。我们的结果表明，混合动力和纯量子变异电路具有较小的参数空间来求解加强学习任务的能力。这些比较与两个OpenAi健身环境：Cartpole和二十一点，这项工作的成功表明了量子机器学习与深度强化学习之间的牢固未来关系。
光学频率梳子在增益开关的半导体纳米仪中带有光学注入
摘要 - 在这封信中，我们通过光学注射增益开关（GS）半导体纳米仪（SNLS）来研究光频梳（OFC）的产生。使用速率方程进行了计算，其中包括percell腔体增强的自发发射因子F和发射偶联因子β。在分析中，评估了F的影响，以改变主和从纳米剂之间的注射强度和频率不吻。通常，由于在广泛的参数空间上进行光学注射，可以实现注射锁定区域，其中生成的OFC具有宽10 dB的频率跨度（F 10），高载体与噪声比（CNR）和窄线路。此外，通过提高注入强度，可以进一步增强F 10和CNR。此外，F 10和CNR分别随着f的增加而减小和增加。这些新颖的发现是基于光子整合电路中光学注射的GS SNL的简单和紧凑源OFC来源的开发。
使用量子变异电路的加固学习
近年来，量子计算技术的发展已经大大提高，这与深度强化学习技术的进步相似。这项工作探讨了量子计算促进加强学习问题的潜力。量子计算方法为传统算法提供了重要的时间和空间复杂性，因为它可以利用超级宽容和纠缠的量子现象的能力。特别是我们研究了量子变异电路的使用，这是一种量子机学习的形式。我们介绍了用于编码量子变异电路的经典数据的技术，我们进一步探索了DQN和Double DQN的纯和混合量子算法。我们的结果表明，混合动力和纯量子变异电路具有较小的参数空间来求解加强学习任务的能力。这些比较与两个OpenAi健身环境：Cartpole和二十一点，这项工作的成功表明了量子机器学习与深度强化学习之间的牢固未来关系。