XiaoMi-AI文件搜索系统
World File Search System变分
含不同粘度调节剂的湿混喷射混凝土的流变分析
喷射混凝土必须适合现场运输（泵送）和应用（喷涂）过程。因此，必须获得合适的稠度和流变性以便浇注。本文评估了各种粘度调节剂 (VMA) 对湿混喷射混凝土流变性和触变性的影响。使用了六种 VMA，根据其成分分为三组：基于二氧化硅、层状硅酸盐的添加剂和聚合物添加剂。在砂浆中深入研究了这些流变改性剂，获得了材料的屈服应力 (τ o ) 和塑性粘度 (μ) 的值，以及触变性（滞后面积），它代表了流体结构恢复所需的能量。为了获得这些参数，使用实验室流变仪在动态状态下测试流体，并施加剪切速率斜坡。此外，通过在流动台试验中获得流动台直径来确定砂浆的稠度。该评估是在含有不同含量的高效减水剂 (SP) 的砂浆中进行的。所有这些信息使得评估 SP 与每种 VMA 结合的影响成为可能，获得一个可工作性箱，确定滞后区域并验证哪些组合获得了优于对照混合物（不含 VMA）的流变行为。所述结果与现场进行的喷射混凝土混合物中获得的回弹指数相关。砂浆的触变性和现场的回弹率值导致了最准确的相关性，从而可以选择最有效的 VMA 用于喷射混凝土。最后，两种综合结果（实验室和现场）允许一种有助于设计和优化湿混喷射混凝土的分析过程。
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
在变分量子算法中指数地提高量子振幅
1 LG 电子多伦多人工智能实验室，加拿大安大略省多伦多 M5V 1M3 2 多伦多大学化学系，加拿大安大略省多伦多 M5G 1Z8 3 多伦多大学计算机科学系，加拿大安大略省多伦多 M5S 2E4 4 威斯康星大学麦迪逊分校化学系，美国威斯康星州麦迪逊市 1101 University Ave. 53706 5 威斯康星大学麦迪逊分校物理系，美国威斯康星州麦迪逊市 1150 University Ave. 53706 6 耶鲁大学耶鲁量子研究所，美国康涅狄格州纽黑文 06520-8263 PO Box 208334 7 耶鲁大学化学系，美国康涅狄格州纽黑文 06520 PO Box 208107 8 萨里大学数学系，英国吉尔福德 9 能源耶鲁大学科学研究所，邮政信箱 27394，康涅狄格州西黑文 06516-7394，美国 10 加拿大安大略省多伦多人工智能矢量研究所，邮编 M5S 1M1 11 加拿大安大略省多伦多高级研究所，邮编 M5G 1Z8，加拿大 ∗ 任何通信均应发送给作者。
用于有限温度模拟的自适应变分量子最小纠缠典型热态
用于模拟热平衡量子多体系统的可扩展量子算法对于预测有限温度下量子物质的性质非常重要。在这里，我们描述并测试了最小纠缠典型热态 (METTS) 算法的量子计算版本，我们采用自适应变分方法来执行所需的量子虚时间演化。我们将该算法命名为 AVQMETTS，它动态生成紧凑且针对特定问题的量子电路，适用于嘈杂的中尺度量子 (NISQ) 硬件。我们在状态向量模拟器上对 AVQMETTS 进行基准测试，并对一维和二维中的可积和不可积量子自旋模型进行热能计算，并展示了电路复杂性的近似线性系统尺寸缩放。我们进一步绘制了二维横向场 Ising 模型的有限温度相变线。最后，我们使用现象学噪声模型研究噪声对 AVQMETTS 计算的影响。
变分量子编译的噪声抗性
摘要变分混合量子经典算法 (VHQCA) 是利用经典优化来最小化成本函数的近期算法，该算法可以在量子计算机上进行有效评估。最近，VHQCA 已被提出用于量子编译，其中目标幺正 U 被编译成短深度门序列 V。在这项工作中，我们报告了这些算法一种令人惊讶的噪声弹性形式。也就是说，我们发现尽管在成本评估电路中存在各种不相干噪声源，但人们经常会学习正确的门序列 V（即正确的变分参数）。我们的主要结果是严格的定理，指出最佳变分参数不受广泛噪声模型的影响，例如测量噪声、门噪声和泡利通道噪声。此外，我们在 IBM 噪声模拟器上的数值实现在编译量子傅里叶变换、Toffoli 门和 W 态准备时表现出弹性。因此，变分量子编译由于其稳定性，对于噪声较大的中型量子设备具有实际用途。最后，我们推测这种抗噪声能力可能是一种普遍现象，适用于其他 VHQCA，例如变分量子本征解算器。
变分量子eigensolver -qclab -korea University
来源：https：//www.youtube.com/watch?v=fg00ln30ezg&t=607S&ab_channel=brd3d
变分量子态特征求解器
洛斯阿拉莫斯国家实验室是一家采取平权行动/提供平等机会的雇主，由 Triad National Security, LLC 为美国能源部国家核安全局运营，合同编号为 89233218CNA000001。通过批准本文，出版商承认美国政府保留非独占的、免版税的许可，可以为了美国政府的目的出版或复制本文的已发表形式，或允许他人这样做。洛斯阿拉莫斯国家实验室要求出版商将本文注明为在美国能源部的支持下完成的工作。洛斯阿拉莫斯国家实验室坚决支持学术自由和研究人员的发表权利；但是，作为一个机构，实验室并不认可出版物的观点，也不保证其技术上的正确性。
量子 Sherrington-Kirkpatrick 模型基态的变分假设
这里，我们考虑一个变分族，其动机是广义群论相干态 [36] 的概念，它扩展了乘积态 Ansatz，引入了更丰富的纠缠结构。这些状态的特殊结构使我们能够引入非平凡的量子关联，同时保留有效计算变分基态的能力，最大系统规模为 N ¼ 200 个自旋。我们还开发了一种研究基态纠缠结构的方法。我们的结果显示了纠缠的体积定律，这表明尽管 QSK 模型涉及所有自旋相互作用，但纠缠一夫一妻制并不提供缩放约束。此外，这种纠缠结构也在量子信息背景下引入的一组状态中得到识别，即
基于波导 QED 的变分量子模拟器
在本补充材料中，我们提供了更多细节来支持正文中提出的结果。在 SM1 节中，我们回顾了当波导模式具有带隙时光子介导相互作用可调谐性的物理起源。然后，在 SM2 节中，我们总结了变分量子本征求解算法的关键步骤（SM2 A），描述了所考虑的目标模型的属性（SM2 B），解释了文献中通常使用的不同假设的结构（SM2 C），详细介绍了我们用于获得正文结果的优化协议（SM2 D），并评论了其他可能用于对我们的结果进行基准测试的品质因数（SM2 E）。最后，在 SM3 节中，我们讨论了用于获得正文图 3 的误差模型的细节。还请注意，用于重现手稿结果的所有代码都可以在 https://github.com/cristiantlopez/Variational-Waveguide-QED-Simulators 中找到。
交替分层变分量子电路可以利用经典阴影进行有效的经典优化
变分量子算法 (VQA) 是经典神经网络 (NN) 的量子模拟。VQA 由参数化量子电路 (PQC) 组成，该电路由多层假设（更简单的 PQC，与 NN 层类似）组成，这些假设仅在参数选择上有所不同。先前的研究已将交替分层假设确定为近期量子计算中潜在的新标准假设。事实上，浅层交替分层 VQA 易于实现，并且已被证明既可训练又富有表现力。在这项工作中，我们引入了一种训练算法，可指数级降低此类 VQA 的训练成本。此外，我们的算法使用量子输入数据的经典阴影，因此可以在具有严格性能保证的经典计算机上运行。我们证明了使用我们的算法在寻找状态准备电路和量子自动编码器的示例问题中将训练成本提高了 2-3 个数量级。