XiaoMi-AI文件搜索系统
World File Search System变幅
基于最大熵形式的量子态层析成像变分方法
然而，在任意低温下制备给定哈密顿量的吉布斯态并非易事 39，人们提出了各种方法，包括经典方法和量子方法 40–43，以在某些特定条件下制备吉布斯态。其中一些技术包括基于量子拒绝采样 44 、动力学模拟 45,46 和降维 47 的算法，但实现这些方法的量子资源开销成本非常高，因此不适合在近期的量子设备上执行。为了在 NISQ 设备中找到量子算法的应用，底层量子电路应该是浅的，具有较低的电路深度和较少的量子比特数。变分量子算法 (VQA) 48 就是这样一类遵循基于变分原理的启发式方法的混合量子经典算法，由于它们在具有浅量子电路的 NISQ 设备上实现，近年来 49–54 非常流行。为了使用 VQA 在 NISQ 设备上准备量子吉布斯态，已经提出了几种方法。55–60 在这项工作中，我们采用了 Wang 等人的方法。39 其中，在量子电路上准备吉布斯态的损失函数涉及熵的泰勒级数截断，并且已被证明可以为给定的汉密尔顿量准备保真度超过 99% 的吉布斯态。系统的物理汉密尔顿量是未知的，实际上在此协议中是不必要的。人们只能访问任意一组厄米算子的期望值。原则上，使用形式主义可以生成与这种任意甚至不完整的平均测量集一致的最小偏差量子态，但在本报告中，我们使用 IC 集进行测试和验证，希望能够提供用于采样的未知纯量子态的近乎精确的重建。这是通过构建一个厄米矩阵 H 来实现的，该矩阵由拉格朗日乘数参数化。后者充当吉布斯态的代理汉密尔顿量，吉布斯态代表量子系统状态的断层扫描重建。本文提出的混合量子-经典断层扫描协议涉及浅参数化量子电路的应用，可在当前到近期的量子硬件上进行实验实现。这本身就比某些其他断层扫描协议 11-14 更有优势，因为经过优化，状态可以直接在量子
使用最小噪声分数 (mnf) 变换来分析...
最小噪声分数 (MNF) 变换 (Green 等，1988) 是一种由两个连续数据缩减操作组成的算法。第一个操作基于对数据中噪声的估计，该估计由相关矩阵表示。此变换通过方差来去相关并重新调整数据中的噪声。在此阶段，尚未考虑有关波段间噪声的信息。第二个操作考虑了原始相关性，并创建了一组包含原始数据集中所有波段方差加权信息的组件。该算法保留了特定的通道信息，因为所有原始波段都会对每个组件的权重做出贡献。通常，数据集中的大部分表面反射率变化都可以在前几个组件中得到解释，其余组件的方差主要由噪声贡献 (Boardman，1993)。还可以检查每个组件的权重值，指出对主要组件中包含的信息贡献最大的原始波段。然后使用主要成分将数据转换回其原始频谱空间，从而产生与提供的原始数据相同数量的转换通道。
空中加油中时变惯性飞机的建模和仿真
摘要 本文研究了在综合仿真环境中具有时变质量和惯性特性的受油机的动态建模与仿真应用，该环境包括另外两个重要因素，即具有变长度特性的软管-锥套组件动态模型和加油机尾涡引起的风效应。通过扩展 Lewis 等人推导的固定重量飞机的运动方程，推导出一组新的空中加油受油机运动方程。这些方程包括由于燃油转移和发动机燃油消耗引起的时变质量和惯性特性，并且油箱为矩形而非质点。它们是根据受油机相对于惯性参考系的平移和旋转位置和速度推导出来的。在初始受油机质量条件下，基于一组线性化方程设计了一个线性二次调节器 (LQR) 控制器。在集成仿真环境中实现了带有 LQR 控制器的接收机运动方程，用于在仿真中实现接收机的自主接近和定点保持。� 2016 中国航空学会。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
具有变分信息瓶颈的图结构学习
图神经网络（GNN）在广泛的应用领域中已显示出良好的效果。大多数 GNN 实证研究直接将观察到的图作为输入，假设观察到的结构完美地描述了节点之间准确和完整的关系。然而，现实世界中的图不可避免地是有噪声的或不完整的，这甚至会降低图表示的质量。在本文中，我们从信息论的角度提出了一种新的变分信息瓶颈引导的图结构学习框架，即 VIB-GSL。VIB-GSL 是首次尝试推进图结构学习的信息瓶颈 (IB) 原理，为挖掘底层任务相关关系提供了更优雅、更通用的框架。VIB-GSL 学习一种信息丰富且压缩的图结构，以提炼出特定下游任务的可操作信息。 VIB-GSL 对不规则图数据推导变分近似，形成易处理的 IB 目标函数，有利于提高训练稳定性。大量实验结果表明 VIB-GSL 具有良好的有效性和鲁棒性。
基于蒙特卡洛树搜索的变分量子电路混合优化
变分量子算法是近期和未来容错量子设备模拟的前沿。虽然大多数变分量子算法只涉及连续优化变量，但有时可以通过添加某些离散优化变量来显著增强变分假设的表示能力，广义量子近似优化算法 (QAOA) 就是一个例子。然而，广义 QAOA 中的混合离散-连续优化问题对优化提出了挑战。我们提出了一种称为 MCTS-QAOA 的新算法，它将蒙特卡洛树搜索方法与改进的自然策略梯度求解器相结合，分别优化量子电路中的离散变量和连续变量。我们发现 MCTS-QAOA 具有出色的抗噪特性，并且在广义 QAOA 的具有挑战性的实例中优于先前的算法。
用于鸢尾花数据的量子变分多类分类器...
摘要。量子计算机机器学习的最新进展主要得益于两项发现。将特征映射到指数级大的希尔伯特空间中使它们线性可分——量子电路仅执行线性运算。参数移位规则允许在量子硬件上轻松计算目标函数梯度——然后可以使用经典优化器来找到其最小值。这使我们能够构建一个二元变分量子分类器，它比经典分类器具有一些优势。在本文中，我们将这个想法扩展到构建多类分类器并将其应用于真实数据。介绍了一项涉及多个特征图和经典优化器以及参数化电路的不同重复的系统研究。在模拟环境和真实的 IBM 量子计算机上比较了模型的准确性。
基于最大熵形式的量子态层析成像变分方法
图 3：对于范围从 2 到 6 的量子比特，该图显示了在每一步优化中使用重建的量子态获得的 Hermitian 算子的 IC 集的真实期望值和生成的期望值之间的时期数的函数即均方误差 (MSE) 损失。
管理控制 IC 驱动功率级中的瞬变
在第一种情况下，使用“理想自举”电路，其中 VCC 由零欧姆电源驱动，理想二极管为 VB 供电。下冲现在与 Vcc 相加，导致自举电容器过充电，如图 2 所示。举例来说，如果 VCC =15V，则超过 10V 的 VS 下冲会迫使浮动电源超过 25V，从而有二极管 D1 击穿和随后闩锁的风险。现在假设自举电源被图 3 中的理想浮动电源取代，这样 VBS 在任何情况下都是固定的。请注意，使用低阻抗辅助电源代替自举电路可以解决这种情况。
变分量子问题的噪声贝叶斯优化...
在许多值得关注的科学应用中，量子算法有可能比传统算法快得多。例如量子机器学习 [1]、量子化学 [2] 以及许多其他 [3]。不幸的是，其中许多应用还无法在当前的嘈杂中型量子 (NISQ) 计算机上实现 [4]，需要等到噪声源可以被抑制到阈值，使量子计算机可用于实践，甚至构建容错量子计算机 [5]。然而，许多有趣的 LGT 问题已经可以通过 NISQ 设备进行研究 [6]。特别是，如果以哈密顿量公式研究 LGT，量子算法通常不会受到符号问题的影响 [7,8]。一种重要的现成算法是变分量子特征值求解器 (VQE) [ 9 ]，它是一种混合量子经典算法，利用变分原理寻找给定汉密尔顿量 H 的基态（和激发态）。VQE 的量子部分用于测量给定多量子比特状态中汉密尔顿量的期望值，即能量，而经典部分则在由参数化量子电路生成的多量子比特状态族中搜索使能量最小化的状态。本文提出的算法是一种经典优化器，旨在找到基态的良好近似值，尽可能减少能量测量的次数。这里选择的方法称为贝叶斯全局优化。它的首次应用可以追溯到 20 世纪 60 年代 [ 10 ]，而它的现代实现则基于最近的研究 [ 11 ]。该方法的基础是高斯过程回归 (GPR)，这是一种基于高斯过程贝叶斯推理的插值方法。它使我们能够使用有限量的 (嘈杂) 数据创建黑盒函数的预测模型。在每次优化迭代中，该模型用于确定一组可能接近全局最小点的参数。此步骤按照称为获取函数优化的过程执行。这里提出的优化能量的算法不同于 VQE 中常用的其他替代方法，因为它不仅使用能量的估计值，还使用其统计误差的值。其动机是降低每一步的量子测量次数：即使对于不精确的能量测量，只要它们的误差由于中心极限定理近似为高斯，该过程也是定义良好的。使用噪声设备模拟器将该算法的结果与其他常用的替代方案进行了比较。
具有变分信息瓶颈的图结构学习
图神经网络（GNN）在广泛的应用领域中已显示出良好的效果。大多数 GNN 实证研究直接将观察到的图作为输入，假设观察到的结构完美地描述了节点之间准确和完整的关系。然而，现实世界中的图不可避免地是有噪声的或不完整的，这甚至会降低图表示的质量。在本文中，我们从信息论的角度提出了一种新的变分信息瓶颈引导的图结构学习框架，即 VIB-GSL。VIB-GSL 是首次尝试推进图结构学习的信息瓶颈 (IB) 原理，为挖掘底层任务相关关系提供了更优雅、更通用的框架。VIB-GSL 学习一种信息丰富且压缩的图结构，以提炼出特定下游任务的可操作信息。 VIB-GSL 对不规则图数据推导变分近似，形成易处理的 IB 目标函数，有利于提高训练稳定性。大量实验结果表明 VIB-GSL 具有良好的有效性和鲁棒性。