XiaoMi-AI文件搜索系统
World File Search System噪声模型
使用深的Kalman滤波器生成模型
基于变异自动编码器（VAE）的深层可变生成模型已显示出有希望的视听语音增强性能（AVSE）。基本的想法是学习干净的语音数据的基于VAE的视听先验分布，然后将其与统计噪声模型相结合，以从目标扬声器的嘈杂的音频录制和视频（LIP图像）中恢复语音signal。为AVSE开发的现有生成模型没有考虑到语音数据的顺序性质，从而阻止它们充分整合视觉数据的力量。在本文中，我们提出了一个视听深度卡尔曼滤波器（AV-DKF）生成模型，该模型假设了潜在变量的一阶马尔可夫链模型，并有效地融合了视听数据。此外，我们将一种有效的推理方法来估算测试时估计语音信号的方法。我们进行了一组实验，以比较语音增强的生成模型的不同变体。结果证明了AV-DKF模型的优越性，与仅音频版本以及基于Audio-Audio-forio-visual Vae模型相比。
![arXiv:2203.06684v1 [quant-ph] 2022 年 3 月 13 日](/simg/g:\will\search\icon\source\c\cf372675a54202c43a9ddcec8e7cf526400fe698.webp)
arXiv:2203.06684v1 [quant-ph] 2022 年 3 月 13 日
量子隐形传态的性能通常通过平均保真度（输入和输出状态之间的重叠）来衡量。除了第一阶矩，我们还引入了 CV 隐形传态的第二阶矩，即保真度偏差，作为评估协议效率的优值。我们表明，通过同时考虑平均保真度和保真度偏差，可以更好地表征高斯和非高斯 CV 状态，而仅使用平均保真度则无法做到这一点。此外，我们阐明了隐形传态协议在两种不同输入场景中的性能 - 一种是从约束均匀分布中采样输入状态，另一种是高斯抑制输入状态，这又导致根据性能对 CV 状态进行不同的分类。整个分析是在无噪声和有噪声场景中进行的，噪声被纳入测量和共享通道中。我们还报告说，一种噪声可以使协议对另一种噪声具有鲁棒性，从而产生“建设性效应”，并确定了导致平均保真度降低和保真度偏差增加的噪声模型。
一种用于高效量子机器学习的改进去极化方法
摘要：嘈杂中型量子 (NISQ) 时代的量子计算已在机器学习、优化和密码学中展现出良好的应用前景。尽管取得了这些进展，但由于系统噪声、错误和退相干，挑战依然存在。这些系统噪声使量子系统的模拟变得复杂。去极化通道是模拟量子系统噪声的标准工具。然而，当我们的硬件资源有限时，为实际应用建模这种噪声在计算上是昂贵的，就像在 NISQ 时代的情况一样。这项工作提出了一种单量子位去极化通道的改进表示。我们的改进通道使用两个仅基于 X 和 Z Pauli 矩阵的 Kraus 运算符。我们的方法将每个通道执行的计算复杂度从六次矩阵乘法降低到四次。在 Iris 数据集上对量子机器学习 (QML) 模型进行的实验跨越各种电路深度和去极化率，验证了我们的方法在提高效率的同时保持了模型的准确性。这种简化的噪声模型使得去极化下的量子电路模拟更具可扩展性，从而提高了 NISQ 时代的能力。
忠实地模拟近期量子中继器-Refubium
量子中继器长期以来一直被确定为在长距离内分布纠缠至关重要。因此，他们的实验实现构成了量子通信的核心挑战。但是，关于现实的近期实验设置的实施细节有许多公开问题。为了评估现实的中继器协议的性能，我们提出了Requsim，这是一个全面的基于蒙特卡洛的模拟平台，用于征服豌豆，它忠实地包括损失和模型，例如与时间依赖噪声的记忆，例如记忆。我们的平台使我们能够对量子中继器设置和策略进行分析，这些设置和策略远远超出了已知的分析结果：这是指能够捕获更现实的噪声模型并分析更复杂的中继器策略。我们介绍了许多发现围绕改善性能的策略的组合，例如纠缠纯度和多个中继器站的使用，并证明它们之间存在复杂的关系。我们强调，诸如我们的数值工具对于建模旨在为量子互联网做出贡献的复杂量子通信协议至关重要。
提高量子误差校正的变异量子算法的速度
我们考虑为作用在量子电路上的通用量子噪声设计合适的量子误差校正程序（QEC）程序的问题。通常，没有分析通用程序来获得编码和校正统一门，如果噪声未知并且必须重建噪声，问题甚至更难。现有过程依赖于变分的量子算法（VQA），并且由于成本函数的梯度的大小随量子数而衰减，因此很难训练。我们使用基于量子1（QW 1）的量子Wasserstein距离的成本函数来解决此问题。在量子信息处理中通常采用的其他量子距离方面，QW 1缺少单一不变性属性，这使其成为避免被困在本地最小值中的合适工具。专注于一个简单的噪声模型，该模型已知确切的QEC解决方案，并且可以用作理论基准，我们进行了一系列数值测试，这些测试表明如何通过QW 1指导VQA搜索，确实可以显着提高成功培训的可能性，并在使用恢复状态的情况下，以实现的态度来实现会议的方法。
SC19：U：用于近期量子器件噪声预测和电路优化的深度学习方法
由于硬件特定的噪声，嘈杂的中型量子设备在实现高保真计算方面面临挑战。我们提出了一个量子电路深度学习编译器的框架，旨在降低在特定设备上运行的电路的输出噪声。我们的方法是首先在量子芯片的实验数据上训练卷积神经网络，以学习该设备的噪声模型。然后，我们将训练好的网络视为量子电路的噪声预测器，并设计一个编译器来重写电路，以尽量减少网络预测的预期噪声。我们使用 IBM 5 量子比特设备测试了这种方法，并根据 IBM Qiskit 编译算法对编译后的电路进行了基准测试。我们得到的结果显示，与 Qiskit 编译器相比，输出噪声降低了 11%（95% CI [10%、12%]）。与 Qiskit 编译器相比，所有可用的 5 量子比特 IBM 设备都有所改进，但我们发现在学习噪声模型的设备上降噪效果明显更好。这些结果表明，使用机器学习设计的设备特定编译器可以产生更高保真度的操作，从而增加量子计算应用的潜力。
![arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日](/simg/g:\will\search\icon\source\6\6db0a0743206c6bdef245015e9a5685b2f64def6.webp)
arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日
量子纠错 (QEC) 在防止量子系统中的信息丢失方面起着关键作用，并为可靠的量子计算提供了框架。为物理激励的噪声模型识别具有良好代码参数的量子代码仍然是一个有趣的挑战。除了量子比特代码之外，我们在此提出了一类量子比特纠错码，专门用于防止振幅阻尼噪声。具体来说，我们构建了一类四量子比特代码，该代码满足所有单量子比特和一些双量子比特阻尼误差的纠错条件，最高可达阻尼参数 γ 的领先阶。我们设计了一种协议来提取可以明确识别这组错误的综合征，从而产生一种噪声自适应恢复方案，该方案实现了 O(γ 2) 的保真度损失。对于 d = 2 的情况，我们的 QEC 方案与已知的 4 量子比特代码示例及其相关的基于综合征的恢复相同。我们还使用 Petz 恢复图评估了我们这类代码的性能，并注意到与量子比特情况的一些有趣偏差。
利用超导量子的量子临界性
量子临界性源自许多相互作用的量子粒子的集体行为，通常发生在物质不同相之间的过渡阶段。它是凝聚态物理学的基石之一，我们利用动态驱动的现象在嘈杂的中尺度 (NISQ) 量子设备上访问它。我们通过 Kibble-Zurek 过程探测可编程超导量子芯片上一维量子 Ising 模型的临界特性，获得缩放定律，并估计临界指数，尽管硬件上存在固有的错误源。此外，我们研究了 NISQ 计算机的改进（更多量子比特，更少噪声）将如何巩固这些通用物理属性的计算。单参数噪声模型捕捉了缺陷的影响并重现了实验数据。其系统研究表明，噪声与温度类似，在系统中引入了新的长度尺度。我们引入并成功验证了修改后的缩放定律，直接考虑了噪声，而无需任何先验知识。它使提取物理属性的数据分析对噪声透明。通过了解不完美的量子硬件如何改变物质量子态的真正属性，我们大大增强了 NISQ 处理器解决量子临界性以及其他潜在现象和算法的能力。
使用基于扩散的生成模型
最近，基于条件分数的扩散模型在监督语音增强领域引起了人们的关注，从而产生了最新的性能。但是，这些方法在普遍到看不见的条件时可能会面临挑战。为了解决这个问题，我们引入了一种以无监督方式运行的替代方法，利用了扩散模型的生成力量。具体来说，在训练阶段，使用基于得分的扩散模型在短期傅立叶变换（STFT）域中学习了清晰的语音，从而使其无条件地从高斯噪声中产生干净的语音。然后，我们通过与语音信号推理的噪声模型相结合，开发了一种后验采样方法来增强语音的增强。通过迭代期望最大化（EM）方法同时学习噪声参数以及干净的语音估计。据我们所知，这是探索基于扩散的生成模型的第一部作品，用于无监督语音增强，与最近的变异自动编码器（VAE）基于无监督的方法和一种最先进的基于扩散的基于扩散的超级访问方法相比，这表明了有希望的恢复。因此，它在无监督的语音增强中为未来的研究打开了一个新的方向。
使用最小开销的稳健量子分类器
摘要 - 要在实际环境中见证量子优势，不仅在硬件级别上，而且在理论研究上都需要大量努力，以降低给定协议的计算成本。量子计算有可能显着增强现有的经典机器学习方法，并且已经提出了基于内核方法的二进制分类的几种量子算法。这些算法依赖于估计期望值，这又需要多次重复昂贵的量子数据编码过程。在这项工作中，我们明确计算获取固定成功概率所需的重复数量，并表明Hadamard检测和交换测试电路在量子电路参数方面实现了最佳差异。仅通过优化与数据相关的参数进行优化，可以进一步减少差异，因此重复的数量。我们还表明，无论数据的数量和尺寸如何，都可以通过单量测量进行基于内核的二进制分类。最后，我们表明，对于许多相关的噪声模型，可以可靠地执行分类，而无需纠正量子误差。我们的发现对于在有限的资源下设计量子分类实验非常有用，这是嘈杂的中间尺度量子时代的普遍挑战。