XiaoMi-AI文件搜索系统
World File Search System如变分
使用变分量子算法训练迭代协议以提炼 GHZ 状态
我们提出了用于制备 Greenberger-Horne-Zeilinger (GHZ) 状态的优化提炼方案。我们的方法依赖于以受白噪声影响的 GHZ 状态作为输入来训练变分量子电路。通过对该方案进行一次迭代优化，我们发现可以提高 GHZ 状态的保真度，尽管进一步迭代会降低保真度。同样的方案，作用于相干失真的纯态输入，仅在某些特殊情况下有效。然而，我们表明，当在协议的两次迭代后优化输出时，可以实现截然不同的结果。在这种情况下，获得的方案在从受白噪声影响的输入中提炼 GHZ 状态方面更有效。此外，它们还可以纠正几种类型的相干纯态误差。
基于迭代加权范数的机载扫描雷达超分辨成像快速总变分方法
摘要：全变分（TV）方法已被用于实现机载扫描雷达在保持目标轮廓的超分辨成像。迭代重加权范数（IRN）方法是一种通过求解一系列最小加权L2范数问题来处理最小Lp范数问题的算法，已被用于求解TV范数。然而，在求解过程中，IRN方法每次迭代都需要更新权重项和结果项，涉及大矩阵的乘法和求逆，计算量巨大，严重制约了TV成像方法的应用。本文通过分析迭代过程中涉及矩阵的结构特点，提出了一种基于适当矩阵分块的高效方法，将大矩阵的乘法和求逆转化为多个小矩阵的计算，从而加速算法。所提方法称为IRN-FTV方法，比IRN-TV方法更节省时间，尤其适用于高维观测场景。数值结果表明，所提出的IRN-FTV方法具有较好的计算效率，且性能没有下降。
用变分量子方法制备 SU(3) 格子杨-米尔斯真空
量子色动力学 (QCD) 在从核力将原子核结合在一起到非弹性强子碰撞以及极端条件下物质的行为（如超新星和早期宇宙）等一系列现象中发挥着重要作用。自 20 世纪 70 年代发现以来，已经开发出许多分析和数值工具来研究 QCD。最成功的数值计算方法之一是格点 QCD [1,2]。已经使用格点 QCD 对强子谱 [3 – 5]；电弱矩阵元 [6 – 14]；高温低密度系统和一些多强子系统 [15 – 18] 的性质进行了高精度计算（最近的综述见参考文献 [19,20]）。然而，一些重要可观测量的格点 QCD 计算受到所用随机采样中存在的符号问题的限制。例如，模拟高密度的 QCD [21-25]、与超新星和早期宇宙相关的 QCD，或者带有 θ 项的 QCD，存在符号问题 [26]，超出了经典计算机的大规模能力范围。20 世纪 80 年代，费曼 [27] 和贝尼奥夫 [28] 认识到了经典计算机模拟量子物理的局限性，他们提出使用受控量子系统来模拟感兴趣的量子系统。最近，实验室中对量子系统的控制迅速改进，导致了最初几代量子计算机的诞生。人们已经探索了许多不同的平台，包括但不限于：
用截断泰勒级数制备变分量子吉布斯态
量子吉布斯态的制备是量子计算的重要组成部分，在量子模拟、量子优化和量子机器学习等各个领域都有广泛的应用。在本文中，我们提出了用于量子吉布斯态制备的变分混合量子-经典算法。我们首先利用截断泰勒级数来评估自由能，并选择截断自由能作为损失函数。然后，我们的协议训练参数化量子电路以学习所需的量子吉布斯态。值得注意的是，该算法可以在配备参数化量子电路的近期量子计算机上实现。通过进行数值实验，我们表明只需一个额外量子位的浅参数化电路就可以训练来制备保真度高于 95% 的伊辛链和自旋链吉布斯态。具体来说，对于伊辛链模型，我们发现仅具有一个参数和一个附加量子位的简化电路假设可以被训练以在逆温度大于 2 时实现吉布斯态制备的 99% 保真度。
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。
变分自动编码器学习更好的特征表示，用于基于脑电图的肥胖分类
摘要 — 肥胖是当今现代社会的一个常见问题，可导致各种疾病并显著降低生活质量。目前，已经开展了研究以调查静息状态脑电图 (EEG) 信号，目的是识别与肥胖相关的可能的神经系统特征。在本研究中，我们提出了一个基于深度学习的框架来提取静息状态脑电图特征，以对肥胖和瘦弱人群进行分类。具体而言，采用一种新颖的变分自动编码器框架从原始脑电图信号中提取受试者不变特征，然后通过一维卷积神经网络对其进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优势，这反映在特征表示中分类准确率的显著提高、可视化效果的改善和杂质测量的减少。未来的工作方向可以从神经学角度深入了解所提出的模型所学习的空间模式，以及通过允许其发现任何与时间相关的信息来提高所提出的模型的可解释性。索引术语——深度学习、EEG、分类、变分自动编码器
量子技术变分量子分类器在农业中的应用，用于小麦品种分类
摘要。本研究提出使用变分量子分类器对小麦品种进行自动分类。在大型数据集上训练的模型将能够识别种子特征和品种成员之间的独特模式和关系。这将使农民和研究人员能够更准确地识别小麦品种，从而可以改善种植和作物管理过程。这种方法不仅符合优化农业生产的需要，而且符合使用先进技术实现农业部门精准和高效的背景。通过这项研究，预计小麦生产的质量和可持续性将得到改善，这对粮食安全和可持续农业发展至关重要。该问题的目标是根据种子特征对小麦品种进行分类。VQC 在训练数据集上进行训练，然后在测试数据集上进行评估。为了评估模型的性能，使用了各种指标，例如准确度、精确度、召回率、F1 分数和混淆矩阵。
Tri-VAE：用于脑肿瘤 MRI 无监督异常检测的三重变分自动编码器
由于带注释的样本稀缺，病理性脑损伤在图像数据中的复杂表现对监督检测方法提出了挑战。为了克服这个困难，我们将重点转移到无监督异常检测。在这项工作中，我们专门使用健康数据训练所提出的模型，以识别测试期间未见的异常。这项研究需要调查基于三元组的变分自动编码器，以同时学习健康脑数据的分布和去噪能力。重要的是，我们纠正了先前基于投影的方法中固有的一个误解，该误解依赖于这样的假设：图像内的健康区域在重建输出中将保持不变。这无意中暗示了病变图像和无病变图像在潜在空间表示上存在相当大的相似性。然而，这种假设可能并不成立，特别是由于病变区域强度对投影过程的潜在重大影响，特别是对于具有单一信息瓶颈的自动编码器。为了克服这个限制，我们将度量学习与潜在采样分离。这种方法确保病变和无病变输入图像都投影到相同的分布中，特别是无病变投影。此外，我们引入了一个语义引导的门控交叉跳过模块来增强空间细节检索，同时抑制异常，利用解码器更深层中存在的健壮健康大脑表示语义。我们还发现，将结构相似性指数测量作为额外的训练目标可以增强所提模型的异常检测能力。
量子谢灵顿-柯克帕特里克模型基态的变分假设
简介 — 自旋玻璃是统计物理学中的一个重要范式。除了它们在描述无序经典磁体方面的相关性 [1,2] 之外，研究还表明，优化任务（例如旅行商问题）可以映射到求解自旋玻璃系统的基态 [1,3,4] 。通过引入横向场，可以将经典自旋玻璃提升为量子模型。由此产生的量子自旋玻璃本身就构成了研究无序和挫折与量子效应相互作用的重要场所 [5] 。此外，有证据表明，可以利用量子性来简化优化任务，例如通过量子退火 [6 – 10] 。量子自旋玻璃模型的教科书例子是量子 Sherrington-Kirkpatrick (QSK) 模型，它是经典 Sherrington-Kirkpatrick (SK) 模型的推广 [11,12] 。QSK 模型已在文献中得到了广泛的分析研究 [12 – 18] 和数值研究 [19 – 30] 。虽然著名的 Parisi 解 [31,32] 为经典 SK 模型提供了完整的解，但量子 SK 模型仍有许多悬而未决的问题。