XiaoMi-AI文件搜索系统
World File Search System机上
评估近期量子计算机上纠缠量子态的误差缓解策略
摘要：纠缠是量子力学特性之一，最近出现的量子计算机将计算能力成倍增加归因于纠缠。然而，这些系统受到一系列噪声诱导物理过程和硬件级缺陷的影响，导致量子电路的结果出现错误。量子误差缓解算法旨在缩短有足够的量子比特来补偿这些影响的时间，以提高近期量子设备的结果准确性。这项实证研究描述并比较了在真实量子计算机上纠缠条件下量子态误差缓解的常用基本方法。结果表明，两种易于实施的电路设计和测量误差缓解技术可以显著提高结果质量。
在量子计算机上准备开放 XXZ 链的精确特征态
相应的 Bethe 方程；后者通常难以求解。因此，尽管这些模型是“精确可解的”，但通常仍需要付出大量努力来明确计算感兴趣的物理量。量子计算机有望解决各种迄今难以解决的问题 [5,6]。这些问题包括分子和固态环境中多体系统的量子模拟 [7,8]。人们很自然地会问，量子计算机是否也能帮助解决计算量子可积模型感兴趣的物理量的问题。虽然求解 Bethe 方程仍然是一个有趣的开放性挑战 [9]，但最近一个重要的进展是发现了一种用于构造精确特征态的有效量子算法 [10]。该算法可能用于明确计算相关函数，否则这是无法实现的。可积模型还可以通过为量子模拟器提供试验台来影响量子计算。尽管人们正在大力开发近期算法，如变分量子特征值求解器 (VQE) [ 11 , 12 ]，以解决多体问题，但目前尚不清楚 VQE 是否能够在近期硬件上实现量子优势。另一方面，在容错量子计算机上获得一般模拟问题的量子优势被认为在量子资源方面成本极其昂贵 [ 13 – 15 ]。在嘈杂的中型量子时代 [ 16 ] 之后，早期量子计算机的可积模型的另一个好处是，它们的经典可解量可用于验证和确认目的。因此，研究特殊类别的问题（如可积模型）以更早地展示量子优势是很自然的。关键的第一步是找到解决这类问题的量子算法并量化所需的资源。 [ 10 ] 中的算法适用于闭式自旋 1/2 XXZ 自旋链，它是 Bethe [ 1 ] 求解的模型的各向异性版本 [ 17 ]，是具有周期性边界条件的量子可积模型的典型例子。将量子可积性扩展到具有开放边界条件的模型也很有趣且不平凡，参见 [ 18 – 21 ] 和相关参考文献。在本文中，我们制定了一个量子算法，用于构造具有对角边界磁场的开放自旋 1/2 XXZ 自旋链的精确本征态，这是具有开放边界条件的量子可积模型的典型例子。长度为 L 的链的（铁磁）哈密顿量 H 由下式给出
邀请引用的引号是从善良的打印机上打印的一本名为“环境
1。环境研究和湿地管理研究所主任2。西孟加拉邦生物多样性委员会成员秘书3，首席技术人员东加尔各答湿地管理公司4。西孟加拉邦高级私人经理。冲洗控制委员会5。副秘书环境部”（NNVironment主持人环境部将招标上传到部门
在未经信任的量子云计算机上执行量子计划中的隐私
1间谍量子计算简介是一项新兴技术，有可能加速并实现许多大规模的科学，优化和机器学习任务的执行[7，27]。作为量子计算技术广告，正在使用多个基于云的量子计算平台来开发和执行政府机构和行业合作伙伴的经典关键任务任务[14、15、29]。在许多情况下，这些任务的解决方案对业务敏感，应受到保护（例如，解决与国防计划相关的经典问题的解决方案）。目前，由于量子云计算的新生阶段，云计算提供商可以完全访问最终用户的任务敏感程序和此类程序的输出[26，30]。认识到安全性和隐私对量子程序执行的重要性，尽管没有解决与此工作相同的问题（保护量子程序的输出），但已经进行了一些相关的工作。尤其是，对网络工作[4，36，39]的量子信息进行加密，并从第三方量子编译器中获得量子程序[31，34]已受到关注。不幸的是，所有这些作品都认为云硬件提供商是一个毫不妥协的实体，并且在Quantum云平台上没有故意或无意的窥探器，可以分析程序输出。即使该代码受到编译器的保护和
通过在量子计算机上准备热状态来研究伊辛模型的临界行为
随着量子器件和量子算法的发展，量子计算机可以解决经典计算机难以解决的问题。量子计算机已经成功应用于量子化学、凝聚态物理和格子场论等许多领域（例如参见参考文献 [ 1 – 7 ]）。随着量子比特数量的增加和量子器件保真度的提高，我们可以处理更现实的物理模型，探索量子计算机的潜力。作为一个应用示例，本文用量子算法在不同温度下准备 Ising 模型的热态，包括接近临界温度和低温区域的点。为了证明我们方法的可行性，我们将所选物理量的量子模拟结果与经典模拟结果进行了比较。已经提出了许多算法来使量子计算机能够准备热态。这些方法包括量子热动力学方法，其中目标系统与处于平衡状态的溶液耦合 [8]；基于热场双态的变分量子算法 [9,10]；以及许多量子虚时间演化 (QITE) 算法，例如利用 Hubbard-Stratonovich 变换的算法 [11]、基于变分假设的 QITE (QITE-ansatz) [12]、基于测量的 QITE (QITE-measure) [13]，以及通过执行坐标优化的 QITE [14]。我们的研究范围集中在有噪声的中尺度量子 (NISQ) 设备的使用 [15,16]。考虑到量子
近期量子计算机上多体模拟的简化密度矩阵方法
3 用于分子模拟的量子计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ...
COVID-19在IBM量子计算机上检测带有经典量词转移学习
摘要引言中风是低收入和中等收入国家（LMIC）的残疾的主要原因之一，经常出现上肢轻瘫并引起主要的功能依赖性。它需要高剂量和强烈的康复，这意味着高昂的经济成本，因此限制了LMIC的这种疗法。有多种技术干预措施促进了强度，依从性和运动评估的康复；或启用康复，例如机器人，游戏或虚拟现实，传感器，电子设备和远程康复。他们的功效主要在高收入国家进行了评估，因此在LMIC环境中进行系统审查的重要性。目的是在上肢运动功能中衡量技术干预措施与经典身体康复功能的疗效，这是在LMIC中遭受首次或经常性中风发作的人。方法和分析此方案与Prisma-P和Cochrane手册有关的方法进行系统评价一致。我们建议进行系统的综述和荟萃分析。为了这样做，我们将在PubMed，Global Index Medicus和物理疗法证据数据库中进行电子搜索。将不使用日期范围参数。将包括以英语，西班牙语，法语和葡萄牙语发表的随机对照试验（RCT），主要结果以上肢运动功能为重点。两个审阅者将筛选所有检索的标题，摘要和全文，对偏见的风险进行评估，并独立提取所有数据。将由Cochrane协作工具评估所包含的RCT偏见的风险。将在文本和表中提供定性综合，以总结所选出版物的主要结果。研究之间的异质性将通过I 2统计量进行评估。如果跨结果有足够的均匀性，将考虑荟萃分析。要评估的结果将是上肢的运动功能，日常生活活动和生活质量的表现，通过测量量表。结论本系统的综述将提供有关多种技术干预措施的功效以改善LMIC中风个体中上肢运动功能的疗效的证据。基于此分析，我们将能够评估这些干预措施是否在低收入和中等收入国家的中风后的功能恢复中是否也有效且可行，因此在这些领域提供了建议。关键字：中风，技术，上肢，低收入国家。利益冲突：所有作者都宣布没有利益冲突。资金：这项研究没有从公共，商业或非营利部门获得资金。
PC104格式Cubesats的机上计算机 使用大型语言模型玩基于文本的游戏PC104格式Cubesats的机上计算机使用大型语言模型玩基于文本的游戏
[1] Wu，Yue等。“春天：研究论文和推理游戏。”关于神经信息处理系统的第三十七次会议。2023。[2] Ammanabrolu，Prithviraj等。“如何避免被刺激吞噬：文本世界的结构化探索策略。”ARXIV预印型ARXIV：2006.07409（2020）。[3] Yao，Shunyu等。“保持冷静和探索：基于文本的游戏中动作生成的语言模型。”2020年自然语言处理经验方法会议（EMNLP）会议论文集。2020。[4] Wei，Jason等。“经过思考的链条促使在大语言模型中引起推理。”神经信息处理系统的进步35（2022）：24824-24837。[5] Madaan，Aman等。“自我refine：迭代精致，并进行自我反馈。”Arxiv预印型ARXIV：2303.17651（2023）。
一种基于机器学习的错误缓解方法，用于在IBM的量子计算机上开发可靠的软件开发
量子计算机有可能在某些复杂的计算问题上胜过经典计算机。但是，当前的量子计算机（例如，来自IBM和Google）具有继承噪声，该噪声会导致量子软件在量子计算机上执行的量子软件输出的错误，从而影响量子软件开发的可靠性。鉴于其可扩展性和实用性，该行业越来越涉及机器学习（ML）基于基于错误的错误缓解技术。但是，现有的基于ML的技术有局限性，例如仅针对特定的噪声类型或特定的量子电路。本文提出了一种实用的基于ML的方法，称为Q-Lear，具有新型功能集，以减轻量子软件输出中的噪声错误。我们在八台量子计算机及其相应的嘈杂模拟器上评估了Q- LEAL，全部来自IBM，并将Q-lear与基于基线的基于ART ML的最先进的方法进行了比较。结果表明，与基线相比，Q-lear在实际量子计算机和模拟器上都达到了25％的误差缓解措施。我们还讨论了Q学习的含义和实用性，我们认为这对于从业者来说是有价值的。
通过求解神经微分方程的镜头进行量子机学习在理论上容易的量子计算机上：校准
关键字：神经普通微分方程，Wasserstein生成的广告网络，序列到序列网络本报告调查了神经通用差分方程（NODE）在机器学习中的应用，重点介绍其在Wasserstein生成的对抗性网络（WGANS）（WGANS）（WGANS）和序列到序列到序列到序列 - 序列到序列（seq2seqsssssssssssssss）的集成。我们探索了解决ODE的各种方法，并在计算效率和准确性方面进行了比较。我们的研究采用了JAX框架和差异方程求解器库的Diffrax来实施和评估这些方法。我们使用FréchetInception距离（FID）度量和SEQ2SEQ模型使用BLEU分数对WGAN进行基准测试。我们的分析涵盖了不同的伴随，自适应公差，网络体系结构中的求解器位置以及标准化技术的影响。对于WGAN，我们发现求解器的选择及其实现并没有显着影响FID得分，但确实会影响计算时间。在SEQ2SEQ模型中，我们观察到，增加网络的宽度会始终提高BLEU分数，并且选择伴随方法和适应性公差可以显着影响性能和效率。我们的结果表明，ODE求解器和相关参数的最佳选择取决于特定的机器学习任务以及准确性和计算效率之间所需的权衡。这项研究通过为不同的应用程序和计算约束来优化这些模型，从而为基于节点的机器学习的不断增长贡献。