XiaoMi-AI文件搜索系统
World File Search System混合算法
![arxiv：2401.02355v1 [Quant-ph] 2024年1月4日](/simg/g:\will\search\icon\source\d\d6bdb8f49131806733e5a9ee48e9f7a807f79467.webp)
arxiv：2401.02355v1 [Quant-ph] 2024年1月4日
适用于找到哈密顿量的基态的变异量子量化算法（VQE）算法特别适合在嘈杂的中间尺度量子（NISQ）设备上部署。在这里，我们使用量子电路ANSATZ利用VQE算法，灵感来自密度基质重质化组（DMRG）算法。改善逼真的噪声对方法的性能的影响，我们采用了零噪声外推。我们发现，通过现实的错误率，我们的DMRG-VQE混合算法为强相关系统提供了良好的结果。我们使用海森堡模型在Kagome晶格贴片上说明了我们的方法，并证明了DMRG-VQE混合方法可以定位，并忠实地代表了此类系统的基础状态。此外，此工作中使用的参数化ANSATZ电路的深度很低，需要相当少量的参数，因此对于NISQ设备来说是有效的。
一种用于参数化电路时间演化的高效量子算法
我们引入了一种新颖的混合算法，使用参数化量子电路模拟量子系统的实时演化。该方法名为“投影变分量子动力学”（p-VQD），实现了将精确时间演化迭代、全局投影到参数化流形上。在小时间步长极限下，这相当于 McLachlan 的变分原理。我们的方法之所以有效，是因为它表现出与变分参数总数的最佳线性缩放。此外，它是全局的，因为它使用变分原理一次优化所有参数。我们方法的全局性大大扩展了现有高效变分方法的范围，而这些方法通常依赖于对变分参数的受限子集进行迭代优化。通过数值实验，我们还表明，我们的方法比现有的基于时间相关变分原理的全局优化算法特别有利，由于参数数的二次缩放要求高，不适合大型参数化量子电路。
快速的傅里叶 - 切比雪夫方法kubo公式的真实空间模拟
Kubo公式是我们对近平衡转运现象的理解的基石。虽然从概念上优雅，但Kubo的S线性响应理论的应用在有趣的问题上的应用是由于需要准确且可扩展到一个超出一个空间维度的大晶格大小的算法。在这里，我们提出了一个一般框架来研究大型系统，该系统结合了Chebyshev扩展的光谱准确性与分隔和串扰方法的效率。我们使用混合算法来计算具有超过10个位点的2D晶格模型的两端电导和大量电导率张量。通过有效地对数十亿次Chebyshev矩中包含的微观信息进行采样，该算法能够在存在猝灭障碍的情况下准确地解决复杂系统的线性响应特性。我们的结果为未来对以前难以访问的政权进行运输现象的研究奠定了基础。
一种混合机器学习γ-...
摘要 - γ发射放射性核素的自动识别和量化，这是由于放射性源环境中伽马相互作用而导致的光谱变形，这是各种核应用的挑战。在本文中，通过开发结合机器学习和经典统计方法的混合方法来解决此问题。提出了一种基于机器学习的自动编码器，可以提出可以使用有限数据捕获光谱变异性的。研究了一种使用预训练的自动编码器的新型混合构想算法，以在四个放射性核素的混合物（57 CO，60 CO，133 BA，137 CS）的情况下进行频谱特征的联合估算和计数。这项研究是为了考虑到低统计量下的衰减和康普顿散射引起的光谱变形。结果证明了这种新的混合方法基于机器学习的有效性和对γ光谱自动全光谱分析的最大可能性的有效性。索引术语 - gamma射线光谱，光谱变异性，混合算法，机器学习，插值自动编码器，半盲透明
图形卷积神经网络辅助遗传算法PDN DETAP优化
摘要 - 本文提出了一种结合加固学习（RL）和PDN DETAP优化的遗传算法（GA）的混合算法。训练有素的RL代理使用图形卷积神经网络作为策略网络，并预测给定PDN阻抗和目标阻抗的DETAP解决方案，该解决方案是将其作为初始种群的播种。训练有素的RL代理在脱皮端口的数量方面可扩展。主要目标是节省计算时间并找到接近全球的最小值或全球最小值。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。 所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。
量子退火驱动的单机总加权拖延工件数调度问题的分支定界
本文介绍了一种解决离散优化 NP 难问题的新方法，该方法适用于实现硬件量子退火的量子处理器 (QPU，Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限，使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法，其值在量子机的 QPU 上计算。反过来，为了确定上限，我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的，但本文提出的混合算法构建方法交替使用 CPU 和 QPU，保证了最佳解决方案。作为案例研究，我们考虑 NP 难单机调度问题，最小化延迟作业的加权数量。进行的计算实验表明，在解决方案树的根部已经获得了最优解，并且下限和上限的值仅相差百分之几。
一种模型预测控制方法共享控制中混合
摘要 - 共享的控制方法在苛刻的任务中分配了人类操作员和机器人之间的控制，从而使协作能够利用各自的优势和专业知识。共享任务通常涉及将人类控制输入与（预算计划的辅助轨迹结合在一起的算法）的混合算法。传统的混合技术（例如线性混合）计算组合输出，但不能保证这种共享运动的可行性，也不能确保遵守安全性或与任务相关的约束。本文提议通过将混合策略作为解决最佳控制问题的解决方案来解决可行性和安全性，从而实施环境限制，任务要求和物理能力。使用模型预测控制方法来解决优化问题，并通过预测回收时间范围内的机器人运动来预测约束。我们在模拟和现实世界的拾取和地距离传统实验中评估了这种方法。实验研究将模型预测控制方法与线性混合和完整的近距离进行了比较。结果表明，新框架提供了重大改进，因为它提供了更安全，更准确和可重复的响应。
量子退火在快速溶液结构识别中的潜力
摘要 量子计算机、相干伊辛机和数字退火机等新型计算设备的出现为硬件加速混合优化算法提供了新的机会。不幸的是，利用新型硬件平台展示无可置疑的性能提升面临着重大障碍。一个关键挑战是理解区分此类设备与现有优化方法的算法特性。通过精心设计人为的优化任务，这项工作为量子退火的计算特性提供了新的见解，并表明该模型有可能快速识别高质量解决方案的结构。与涵盖完整搜索和局部搜索的各种算法进行细致的比较表明，量子退火在所提出的优化任务上的表现是不同的。这一结果为时间尺度和优化问题类型提供了新的见解，在这些优化问题中，量子退火有可能比现有的优化算法提供显着的性能提升，并建议开发结合量子退火的最佳特性和最先进的经典方法的混合算法。
在群算法中处理离群值：评论
抽象的群体优化算法受到生物群的集体行为的启发，是一种有前途的工具，用于解决优化传统方法通常无效的复杂系统的问题。但是，离群值的问题可能会严重影响找到最佳解决方案的过程。因此，研究群算法中检测和处理异常值（例如粒子群优化（PSO））的方法是一项紧急任务，具有提高这些算法在各种实际应用中的效率和可靠性的巨大潜力，例如无人机控制系统，金融系统，环境控制和建模系统。本文涉及群体优化算法（例如PSO）中离群值的问题。提供了现有的管理异常值的方法，包括自适应方法，使用群拓扑，混合算法等的方法。分析了每种方法的优点和缺点。特别关注新的有前途的领域，例如神经网络和增强学习的组合，以开发更有效和适应性的群算法。本文针对优化领域的研究人员和从业人员，他们有兴趣提高群体算法的效率和可靠性。
参数化量子电路的等效性检验
变分量子算法已被引入作为一类有前途的量子-经典混合算法，它已经可以通过采用参数化量子电路与当今可用的嘈杂量子计算硬件一起使用。考虑到量子电路编译的非平凡性质和量子计算的微妙性，验证这些参数化电路是否已正确编译至关重要。已经存在处理无参数电路的既定等效性检查程序。但是，尚未提出能够处理带参数电路的方法。这项工作填补了这一空白，表明可以使用基于 ZX 演算的等效性检查方法以纯符号方式验证参数化电路的等效性。同时，可以利用参数化电路固有的自由度，用传统方法有效地获得不等式证明。我们实现了相应的方法并证明了最终的方法是完整的。实验评估（使用 Qiskit 提供的整个参数化 ansatz 电路库作为基准）证明了所提方法的有效性。该实现是开源的，作为等效性检查工具 QCEC（https://github.com/cda-tum/qcec）的一部分公开可用，该工具是慕尼黑量子工具包（MQT）的一部分。