XiaoMi-AI文件搜索系统
World File Search System用量
使用量子机器学习对海洋能转换器的环境影响评估
化石能源储备的枯竭及其造成的环境污染凸显了利用海洋可再生能源（如海浪和潮汐）的必要性，因为它们具有巨大的潜力。另一方面，大规模部署海洋能转换器以满足未来的能源需求需要使用大型转换器农场，这可能会对海洋生态系统产生负面的环境影响。与此同时，一个非常重要的一点是，通过不同的方法从海洋收集数据并进行分析会产生大量的数据，这使得使用不同的机器学习算法等先进工具变得更加丰富多彩。在本文中，使用机器学习和量子机器学习分析了一些海洋能设备对环境的影响。结果表明，量子机器学习在计算精度方面优于传统机器学习。这种方法为环境影响评估提供了一种有前途的新方法，特别是在海洋等复杂环境中。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
利用纠缠光子源实现实用量子链路架构并进行分析
摘要 — 量子中继网络在分配纠缠中起着至关重要的作用。人们提出了各种链路架构来促进远距离节点之间贝尔对的创建，其中纠缠光子源正在成为构建量子网络的主要技术。我们的工作推进了内存-源-内存 (MSM) 链路架构，解决了缺乏实际实施细节的问题。我们使用量子互联网模拟包 (QuISP) 进行数值模拟，以分析 MSM 链路的性能并将其与其他链路架构进行对比。我们观察到 MSM 链路中的饱和效应，其中额外的量子资源不会影响链路的贝尔对生成率。通过引入理论模型，我们解释了这种效应的起源并描述了它发生的参数区域。我们的工作将理论见解与实际实现联系起来，这对于稳健且可扩展的量子网络至关重要。索引术语 — 量子通信、量子互联网、量子链路架构、量子纠缠
利用量子资源增强经典通信网络
基于：FL, M. Alhejji, J. Levin, G. Smith, Nature Communications 11, 1497 (2020), arXiv:1909.02479 A. Seshadri, FL, V. Siddhu, G. Smith, IEEE Transactions on Inf. Th. 69.9 (2023), arXiv:2205.13538 B. Doolittle, FL, E. Chitambar, arXiv preprint (2024), arXiv:2403.02988
数值积分的通用量子算法
量子算法已在诸多应用领域展现出优越性，然而数值积分这一处理复杂科学与工程问题不可或缺的工具，却一直缺乏通用的量子算法。本文，我们首次提出了一种适用于任意能用多项式近似的连续函数的量子积分算法，该算法通过多项式近似实现对任意可积函数的量子编码，然后构造量子预言机标记积分区域内的点数，最后将统计结果转化为叠加态振幅中的相角。本文提出的量子算法比经典积分算法具有二次加速效果，计算复杂度从O(N)降低到O(√N)。我们的工作解决了提高量子积分算法通用性的关键障碍，为拓展量子计算的优越性提供了有意义的指导。
如何使用量子不可区分混淆
量子复制保护由 Aaronson [ 1 ] 提出，它能够给出无法被有效复制的量子程序描述。尽管经过十多年的研究，但人们知道只有极少数程序能够实现复制保护。作为我们的第一项贡献，我们展示了如何为所有程序实现“最佳”复制保护。我们通过引入量子态不可区分混淆 ( qsiO ) 来实现这一点，这是用于经典程序量子描述的混淆概念。我们表明，将 qsiO 应用于程序可立即实现最佳复制保护。我们的第二项贡献是表明，假设存在单向注入函数，qsiO 是一大类可穿孔程序的具体复制保护 — — 大大扩展了可复制保护程序的类别。我们证明中的一个关键工具是不可克隆加密 (UE) 的新变体，我们称之为耦合不可克隆加密 (cUE)。虽然在标准模型中构建 UE 仍然是一个重要的未解决的问题，但我们能够从单向函数构建 cUE。如果我们另外假设 UE 的存在，那么我们可以进一步扩展 qsiO 是复制保护的可穿孔程序类。最后，我们相对于一个有效的量子预言机构建 qsiO。
使用量子转移学习
糖尿病性视网膜病（DR）是糖尿病患者普遍存在的并发症，可能会导致视力障碍，这是由于视网膜上形成的病变。在高级阶段检测DR通常会导致不可逆的失明。通过眼科医生通过视网膜底面图像诊断DR的传统过程不仅是耗时的，而且还很昂贵。虽然经典的转移学习模型已被广泛用于计算机辅助检测DR，但其高维护成本可能会阻碍其检测EFFI效率。相比之下，量子传递学习对这一挑战的更有效解决方案。这种方法非常有利，因为它以启发式原则运作，使其对任务进行了高度优化。我们提出的方法利用这种混合量子传递学习技术来检测DR。为了构建我们的模型，我们利用Kaggle上可用的Aptos 2019失明检测数据集。我们采用RESNET-18，RESNET34，RESNET50，RESNET101，RESNET152和INCEPTION V3（预训练的经典神经网络）进行初始特征提取。在分类阶段，我们使用变分量子分类器。我们的混合量子模型显示出了显着的结果，RESNET-18的精度为97％。这表明，与量子机学习集成时，量子计算可以单独使用经典计算机来执行一定程度的功率和EFFI的任务。通过利用这些先进的技术，我们可以显着改善糖尿病性视网膜病的检测和诊断，从而使许多人免于失明的风险。
如何使用量子不可区分混淆
量子复制保护由 Aaronson [ Aar09 ] 提出，它可以给出无法被有效复制的量子程序描述。尽管经过十多年的研究，但已知复制保护仅对非常有限的一类程序可用。作为我们的第一项贡献，我们展示了如何为所有程序实现“最佳”复制保护。我们通过引入量子态不可区分混淆 ( qsiO ) 来实现这一点，这是用于经典程序量子描述的混淆概念。我们表明，将 qsiO 应用于程序可立即实现最佳复制保护。我们的第二项贡献是表明，假设存在单向注入函数，qsiO 是一大类可穿孔程序的具体复制保护 — — 大大扩展了可复制保护程序的类别。我们证明中的一个关键工具是不可克隆加密 (UE) 的新变体，我们称之为耦合不可克隆加密 (cUE)。虽然在标准模型中构建 UE 仍然是一个重要的未解决的问题，但我们能够从单向函数构建 cUE。如果我们另外假设 UE 的存在，那么我们可以进一步扩展 qsiO 是复制保护的可穿孔程序类。最后，我们相对于有效的量子预言机构建 qsiO。
用量子材料中的电子相关拓扑平面带固定几何施加的平坦波段将其固定到费米水平
将几何效率的平坦带固定在费米水平上，量子材料中的电子相关拓扑平面带代表了凝结物理物理学中的一个引人入胜的受试者，通常与许多外来现象相关，包括超导性，磁性，磁性和电荷密度波浪级。平面带通常在量子材料中发现，其中库仑相互作用与电子动能相当或大。在这种状态下，电子被显着减慢，以使它们彼此相互作用，因此形成了可能改变宏观材料特性的新兴电子订单。与降低电子速度的电子库仑相互作用产生的狭窄带相反，拓扑平面带源于由于电子波函数的量子破坏性干扰引起的动能的淬灭。在真实材料中寻找平坦带，并揭示相关的有趣现象以及基础的显微镜机制，被共同称为平坦带物理。
使用量子计算和分区的心脏病检测
摘要。心脏病的发病率和死亡率正在增加，这对公共卫生和全球经济产生了负面影响。心脏病的早期发现降低了心脏死亡率和发病率的发生率。最近的研究利用量子计算方法来预测5个以上的心脏病，并且在计算中进行了密集。尽管量子数数量较高，但较早的工作报告说，预测心脏病的准确性较低，没有考虑到异常效应，并且需要更多的计算时间和记忆来预测心脏病。为了克服这些局限性，我们建议使用几个量子位（2至4个）（2至4）提出混合随机森林量子神经网络（HQRF），并考虑了数据集中异常值的影响。在本研究中使用了两个开源数据集Cleveland和Statlog应用量子网络。所提出的算法已应用于两个开源数据集，并利用了两种不同类型的测试策略，例如10倍的交叉验证和70-30列车/测试率。我们将我们提出的方法论的性能与较早的算法（称为杂交量子神经网络（HQNN））的算法进行了比较。HQNN和HQRF在10倍的交叉验证和70/30列车/测试拆分率中的表现均优胜。结果表明，HQNN需要大型培训数据集，而HQRF更适合大型和小型培训数据集。根据实验结果，与HQNN相比，提出的HQRF对异常数据不敏感。与较早的作品相比，拟议的HQRF在使用Cleveland和Statlog数据集的预测心脏病方面的曲线（AUC）下达到了96.43％和97.78％的最大面积，使用HQNN。所提出的HQRF在早期检测心脏病方面非常有效，并将加快临床诊断。