XiaoMi-AI文件搜索系统
World File Search System经典
比较量子和经典机器学习......
我们报告了量子和经典机器学习技术之间的一致比较，这些技术应用于对矢量玻色子散射过程的信号和背景事件进行分类，该过程在欧洲核子研究中心实验室安装的大型强子对撞机上进行研究。基于变分量子电路的量子机器学习算法在免费提供的量子计算硬件上运行，与在经典计算设施上运行的深度神经网络相比，表现出非常好的性能。特别是，我们表明这种量子神经网络能够正确地对信号进行分类，其特征曲线下面积 (AUC) 非常接近使用相应的经典神经网络获得的特征曲线下面积 (AUC)，但使用的资源数量要少得多，训练集中的可变数据也较少。尽管这项工作是在有限的量子计算资源下给出原理证明的演示，但它代表了
经典和替代最终连接的不足
在真核生物中，双链断裂（DSB）可以通过同源重组（HR）或非同源最终连接（NHEJ）修复。在体细胞中，人力资源非常不具体。因此，绝大多数DSB通过NHEJ的两种不同途径进行修复。经典（CNHEJ）途径取决于het-rodimer ku70/ku80，而聚合酶theta（polq）（polq）是替代（anhej）途径的核心。令人惊讶的是，即使两种途径受损，拟南芥植物也是可行的。但是，它们表现出严重的生长迟缓和生育能力降低。有丝分裂过轴酶的分析表明，双突变体的特征是由于DSB修复缺陷而导致染色体碎片的急剧增加。与单个突变体相反，发现双突变体对诱导DSB的基因毒素博来霉素高度敏感。因此，这两种途径都可以在DSB修复中相互补充。我们推测，在没有NHEJ途径的情况下，HR可能会增强。这对于基因靶向（GT）特别有吸引力，其中使用同源模板引入了预定的变化。不期望的是，与野生型植物相比，POLQ单突变体和双突变体的GT频率明显较低。因此，我们能够证明消除两种NHEJ途径并不对农业介导的GT构成有吸引力的方法。但是，我们的结果清楚地表明，CNHEJ的损失导致GT频率的增加，这对于使用Planta GT策略的实践应用特别有吸引力。
混合量子-经典方法
参考文献 [1] M. Benedetti、E. Lloyd、S. Sack 和 M. Fiorentini，“参数化量子电路作为机器学习模型”，载于《量子科学与技术》4，043001 (2019)。 [2] S. Jerbi、LJ Fiderer、HP Nautrup、JM Kübler、HJ Briegel 和 V. Dunjko，“超越核方法的量子机器学习”，arXiv 预印本 arXiv:2110.13162 (2021)。 [3] V. Havlicek、AD Corcoles、K. Temme、AW Harrow、A. Kandala、JM Chow 和 JM Gambetta，“使用量子增强特征空间的监督学习”，载于《自然》567，209 (2019)。 [4] M. Schuld 和 N. Killoran，“特征希尔伯特空间中的量子机器学习”，载于《物理评论快报》122，040504 (2019)。[5] M. Schuld，“监督量子机器学习模型是核方法”，arXiv:2101.11020 (2021)。 [6] JE Johnson、V Laparra、A Perez-Suay、MD Mahecha 和 G Camps-Valls G，“核方法及其衍生物：地球系统科学的概念和观点”，载于 PLoS ONE 15(10 (2020)。[7] Benyamin Ghojogh、Ali Ghodsi、Fakhri Karray 和 Mark Crowley，“重现核希尔伯特空间、Mercer 定理、特征函数、Nystrom 方法和机器学习中核的使用：教程和调查”，arXiv 预印本 arXiv:2106.08443 (2021)。[8] Y. Liu、S. Arunachalam 和 K. Temme，“监督机器学习中严格而稳健的量子加速”，载于 Nature Physics 17, 1013 (2021)。[9] JR Glick、TP Gujarati、AD Corcoles、Y. Kim、A. Kandala、JM Gambetta 和 K. Temme，“具有群结构数据的协变量子核”，arXiv 预印本 arXiv:2105.03406 (2021)。[10] Francesco Di Marcantonio、Massimiliano Incudini、Davide Tezza 和 Michele Grossi，“QuASK——具有核的量子优势寻求者”，arXiv 预印本 arXiv:2206.15284 (2022)。[11] Supanut Thanasilp、Samson Wang、M Cerezo 和 Zoe Holmes。“量子核方法中的指数集中和不可训练性”，arXiv 预印本 arXiv:2208.11060 (2022)。 [12] Sergey Bravyi、Oliver Dial、Jay M. Gambetta、Dario Gil 和 Zaira Nazario，“超导量子比特的量子计算的未来”，arXiv 预印本 arXiv:2209.06841 (2022 年)。
量子上下文中的经典逻辑
普遍认为，量子力学需要由于其物理含量而对经典的预言进行修订。然而，为了模拟每个量子理论的命题，新的量子逻辑是必不可少的。在本文中，我们通过证明可以在量子环境中恢复经典逻辑来批判性地讨论这一说法，并考虑到Bohmian的力学。的确，这样的理论框架提供了必要的概念工具，以使实验命题的经典逻辑借助其清晰的形而上学的图像及其测量理论。更确切地说，将表明，经典命题演算的康复是该理论原始本体论的结果，这一事实尚未在有关Bohmian机制的文献中得到足够的认可。这项工作旨在填补这一差距。
经典概率的统一处理，...
摘要这些笔记的主要目标是对问题框架的精心介绍。此框架允许使用四个原理或公理的共同集对经典概率理论，热力学和量子概率进行表述。，它为计算未来事件的概率提供了一种一般的预后算法。我们的原则严格区分了可能性和外来。一个良好的可能性空间和结果的样本空间可以解决众所周知的悖论，并做出诸如“许多世界”或“许多思想”“超级流动”之类的量子解释。此外，从我们的角度来看，超级原则和系统的纠缠获得了新的含义。这个框架在希尔伯特的意义上是一种公理的概率方法。他在1900年向巴黎国际数学家国际大会提出的二十三个开放问题中的第六个问题中要求公理地对待概率。我们已将框架应用于各种问题，包括经典问题，统计力学和热力学，多个缝隙的差异，光的重新启动，干涉仪，延迟选择实验以及Hardy的Paradox。特别重点也放在C.F.vonweizséacker的作品，他早在1950年代就发展了他的理论。今天，领先的研究人员以“ Simons在量子场，重力和信息方面的合作”的名义继续他的工作。
混合经典量子计算
摘要。目前，几台商用量子计算机都提供混合经典-量子计算。在这个项目中，金融期权模型——金融市场统计力学 (SMFM) 采用了这种方法。然而，只有经典（超级）计算机才能包含这些模型的量子特征。自 1989 年以来，使用重要性抽样的优化代码自适应模拟退火 (ASA) 已在此类模型中拟合参数。自 2015 年以来，路径积分数值算法 PATHINT 已用于描述多个学科的多个系统。PATHINT 已从 1 维推广到 N 维，并从经典系统推广到量子系统，成为 qPATHINT。已发表的论文描述了 qPATHINT 在新皮质相互作用和金融期权中的应用。SMFM 建模的经典空间拟合非线性非平衡多元统计力学的条件短期概率分布中的参数，而 qPATHINT 建模的量子空间描述量子货币。该项目展示了如何仅使用经典（超级）计算机来计算一些混合经典量子系统。
量子承诺的经典绑定
在经典承诺中，统计绑定意味着几乎所有承诺成绩单最多都有可能的开口。虽然量子承诺（对于经典消息）有时比其经典同行有益（例如在假设方面），它们提供了较弱的结合概念。本质上，发件人不能以明显大于1/2的概率开放给定值的给定承诺。< / div>我们引入了对量子承诺的经典结合概念，该量子承诺提供了类似于经典案例的保证。在我们的概念中，接收器对量子承诺字符串进行（部分）测量，并且该测量结果决定了发件人可以打开的单个值。我们希望我们的概念可以在各种设置中取代经典承诺，而安全证明基本上没有变化。作为一个例子，我们显示了GMW零知识证明系统的合理性证明。我们构建了一种非相互作用的量子承诺方案，该方案是经典的统计结合，并根据任何后量子后单向函数的存在，具有经典的开口。先前的候选人具有固有的量子开口，并且没有经典结合。相反，我们表明，无论假设或复杂性如何，都无法实现统计上隐藏承诺的经典结合。我们的方案只是NAOR的承诺方案（在经典上需要一个常见的随机字符串，CRS），但在CRS的所有可能值中以叠加执行，并重复多次。我们希望使用量子通信去除CRS的技术可以找到其他用途。
在λ-Polytopes的极端点和经典...
我们研究了最近定义的凸线结构的λ-聚型，并应用于通过采样的魔术状态对量子计算的经典模拟。对于每个数字n数字n，都有一个这样的多层。我们建立了{λN，n∈N}族的两个属性，即（i）所有n> m的极端点（顶点）Aα∈λM可用于在λN中构造顶点。（ii）对于通过此映射获得的顶点，具有魔术状态的量子计算的经典模拟可以根据i映射Aα有效地降低为经典模拟。此外，我们描述了λ2中的一个新的顶点，该顶点在已知的分类之外。虽然经典模拟的硬度对于λN的大多数极端点仍然是一个空的问题，但上述结果将量子计算的有效经典模拟扩展到了当前已知的范围之外。
基于经典决策树的量子加速
GT ）量子查询其中 T 是决策树的深度，G 是猜测算法的最大错误数。在本文中，我们给出了一个简单的证明，并将这个结果推广到具有非二进制输入和输出字母表的函数 f ：[ ℓ ] n → [ m ]。我们进行这种推广的主要工具是最近为非二进制函数开发的非二进制跨度程序和对偶对手界限。作为我们主要结果的应用，我们提出了几个量子查询上界，其中一些是新的。特别是，我们证明了有向图 G 的顶点的拓扑排序可以用邻接矩阵模型中的 O（n 3 / 2）量子查询完成。此外，我们证明了邻接表模型中最大二分匹配的量子查询复杂度上限为 O（n 3 / 4 √ m + n）。