XiaoMi-AI文件搜索系统
World File Search System给定状态
1 什么是人工智能（AI）：
在随机推理模型中，系统可以从一个给定状态转换到多个状态，这样从给定状态转换到下一个状态的概率之和严格为 1。另一方面，在模糊推理系统中，从给定状态转换到下一个状态的成员值之和可能大于或等于 1。信念网络模型会更新分配给网络中嵌入事实的随机/模糊信念，直到达到平衡条件，此后信念将不再发生变化。最近，模糊工具和技术已应用于称为模糊 Petri 网的专门信念网络，以通过统一方法处理数据的不精确性和知识的不确定性
张量网络状态的量子压缩
摘要 我们为张量网络状态的参数族设计量子压缩算法。我们首先建立存储给定状态族中的任意状态所需的内存量的上限。该上限由合适流网络的最小割确定，并与从指定状态的参数流形到状态所体现的物理系统的信息流有关。对于给定的网络拓扑和给定的边维度，当所有边维度都是同一整数的幂时，我们的上限是严格的。当不满足此条件时，该上限在乘法因子小于 1.585 时是最佳的。然后，我们为一般状态族提供了一种压缩算法，并表明该算法对于矩阵乘积状态在多项式时间内运行。
状态的量子性和幺正运算
摘要 本文研究了量子态可能具有的各种被认为特有的“量子”性质（纠缠、非局域性、可控性、负条件熵、非零量子不一致性、非零量子超不一致性以及语境性）及其对立面。本文还在以下意义上考虑了它们的“绝对”对应物：如果给定状态在任意幺正变换后仍然具有给定属性，则它绝对地具有该属性。总结了所列属性之间以及它们的绝对对应物之间的已知关系。证明了唯一绝对具有零量子不一致性的两量子比特状态是最大混合态。最后，讨论了有关“经典”和“量子”这两个术语的概念问题。
可用状态的最佳近似和三重不确定关系
在量子信息处理与计算中，凸结构在量子态、量子测量和量子信道的集合中起着重要作用。一个典型的凸结构问题是量子态鉴别，它从一组给定的量子态 {| Ψ i ⟩} ni =1 中区分出一个量子态，其中先验概率 pi 满足 ∑ nipi = 1，参见[1–4]。最近，[5–8] 考虑了不可用量子态到可用状态集合的最佳近似问题。对于给定状态 ρ，问题改写为从 {| Ψ i ⟩} ni =1 中寻找最难区分的状态，使得 ρ 与凸集 ∑ nipi | Ψ i ⟩⟨ Ψ i | 之间的距离最小[7]，该问题的解决有利于可用量子资源的选择[9–11]。与量子相干性和量子纠缠的距离测度的选择类似，我们在这里采用迹范数作为距离的测度[12–18]。
第五讲：利用电路进行计算
状态 | 0 ⟩ 和 | 1 ⟩ 称为基态，上述方程的状态为：任何长度为 1 的基态的线性组合都是有效状态。在谈论状态长度时，我们将其视为矢量。请记住，这对应于量子力学的第一公设。重要的是，给定状态 | ψ ⟩ = α | 0 ⟩ + β | 1 ⟩ 的物理量子比特，不可能找出 α、β。我们只能测量量子比特。让我们举一个测量的例子。如果我们在标准基础上进行测量，基态为 | 0 ⟩ 和 | 1 ⟩ ，那么我们将有 | α | 2 的概率观察到状态 | 0 ⟩ ，并以 | β | 2 的概率得到状态 | 1 ⟩ 。这为为什么状态的范数应该为 1 提供了更多理由。与经典计算的情况一样，我们使用多个量子比特在量子计算机中存储数据。两个量子比特的可能状态是什么？基态应该是 | 0 ⟩| 0 ⟩ 、 | 0 ⟩| 1 ⟩ 、 | 1 ⟩| 0 ⟩ 和 | 1 ⟩| 1 ⟩ 。我们将状态 | 0 ⟩| 0 ⟩ 与状态 | 00 ⟩ 等同，其他基态也类似。和以前一样，我们会说这些状态的任何线性组合都是有效状态。
使用深钢筋学习的非线性最佳控制
摘要，我们根据深钢筋学习的应用（DRL）提出了范式控制流体流体的转变。此策略正在迅速在机器学习社区中传播，并且以与非线性控制理论的联系而闻名。DRL的起源可以追溯到最佳控制对非线性问题的概括，在连续公式中引导到Hamilton-Jacobi-Bellman（HJB）方程，DRL旨在提供离散的，数据驱动的近似值。DRL中唯一的先验要求是定义瞬时奖励，以衡量系统处于给定状态时动作的相关性。然后将值函数定义为预期的累积奖励，这是最大化的目标。通过神经网络近似控制动作和值函数。在这项工作中，我们通过参数分析在一维[4]中控制了DRL和重新发现我们最近控制Kuramoto-Sivashinsky（KS）方程的结果。
![arXiv:2207.01360v1 [quant-ph] 2022 年 7 月 4 日](/simg/g:\will\search\icon\source\1\18c036a56efe585b77730a87b187d71b9866fa78.webp)
arXiv:2207.01360v1 [quant-ph] 2022 年 7 月 4 日
近年来，量子计算的快速发展引发了人们的广泛兴趣，人们开始开发可扩展的量子信息理论方法，以用于大型量子系统。例如，已经提出了几种方法来绕过断层扫描状态重建，同时在一定程度上保留了估计先前测量的给定状态的多种物理特性的能力。在本文中，我们介绍了虚拟线性映射算法 (VILMA)，这是一种新方法，它不仅可以使用信息完整测量结果的经典后处理来估计多个算子平均值，还可以在任意（不一定是物理的）k 局部映射的低深度电路下对测量参考状态的图像进行估计。我们还表明，VILMA 允许通过一系列有效的线性程序对虚拟电路进行变分优化。最后，我们探索了该算法的纯经典版本，其中输入状态是具有经典有效表示的状态，并表明该方法可以准备多体哈密顿量的基态。
劳伦斯伯克利国家实验室
摘要 — 近期量子计算机的错误率很高，相干时间很短，因此，尽可能缩短电路的编译时间至关重要。通常考虑两种类型的编译问题：从固定输入状态准备给定状态的电路，称为“状态准备”；以及实现给定酉运算的电路，例如通过“酉合成”。在本文中，我们解决了一个更一般的问题：将一组 m 个状态转换为另一组 m 个状态，我们称之为“多状态准备”。状态准备和酉合成是特殊情况；对于状态准备，m=1，而对于酉合成，m 是整个希尔伯特空间的维度。我们以数字方式生成和优化多状态准备电路。在基于矩阵分解的自上而下方法也可行的情况下，我们的方法可以找到具有明显（最多 40%）更少的双量子比特门的电路。我们讨论了可能的应用，包括有效准备宏观叠加（“猫”）状态和合成量子信道。索引词——量子计算、状态准备、编译、合成