XiaoMi-AI文件搜索系统
World File Search System量子态
超冷分子的量子态操控和冷却
在过去的二十年里，冷分子研究从一个新兴领域发展成为一股强大的科学潮流，拓展了物理科学的视野 1 – 3 。科学界目前正在见证从早期的抱负到有影响力的科学成果和新兴技术的转变。从冷却分子到未探索的低能状态的开创性想法 4 , 5 为更成熟的目标驱动分子量子态控制追求开辟了道路 6 。化学相互作用的研究越来越详细，包括单个反应途径和共振 7 – 9 。分子复杂性已成为展示复杂量子控制和探索新兴现象的一个特征 10 – 15 。通过使用外部场操纵分子来实现具有长程、各向异性相互作用的可调多体哈密顿量的几种想法已经扩展了量子模拟的前景 16 – 20 。具有延长相干时间的分子现在设定了更严格的限制，为量子传感以及探索基本对称性和标准模型以外的新物理开辟了新天地 21 – 23 。此外，对复杂分子的越来越精确的控制恰好符合量子信息的新兴主题，它建立在微观量子系统的高保真操纵之上 24 – 27 。鉴于分子在广泛的物理过程中发挥的核心作用，冷分子领域的进展正在将来自不同学科的科学家聚集在一起。粒子物理学家对使用分子来寻找逃避粒子和场很感兴趣。凝聚态物理学家正在构建量子材料
变分量子态特征求解器
洛斯阿拉莫斯国家实验室是一家采取平权行动/提供平等机会的雇主，由 Triad National Security, LLC 为美国能源部国家核安全局运营，合同编号为 89233218CNA000001。通过批准本文，出版商承认美国政府保留非独占的、免版税的许可，可以为了美国政府的目的出版或复制本文的已发表形式，或允许他人这样做。洛斯阿拉莫斯国家实验室要求出版商将本文注明为在美国能源部的支持下完成的工作。洛斯阿拉莫斯国家实验室坚决支持学术自由和研究人员的发表权利；但是，作为一个机构，实验室并不认可出版物的观点，也不保证其技术上的正确性。
量子神经网络中量子态学习过程的统计分析
量子神经网络 (QNN) 已成为在各个领域追求近期量子优势的有前途的框架，其中许多应用可以看作是学习编码有用数据的量子态。作为概率分布学习的量子模拟，量子态学习在量子机器学习中在理论和实践上都是必不可少的。在本文中，我们开发了一个使用 QNN 学习未知量子态的禁忌定理，即使从高保真初始状态开始也是如此。我们证明，当损失值低于临界阈值时，避免局部最小值的概率会随着量子比特数的增加而呈指数级消失，而只会随着电路深度的增加而呈多项式增长。局部最小值的曲率集中于量子 Fisher 信息乘以与损失相关的常数，这表征了输出状态对 QNN 中参数的敏感性。这些结果适用于任何电路结构、初始化策略，并且适用于固定假设和自适应方法。进行了广泛的数值模拟以验证我们的理论结果。我们的研究结果对提高 QNN 的可学习性和可扩展性的良好初始猜测和自适应方法设定了一般限制，并加深了对先验信息在 QNN 中的作用的理解。
在存在的情况下进行多体量子态控制......
量子态控制对于量子信息处理和通过量子网络传输量子信息至关重要。在本文中，我们研究如何通过设计描述系统内部几何形状或配置的时间相关物理参数来控制多体量子系统的时间演化。一个有趣的经典类比是，一只坠落的猫可以重新调整自己的方向，以便它四脚着地，最大限度地减少对身体的伤害[1-4]。这种经典现象的可控性与这样一个事实有关：猫不是刚体[5]，但可以改变身体的形状和身体各部分的相对方向，使它能够在不违反角动量守恒定律的情况下旋转。在量子领域，自主控制问题可能变得更加复杂，因为量子变形体并不是一个经过充分研究的、能够轻易表现出量子控制特性的平台。为了说明我们的方法，我们考虑一个由耦合谐振子链组成的量子系统，我们将使用它来展示在给定的控制运行时间内通过改变耦合和频率来实现量子猫态的传输和重新定位。
嘈杂环境中的有效量子态跟踪
摘要 量子态断层扫描旨在找到量子态的最佳描述——密度矩阵，是量子计算和通信中必不可少的组成部分。状态断层扫描的标准技术无法跟踪变化的状态，并且在存在环境噪声的情况下通常表现不佳。尽管理论上有不同的方法可以解决这些问题，但迄今为止实验演示很少。我们的方法，矩阵指数梯度 (MEG) 断层扫描，是一种在线断层扫描方法，允许状态跟踪，从第一次测量开始动态更新估计的密度矩阵，计算效率高，即使数据非常嘈杂也能快速收敛到良好的估计值。该算法通过单个参数控制，即其学习率，它决定了性能，并且可以在模拟中根据单个实验进行定制。我们展示了在以光子横向空间模式编码的量子系统上进行 MEG 断层扫描的实验实现。我们研究了我们的方法在静止和演化状态以及显著的环境噪声下的性能，并发现在所有情况下保真度约为 95%。
基于维度自适应机器学习的量子态重建
我们介绍了一种对 n 个量子比特的系统执行量子态重建的方法，该方法使用基于机器学习的重建系统，该系统专门在 m 个量子比特上进行训练，其中 m ≥ n。这种方法无需将所考虑系统的维数与用于训练的模型的维数完全匹配。我们通过使用基于机器学习的方法对随机采样的一、二和三量子比特系统执行量子态重建来展示我们的技术，这些方法专门在包含至少一个额外量子比特的系统上进行训练。基于机器学习的方法所需的重建时间比训练时间要好得多；因此，该技术可以通过利用单个神经网络进行维变量状态重建来节省总体资源，从而无需为每个希尔伯特空间训练专用的机器学习系统。
光子量子态工程过程的动态学习
摘要。高维量子态的实验工程是几种量子信息协议的关键任务。然而，应用现有的量子态工程协议需要对噪声实验装置进行高精度的表征。这在实际场景中往往是缺乏的，影响了工程状态的质量。我们通过实验实现了一个自动自适应优化协议来设计光子轨道角动量 (OAM) 状态。该协议在给定目标输出状态的情况下，根据输出测量统计数据对当前产生的状态的质量进行在线估计，并确定如何调整实验参数以优化状态生成。为了实现这一点，该算法不需要包含生成设备本身的描述。相反，它在完全黑盒的场景中运行，使该方案适用于各种各样的情况。该算法控制的手柄是一系列波片的旋转角度，可用于概率地生成任意四维 OAM 状态。我们在经典和量子领域展示了不同目标状态下的方案，并证明了其对控制参数外部扰动的鲁棒性。这种方法代表了一种强大的工具，可用于自动优化量子信息协议和技术的嘈杂实验任务。
利用神经网络量子态寻找量子临界点
摘要：找到量子临界点的精确位置对于表征零温度下的量子多体系统尤为重要。然而，量子多体系统的研究难度非常大，因为它们的希尔伯特空间维数会随着其尺寸的增大而呈指数增长。最近，被称为神经网络量子态的机器学习工具已被证明可以有效且高效地模拟量子多体系统。我们提出了一种使用神经网络量子态、解析构造的固有受限玻尔兹曼机、迁移学习和无监督学习来寻找量子伊辛模型的量子临界点的方法。我们验证了该方法，并与其他传统方法相比评估了其效率和有效性。
利用自由电子的光子量子态断层扫描
引言——过去几十年来量子光学[1 – 4]的进展使得量子力学的基础测试[5,6]、量子光子态的测量[7 – 9]和量子技术的实现[10 – 14]成为可能。这些成就源于光子探测方案的发展，例如汉伯里·布朗-特威斯实验[15]、符合测量[6]、光子数分辨探测器[16,17]和用于量子态层析成像[18 – 20]的同差探测[7 – 9]。传统的量子光探测器依赖于光子与固态系统（如雪崩光电二极管[21 – 23]、超导纳米线[24,25]和光电倍增管[26,27]）的相互作用。其他灵敏的量子光学探测器依赖于与有效两能级系统（例如原子、囚禁离子或超导量子比特）的光子相互作用 [28 – 32]。更先进的检测方案促进了光学非线性以增加检测带宽 [33,34]。然而，当前的量子光学技术在空间分辨率方面受到限制，并且由于电子元件的响应时间而限制了检测速率和带宽。在这里，我们提出了一种使用自由电子-光子纠缠 [35 – 37] 进行量子光子态层析成像的量子光学检测方案。我们展示了同质型自由电子与光子态的相互作用（图 1）如何通过电子能谱测量在相空间中提取有关该状态的最大信息。这种方法，我们称之为自由电子量子光学检测（FEQOD），具有由电子-光子耦合强度设定的基本信息限制，允许
基于量子态保真度的量子-经典协同训练架构
摘要 最近的进展凸显了当前量子系统的局限性，特别是近期量子设备上可用的量子比特数量有限。这一限制极大地限制了可以利用量子计算机的应用范围。此外，随着可用量子比特的增加，计算复杂性呈指数增长，带来了额外的挑战。因此，迫切需要有效使用量子比特并减轻当前的限制和未来的复杂性。为了解决这个问题，现有的量子应用试图将经典系统和量子系统集成在一个混合框架中。在本文中，我们专注于量子深度学习，并介绍一种名为 co-TenQu 的协作经典量子架构。经典组件采用张量网络进行压缩和特征提取，使高维数据能够编码到具有有限量子比特的逻辑量子电路上。在量子方面，我们提出了一种基于量子态保真度的评估函数，通过双方之间的反馈回路迭代训练网络。co-TenQu 已在模拟器和 IBM-Q 平台上实现和评估。与最先进的方法相比，co-TenQu 在公平环境下将经典深度神经网络的性能提升了 41.72%。此外，它的性能比其他基于量子的方法高出 1.9 倍，在实现相似准确度的同时，使用的量子比特数却减少了 70.59%。