XiaoMi-AI文件搜索系统
World File Search System量子计
囚禁离子量子计算机上的最近质心分类
近年来，量子机器学习在理论和实践方面取得了长足的发展，已成为量子计算机在现实世界中应用的有希望的领域。为了实现这一目标，我们结合了最先进的算法和量子硬件，为量子机器学习应用提供了实验演示，并可证明其性能和效率。具体来说，我们设计了一个量子最近质心分类器，使用将经典数据高效加载到量子态并执行距离估计的技术，并在 11 量子比特离子阱量子机上进行了实验演示，其准确度与经典最近质心分类器的准确度相当，可用于 MNIST 手写数字数据集，并可实现 8 维合成数据的准确度高达 100%。
求解量子计算机上数据库架构的硬变量
使用量子计算机现在可作为云服务可用，可以显示一个可以显示量子优势的应用程序。自然，数据管理是候选领域。工作解决方案需要设计混合量子算法的设计，其中量子计算单元（QPU）和经典计算（通过CPU）合作解决问题。此演示说明了针对数据库架构匹配的NP-HARD变体的端到端解决方案。我们的演示旨在进行教育（希望鼓舞人心），使参与者能够探索关键的设计决策，例如基于QPU和CPU计算的阶段之间的移交。它还将允许参与者通过嬉戏的互动体验动手实践 - 问题尺寸超过当今QPU的局限性。
IBM量子计算机上量子传送的错误缓解
摘要量子计算机可以执行超出经典计算机功能的计算任务，例如在材料科学和化学中模拟量子系统。量子传送是取决于量子计算产生的纠缠状态，量子信息在远处的传递。它正在成为发送信息的一种更安全的方式，但是结果中有噪音。我们试图减轻在IBM云量子计算机上模拟的量子传送误差。我们假设所有IBM量子计算机上的噪声都可以通过降噪矩阵来减轻。我们创建了一个量子传送电路，该电路以四种不同量子状态的500、1000、5000和8192的镜头进行了运行。我们研究了每台机器中的一般错误趋势，并创建了两种类型的降噪矩阵：通用和特定于机器。然后，我们比较了两种矩阵的减轻结果。我们发现在试验期间，每台IBM量子计算机都有噪音。三种测试机器的量子传送的通用降噪矩阵可减少大多数试验的误差，而在缓解后大多数情况下，大多数情况下的误差都在1％-5％之间变化。机器特异性降噪矩阵减轻了大多数机器的误差仅为1-2％，这与未限制的结果相比急剧下降（在三台机器上不同于1％-16％）。与通用缓解矩阵相比，机器特异性矩阵的错误率具有较小的可变性。我们得出的结论是，可以找到三台机器的通用缓解矩阵，但是机器特定的降解矩阵能够实现更准确的结果。
使用量子计算解决组合优化问题：QAP
组合优化（CO）问题一直是由于其复杂性和资源消耗而在大规模问题中找到解决方案的麻烦。但是，这些可以转换为无约束的等效二进制二进制优化（QUBO）模型，其变量为（二进制）决策变量。最佳的是，可以在量子计算机中使用量子退火来有效地解决QUBO模型。
量子计算机上激发态计算的量子轨道最小化方法
摘要：我们提出了一种量子-经典混合变分算法，即量子轨道最小化方法（qOMM），用于获得厄米算子的基态和低激发态。给定表示本征态的参数化拟设电路，qOMM 实现量子电路来表示轨道最小化方法中的目标函数，并采用经典优化器根据拟设电路中的参数最小化目标函数。目标函数具有隐式嵌入的正交性约束，这使得 qOMM 可以对每个输入参考态应用不同的拟设电路。我们进行了数值模拟，试图使用 UCCSD 拟设电路在 STO-3G 基中寻找 H 2 、LiH 和由四个氢原子排列成方格的玩具模型的激发态。将数值结果与现有的激发态方法进行比较，qOMM 不太容易陷入局部最小值，并且可以通过更浅的假设电路实现收敛。
NP-hard 但不再难解？使用量子计算解决优化问题
在过去十年中，公共和工业界的研究资金已将量子计算从早期通过实验实现的 Shor 算法发展到用于解决实际问题的嘈杂中型量子设备 (NISQ) 时代。量子方法很可能能够有效解决某些传统方法无法解决的 (NP) 难优化问题。从我们的角度来看，我们研究量子优化领域，即使用量子计算机解决优化问题。我们通过合适的用例展示进展和障碍，为优化或量子计算等每个主题的研究人员提供量子优化的切入点。我们概述了问题的表述、可用的算法和基准测试。虽然我们展示的是一个概念验证，而不是传统方法和量子方法之间的完整基准，但这让我们了解了量子计算机在优化问题方面的当前质量和能力。所有观察结果都包含在对一些最近的量子优化突破、当前状态和未来方向的讨论中。
利用机器学习潜力拓展量子计算在材料科学领域的应用范围
解决电子结构问题代表了量子计算机的一个有前途的应用领域。目前，人们投入了大量精力设计和优化近期量子处理器的量子算法，目的是使用有限的量子资源在选定的问题实例上超越经典算法。这些方法仍有望具有防止大规模和批量系统量子模拟的运行时间。在这项工作中，我们提出了一种策略，使用在量子模拟数据上训练的机器学习潜能将量子计算方法的范围扩展到大规模模拟。在当今的量子环境中应用机器学习潜能的挑战来自于影响电子能量和力的量子计算的几种噪声源。我们研究了选择各种噪声源的机器学习潜能的可训练性：统计、优化和硬件噪声。最后，我们从实际 IBM Quantum 处理器上计算的氢分子数据构建了第一个机器学习潜能。这已经使我们能够执行任意长且稳定的分子动力学模拟，优于所有当前分子动力学和结构优化的量子方法。
用于在量子计算机上准备自旋本征函数的量子电路
摘要：将量子算法应用于多粒子量子系统的研究需要能够准备与所研究系统的行为相关的波函数。哈密顿对称性是用于对相关多粒子波函数进行分类和提高数值模拟效率的重要工具。本文介绍了在量子计算机上精确和近似准备总自旋本征函数的量子电路。讨论并比较了两种不同的策略：基于角动量加法定理的精确递归构造总自旋本征函数，以及基于合适成本函数的变分优化的启发式近似总自旋本征函数。本文详细说明了这些量子电路的构造，并在 IBM 量子设备上演示了总自旋本征函数的准备，重点关注具有三角连通性的图上的三自旋和五自旋系统。
使用有效场论在量子计算机上模拟对撞机物理
模拟量子场论在广泛能量范围内的完整动态需要非常大的量子计算资源。然而，对于粒子物理学中的许多可观测量，微扰技术足以准确地模拟理论有效范围内除有限能量范围之外的所有能量。我们证明有效场论 (EFT) 提供了一种有效的机制，可以将传统微扰理论容易计算的高能动态与低能动态区分开来，并展示了如何使用量子算法从第一原理模拟低能 EFT 的动态。作为一个明确的例子，我们计算了在标量场论中存在两个 Wilson 线的时间有序乘积的情况下真空到真空和真空到单粒子跃迁的期望值，这与粒子物理学标准模型的 EFT 中出现的对象密切相关。计算是使用量子计算机的模拟以及使用 IBMQ Manhattan 机器的测量来执行的。
使用量子计算机在扩展的宇宙中模拟粒子创建
MACEDA解释了该技术对研究的重要性：“我们仅使用四个量子位，一个用于每个可能的领域状态。但是，由于我们的电路涉及大量量子门，因此在整个执行过程中累积了错误。为了获得可靠的结果，我们应用了缓解错误技术，这有助于提高计算的保真度。”