XiaoMi-AI文件搜索系统
World File Search SystemANSATZ
tencirchem：NISQ ERA的有效量子计算化学包
量子计算利用量子效应来存储和处理数据，这可能导致计算化学的革命。1-5，随着嘈杂的中级量子量子（NISQ）计算的出现，6台具有数十个易于错误的Qubits的设备越来越多地用于研究人员和公众。7 - 10由于此类设备无法运行大深度结构化量子算法，因此如何最好地利用它们来解决化学问题的问题具有深厚的科学和商业意义。近年来，在开创性的提案（例如变异量子本质量（VQE））之后，11研究集中在基于参数化量子电路（PQC）的变异算法上。12-14从长远来看，量子相估计（QPE）算法提供了评估分子系统能量的有前途的途径，因为它可能在经典的完整构型间相比（FCI）处理方面具有指数优势。15，16与VQE相比，运行QPE所需的电路深度通常太深而无法在近期量子设备上运行，这使得VQE成为NISQ时代的选择方法。VQE使用参数化的量子电路来表示系统的波函数，并通过调整电路参数来最大程度地减少能量变化来起作用。在这种情况下，量子电路在经典的量子化学算法中起着与ANSATZ相同的作用，同样，也提出了各种不同的ANSA tze。第一个建议是分离的统一耦合群集（UCC）Ansatz，11
通过运算符池平铺扩展自适应量子模拟算法
自适应变分量子模拟算法使用来自量子计算机的信息来动态创建给定问题汉密尔顿函数的最佳试验波函数。这些算法中的一个关键因素是预定义的运算符池，从中构建试验波函数。随着问题规模的增加，找到合适的池对于算法的效率至关重要。在这里，我们提出了一种称为运算符池平铺的技术，该技术有助于为任意大的问题实例构建问题定制的池。通过首先使用大型但计算效率低下的运算符池对较小问题实例执行自适应导数组装问题定制拟定变分量子特征求解器 (ADAPT-VQE) 计算，我们提取最相关的运算符并使用它们为更大的实例设计更高效的池。我们在这里对一维和二维的强相关量子自旋模型演示了该方法，发现 ADAPT 会自动为这些系统找到一个高效的拟定。鉴于许多问题（例如凝聚态物理学中出现的问题）具有自然重复的晶格结构，我们预计池平铺方法将成为一种适用于此类系统的广泛适用技术。
通过有序幺正对 Li6 核进行量子计算……
变分量子本征值求解器 (VQE) 是一种计算量子多体系统基态和激发态能量的算法。该算法的一个关键组成部分和一个活跃的研究领域是参数化试验波函数的构建——即所谓的变分拟定。波函数参数化应该具有足够的表现力，即对于某些参数值的选择，能够表示量子系统的真实本征态。另一方面，它应该是可训练的，即参数的数量不应该随着系统的大小呈指数增长。在这里，我们将 VQE 应用于寻找奇奇核 6 Li 的基态和激发态能量的问题。我们研究了在酉耦合团簇拟定中对费米子激发算子进行排序对 VQE 算法收敛的影响，方法是仅使用保留 J z 量子数的算子。在降阶的情况下，精度提高了两个数量级。我们首先使用具有任意测量精度的经典状态向量模拟器计算最佳假设参数值，然后使用这些值评估 IBM 超导量子芯片上 6 Li 的能量本征态。我们使用误差缓解技术对结果进行后处理，并能够重现精确的能量，对于 6 Li 的基态和第一激发态，误差分别为 3.8% 和 0.1%。
炒作还是启发式？加入订单优化的量子加固学习
摘要 - 识别最佳加入订单（JOS）在数据库研究和工程中引人注目。由于较大的搜索空间，已建立的经典方法依赖于近似和启发式方法。最近的努力成功地探索了JO的强化学习（RL）。同样，RL的量子版本也受到了相当大的科学关注。然而，如果他们能够通过改进的量子处理器获得可持续的总体实践优势，这是一个悬而未决的问题。在本文中，我们提出了一种新的方法，该方法基于混合变量量子ANSATZ，使用量子增强学习（QRL）。它能够处理一般的灌木丛树木，而不是根据基于量子（ - 启发）优化的方法来求助于更简单的左底变体，但需要多个幅度较少的量子，即使对于nisq后系统来说，这也是一个稀缺的资源。尽管电路深度中等，但ANSATZ超过了当前的NISQ功能，这需要通过数值模拟进行评估。虽然QRL在解决结果质量方面解决JO问题（尽管我们看到奇偶校验）可能并没有明显超过分类方法，但我们发现所需的可训练参数的大幅度降低。此优势实际上相关的方面，从较短的培训时间到经典的RL，涉及的经典优化通过或更好地使用可用培训数据，并且适合数据流和低延迟处理方案。索引术语 - Quantum机器学习，加固学习，查询优化，数据库管理系统我们的全面评估和仔细的讨论对可能的实际量子优势提供了平衡的观点，为将来的系统性处理提供了见解，并允许定量评估数据库管理系统最关键问题之一的量子方法的权衡。
参考状态误差缓解：化学高精度量子计算的策略
摘要：变形和门错误严重限制了最先进的量子计算机的功能。这项工作介绍了一种量子化学的参考状态误差（REM）的策略，可以直接在当前和近期设备上实施。REM可以与现有的缓解程序一起应用，同时需要最少的后处理，并且只有一个或没有其他测量值。该方法对基础量子机械ansatz不可知，并且是为变异量子本质量器而设计的。在超导量子硬件上证明了小分子基态能量（H 2，HEH +和LIH）的计算准确性（H 2，HEH +和LIH）的两种量顺序。模拟来证明该方法的可扩展性。■简介
变分量子电路中测量引起的纠缠相变
变分量子算法 (VQA) 经典地优化参数化量子电路以解决计算任务，有望增进我们对量子多体系统的理解，并使用近期量子计算机改进机器学习算法。这类量子-经典混合算法面临的突出挑战是与其经典优化相关的量子纠缠和量子梯度的控制。这些量子梯度被称为贫瘠高原现象，在体积定律纠缠增长的情况下，它们可能会迅速消失，这对 VQA 的实际应用构成了严重障碍。受最近对随机电路中测量诱导纠缠转变研究的启发，我们研究了具有中间投影测量的变分量子电路中的纠缠转变。考虑 XXZ 模型的哈密顿变分拟定 (HVA) 和硬件高效拟定 (HEA)，我们观察到随着测量率的增加，测量诱导的纠缠转变从体积定律到面积定律。此外，我们提供了证据表明，该转变属于随机酉电路的同一普适性类别。重要的是，该转变与经典优化中从严重到温和/无贫瘠高原的“景观转变”相吻合。我们的工作可能为通过在当前可用的量子硬件中结合中间测量协议来提高量子电路的可训练性提供一条途径。
使用量子虚时间演化求解 MaxCut
摘要 我们介绍了一种基于量子虚时间演化 (QITE) 有效解决 MaxCut 问题的方法。我们采用线性 Ansatz 进行幺正更新和不涉及纠缠的初始状态，以及在给定图和切除两个边的子图之间插值的虚时间相关哈密顿量。我们将该方法应用于数千个随机选择的图，最多有 50 个顶点。我们表明，对于所有考虑的图，我们的算法表现出 93% 及以上的性能，可以收敛到 MaxCut 问题的最大解。我们的结果与贪婪算法和 Goemans-Williamson 算法等经典算法的性能相比毫不逊色。我们还讨论了 QITE 算法的最终状态与基态的重叠作为性能指标，这是其他经典算法所不具备的量子特征。
通过深钢筋学习发现量子错误校正代码
相关工作：QEC代码构建的先前计算方法仅限于找到与图形[3]相关的代码子类（但不是编码电路）的子类，或者基于昂贵的数值贪婪搜索查找稳定器代码[4]。也已经开发了基于ML的方法，例如[5 - 8]。[7]还设定了寻找代码及其编码电路的任务，但这是使用涉及连续参数化门的各种量子电路完成的，这导致了更为昂贵的数值模拟，最终仅是近似QEC方案。我们基于RL的方法不依赖于任何人提供的电路Ansatz，可以直接使用任何给定的离散门集，并且能够利用高效的Clifford模拟。特别是，我们能够发现较大量子数（14 vs 15）和较大的代码距离（4 vs 5）的代码和编码电路。
利用量子虚时间演化求解 MAXCUT
我们介绍了一种基于量子虚时间演化 (QITE) 高效解决 MaxCut 问题的方法。我们采用线性 Ansatz 进行幺正更新和不涉及纠缠的初始状态，以及在给定图和切除两个边的子图之间插值的虚时间相关哈密顿量。我们将该方法应用于数千个随机选择的图，最多有 50 个顶点。我们表明，对于所有考虑的图，我们的算法表现出 93% 及以上的性能，收敛到 MaxCut 问题的最大解。我们的结果与经典算法（例如贪婪算法和 Goemans-Williamson 算法）的性能相比毫不逊色。我们还讨论了 QITE 算法的最终状态与基态的重叠作为性能指标，这是其他经典算法所不具备的量子特征。
分而治之的组合优化和分布式量子计算
摘要 — 扩展单片量子计算机系统的规模是一项艰巨的任务。随着设备内量子比特数量的增加，许多因素会导致产量和性能下降。为了应对这一挑战，由许多联网量子计算机组成的分布式架构已被提议作为实现可扩展性的可行途径。这样的系统将需要针对其分布式架构量身定制的算法和编译器。在这项工作中，我们引入了量子分而治之算法 (QDCA)，这是一种将大型组合优化问题映射到分布式量子架构上的混合变分方法。这是通过结合使用图形分区和量子电路切割来实现的。QDCA 是应用程序-编译器协同设计的一个例子，它改变了变分假设的结构，以控制量子电路切割带来的指数编译开销。这种跨层协同设计的结果是一种高度灵活的算法，可以根据可用的经典或量子计算资源量进行调整，并可应用于短期和长期分布式量子架构。我们在最大独立集问题实例上模拟了 QDCA，发现它能够胜过类似的经典算法。我们还在超导量子计算机上评估了 8 量子比特 QDCA 假设，并表明电路切割有助于减轻噪声的影响。我们的工作展示了多少台小型量子计算机可以协同解决比其自身量子比特数大 85% 的问题，从而推动了大规模分布式量子计算的发展和潜力。