XiaoMi-AI文件搜索系统
World File Search SystemApproximate
mltcp：一种分布式技术，用于近似机器学习的集中式流程计划
1引言有效的流程计划是网络社区中的一个重要且研究的问题[3,5,7,12,13,23,24,27]。使用启发式方法，平衡机制和网络流量的截止日期，在调度流方面有很多工作。传统上，实施流程计划有两种广泛的方法。首先是集中式的AP PROACH，其中中央控制器从所有流中收集网络数字并计算所需的流程度[3，12，13，27，49]。第二个是在分布式的方式借助数据包或开关支持[5,7,23,44]，以分布式的方式进行近似启发式方法，例如最短剩余的处理时间（SRPT）。大多数流程调度方法都集中在传统的数据中心流量上，这是爆发且短[9]。此外，传统数据中心流的到达通常是独立且无法预测的。今天，随着对基于AI的服务的需求不断增长，数据中心中的深度神经网络（DNN）培训和良好的流量已成倍增加。与传统的数据中心工作负载不同，DNN培训和微调作业具有定期的流量模式，在该模式中，每个训练迭代的开始时间都取决于之前迭代的完成，从而对流量到达时间产生依赖性[53，59，64]。我们证明，基于剩余的处理时间（即Pfabric [5]，PDQ [23]和PIAS [7]）的调度技术并不总是最适合安排DNN作业的最佳选择。直觉上，这是因为此类技术根据网络中当前流的状态做出本地调度决策，而无需考虑定期作业的流量到达模式。在DNN工作负载中，这种效果变得不利，其中在一个迭代中完成流量会影响随后迭代的完成时间。最近的研究，例如Muri [64]和Cassini [52，53]，已经证明，对于DNN工作负载，促进交流沟通需求的时间表达到了时间表网络计划。他们将交织的想法定义为一个DNN作业的通信阶段（高网络授权）与计算阶段（低网络
低功耗高精度近似乘法器使用...
摘要——本文提出了一种新颖的近似乘法器设计，该设计在保持高精度的同时实现了低功耗。所提出的设计利用近似高阶压缩器来降低部分乘积生成和累积的复杂性。通过放宽压缩器的精度要求，可以在不影响精度的情况下显著节省功耗。近似乘法器采用混合方法设计，结合了算法和电路级近似。所提出的近似乘法器适用于容错应用，例如数字信号处理、图像和视频处理以及机器学习。该设计展示了功率、面积和精度之间的最佳权衡，使其成为节能计算的有吸引力的解决方案。
来自长虫洞的近似量子码
我们讨论了近似量子纠错码系列，它们作为某些由非交换项组成的量子多体哈密顿量的近简并基态出现。对于精确码，纠错条件可以用低温热场双态中双边互信息的消失来表示。我们考虑了近似码的距离概念，该概念通过要求这种互信息很小而获得，并且我们评估了 SYK 模型和一族低秩 SYK 模型的这种互信息。在外推到接近零温度后，我们发现这两种模型都产生了具有恒定速率的费米子码，因为费米子的数量 N 趋于无穷大。对于 SYK，距离按 N 1 / 2 缩放，对于低秩 SYK，距离可以任意接近线性缩放，例如 N . 99，同时保持恒定速率。我们还考虑了无低能平凡状态性质的类似物，我们将其称为无低能绝热可及状态性质，并表明这些模型确实具有可以在与系统大小 N 不成比例的时间内绝热制备的低能状态。我们讨论了这些代码的全息模型，其中较大的代码距离是由于在一个简单的量子引力模型中出现了长虫洞几何。
电容车辆路由问题的可行性保留的量子近似求解器
电容的车辆路由问题（CVRP）是NP优化概率（NPO），在包括运输和物流在内的各种领域都会出现。CVRP从车辆路由问题（VRP）延伸，旨在确定一辆车辆最有效的计划，以将货物运送到一组客户，但要遵守每辆车的有限承载能力。作为可使用的解决方案的数量，当客户数量增加时，找到最佳解决方案仍然是一个重要的挑战。最近，与经典启发式方法相比，量子近似优化算法（QAOA）是一种量子古典杂种算法，在某些组合优化概率上表现出增强的性能。但是，它的能力在解决包括CVRP在内的受约束优化问题方面显着降低。此限制主要来自将给定问题编码为
量子程序的近似关系推理
摘要：量子计算在实现过程中不可避免地会存在缺陷。这些缺陷来自各种来源，包括硬件级别的环境噪声以及量子算法设计者引入的近似实现，例如低深度计算。鉴于关系逻辑在程序推理中的显著优势以及评估量子程序在其理想规范和不完美实现之间的稳健性的重要性，我们设计了一个证明系统来验证量子程序的近似关系性质。我们通过对著名的量子傅里叶变换低深度近似进行首次形式化验证，证明了我们方法的有效性。此外，我们验证了重复直到成功算法的近似正确性。从技术角度来看，我们开发了近似量子耦合作为研究量子程序近似关系推理的基本工具，这是概率程序中广泛使用的近似概率耦合的新颖概括，回答了先前提出的射影谓词的开放性问题。
量子近似优化：计算智能视角
摘要 — 量子计算是物理学、工程学和计算机科学之间多学科交叉领域的一个新兴领域，有可能对计算智能 (CI) 产生巨大影响。本文旨在向 CI 社区介绍量子近似优化方法，因为它与解决组合问题直接相关。我们介绍了量子计算和变分量子算法 (VQA)。VQA 是一种有效的方法，可以在近期在具有不太可靠量子位和早期纠错的嘈杂中型量子 (NISQ) 设备上实现量子解决方案。然后，我们解释了 Farhi 等人的量子近似优化算法（Farhi 的 QAOA，以避免混淆）。Hadfield 等人将此 VQA 推广到量子交替算子 ansatz (QAOA)，这是一种受自然启发（特别是绝热）的量子元启发式算法，用于近似解决基于门的量子计算机上的组合优化问题。我们讨论了 QAOA 与相关领域的联系，例如计算学习理论和遗传算法，讨论了当前技术和有关混合量子-经典智能系统的已知结果。我们给出了 QAOA 的构建示意图，并讨论了如何使用 CI 技术来改进 QAOA。最后，我们给出了众所周知的最大割、最大二分和旅行商问题的 QAOA 实现，这些可以作为有兴趣使用 QAOA 的 CI 从业者的模板。
基于条件风险价值的投资组合优化改进量子近似优化算法
本文提出了一种基于条件风险价值的改进量子近似优化算法变体，用于解决投资组合优化问题。投资组合优化是一个 NP 难组合问题，旨在选择一组最优资产及其数量，以平衡风险和预期收益。所提出的方法使用 QAOA 来寻找最大化收益同时最小化风险的最佳资产组合，重点关注损失分布的尾端。引入了一种增强的 QAOA 假设，可在优化质量和电路深度之间取得平衡，从而加快收敛速度并提高获得最优解的概率。实验使用纳斯达克的历史股票数据进行，优化股票数量不同的投资组合。对于 16 只股票，我们的方法仅用 35 次迭代就实现了最佳成本值，而标准 QAOA 需要 700 次迭代。我们的方法优于其他方法，尤其是在问题规模增加时。
近似图着色无分布式量子优势
在本研究中，我们解决了近似图着色的分布式计算复杂性，适用于分布式计算的 LOCAL 模型的确定性、随机性和量子版本。简而言之，设置如下：我们有一个带有 푛 个节点的输入图 퐺。每个节点都是一台计算机，每条边代表一个通信链路。计算以同步轮次进行：每个节点向其每个邻居发送一条消息，从其每个邻居接收一条消息，并更新其自身状态。在 푇 轮次之后，每个节点都必须停止并宣布自己的输出，并且输出必须形成输入图 퐺 的适当 푐 着色。如果 퐺 的色数为 휒 ，则在这种情况下，在 푇 = O(푛) 轮中很容易找到 휒 着色，因为在 O(푛) 轮中，所有节点都可以了解其自身连通分量的完整拓扑，并且它们可以通过强力在本地找到最佳着色而无需进一步通信。但关键问题是：我们能在 푇≪푛 轮中将图着色得有多好？如果我们使用可以交换量子信息的量子计算机（可能具有预共享纠缠态），这会有多大帮助？
使用近似误差校正接近量子单例界限
众所周知，没有任何速率为 푅 的量子纠错码能够纠正超过 ( 1 − 푅 )/ 4 部分符号的对抗性错误。但是，如果我们只要求我们的代码能够大致恢复消息呢？在这项工作中，我们针对接近量子单例界限 ( 1 − 푅 )/ 2 的对抗性错误率构建了可有效解码的近似量子码，对于任何恒定速率 푅 。具体来说，对于每个 푅 ∈( 0 , 1 ) 和 훾 > 0，我们构造速率为 푅 、消息长度为 푘 和字母表大小为 2 푂 ( 1 / 훾 5 ) 的代码，这些代码可以有效地解码 ( 1 − 푅 − 훾 )/ 2 分数的对抗性错误，并恢复高达反指数误差 2 − Ω ( 푘 ) 的消息。在技术层面，我们使用经典的鲁棒秘密共享和量子纯度测试将近似量子误差校正减少到合适的量子列表解码概念。然后，我们通过 (i) 引入折叠量子 Reed-Solomon 码和 (ii) 应用新的量子版本距离放大来实例化我们的量子列表解码概念。
稀释液体的丰度
更高形式的对称性是对物质拓扑阶段进行分类的宝贵工具。然而，由于存在拓扑缺陷，相互作用多体系统中出现的高色对称性通常不准确。在本文中，我们开发了一个系统的框架，用于建立具有近似更高形式对称性的有效理论。我们专注于连续的u（1）q形式对称性和研究各种自发和显式对称性破坏的阶段。我们发现了此类阶段之间的双重性，并突出了它们在描述动态高素质拓扑缺陷的存在中的作用。为了研究物质这些阶段的平衡性动力学，我们制定了各自的流体动力学理论，并研究了激发的光谱，表现出具有更高形式的电荷松弛和金石松弛效应。我们表明，由于涡流或缺陷的增殖，我们的框架能够描述各种相变。这包括近晶晶体中的熔融跃迁，从极化气体到磁流失动力学的血浆相变，旋转冰跃迁，超流体向中性液体转变以及超导体中的Meissner效应。