XiaoMi-AI文件搜索系统
World File Search SystemApproximate
量子近似优化算法（QAOA）
Farhi 等人 [ 17 ] 证明，在某些条件（难以满足）下，QAOA 可以找到组合优化问题的近似解。该算法的潜力和挑战引起了许多研究人员的注意，其中包括 [ 6 ， 29 ， 44 ] 等。QAOA 的灵感来自量子绝热算法 (QAA)，该算法旨在找到 Hermitian 矩阵的最小特征值，该特征值称为基态能量 [ 17 ， 19 ， 20 ]。QAA 从一个 Hermitian 矩阵（具有已知基态）开始，在追踪基态的同时逐渐演化为另一个具有未知基态的 Hermitian 矩阵。QAA 的演化时间可能是指数级的，因此计算成本很高 [ 17 ]。此外，QAA 的成功概率通常不是运行时间的单调函数，而 QAOA 具有最优参数的性能会随着迭代次数（称为级别）的增加而提高 [ 17 ]。
优化近似凸函数的量子加速及其在对数遗憾随机凸老虎机中的应用
贡献。在本文中，我们系统地研究了近似凸函数优化的量子算法，并将其应用于零阶随机凸老虎机。量子计算是一项快速发展的技术，量子计算机的能力正在急剧提升，最近谷歌 [ 6 ] 和中国科学技术大学 [ 42 ] 已经达到了“量子至上”。在优化理论中，半定规划 [ 3 ， 4 ， 11 ， 12 ]、一般凸优化 [ 5 ， 15 ]、优化中的脱离鞍点问题 [ 41 ] 等问题的量子优势已被证明。然而，据我们所知，近似凸优化和随机凸优化的量子算法是广泛开放的。在本文中，我们使用量子零阶评估预言机 OF 来考虑这些问题，这是先前量子计算文献中使用的标准模型 [ 5 ， 14 ， 15 ， 41 ]：
宽大的浮点FFT设计宽...
Chenyi Wen是博士学位。由智格大学信息科学与电子工程学院郑朱教授监督的学生。她获得了学士学位2022年智格大学微电子科学与工程学学位。她的研究兴趣包括近似计算和低功率优化。
近似分析解决方案，用于自由飞行空间机器人的态度运动及其非独立特性的分析
近年来，已经提出了许多高级太空任务，例如轨道上的建筑和轨道维修，预计未来的自由飞行太空机器人将来需要更加聪明，多才多艺和灵活。这种高级任务所需的技术之一是态度控制，该态度控制积极使用态度运动的非语言特性。尽管在先前的研究中提出了某些控制方法，但它们的适用性受到限制。因此，有必要开发可以应用于高级空间机器人的分析工具。在本研究中，对态度运动的分析研究是针对积极使用非义学特性的未来自由飞行太空机器人进行的。为了以一般形式得出溶液，我们使用旋转基质运动学方程并使用Magnus膨胀来求解该方程。由于这种分析，衍生的解决方案保留了三维态度运动的谎言组的结构。作为一种实用的解决方案，我们得出了“直线致动”的解决方案，这有助于简洁的表述。我们还将派生的解决方案应用于对态度运动的非物质学的分析，并确认分析解决方案对于全面理解非义学系统是有用的。
使用临床前效率和身体表面积的转化预测肿瘤学上近似临床有效剂量：回顾性分析
使用已发表的临床前数据评估了人类肿瘤 - Xenograpt小鼠模型中有效剂量的相关性与批准肿瘤学剂的人类临床剂量之间的相关性。对于90个批准的小分子抗癌药物，身体表面积（BSA）校正的小鼠有效剂量有力地预测了人类临床剂量范围，其中85.6％的预测占建议的临床剂量的3倍（3倍），而在2××内的预测范围为63.3％。这些结果表明，BSA转化是一种有用的工具，用于从早期发现阶段从小鼠异种移植模型中估算小分子肿瘤剂的人剂量。然而，基于BSA的剂量转化率很差预测静脉内抗体和抗体药物结合抗癌药物。基于抗体的药物，预测剂量的30（16.7％）中的五个（16.7％）在推荐的临床剂量的3倍以内。基于体重的剂量投影是适度预测的，其中66.7％的药物在推荐的临床剂量的3倍以内预测。在ADC中，相关性稍好一些（3倍为77.7％）。在早期发现阶段和临床试验的设计中，此类简单剂量估计方法的应用和局限性在此回顾性分析中也进行了讨论。
贝叶斯网络结构学习的量子近似优化算法
贝叶斯网络结构学习是一个 NP 难问题，近几十年来许多传统方法都面临着这一问题。目前，量子技术提供了广泛的优势，可用于解决使用传统计算方法无法有效解决的优化任务。在这项工作中，一种特定类型的变分量子算法，即量子近似优化算法，用于解决贝叶斯网络结构学习问题，采用 3 n (n − 1) / 2 量子比特，其中 n 是要学习的贝叶斯网络中的节点数。我们的结果表明，量子近似优化算法方法可提供与最先进方法相媲美的结果，并且对量子噪声具有定量的弹性。该方法被应用于癌症基准问题，结果证明了使用变分量子算法来解决贝叶斯网络结构学习问题的合理性。
用于个性化癫痫发作预测的自适应、无标记和实时近似学习平台 (AURA)
高性能事件检测系统是进行某些预测研究所需的全部。在这里，我们介绍 AURA：一种使用未标记的实时数据训练的自适应预测模型，使用内部生成的近似标签进行实时训练。通过利用时间序列数据的相关性质，一对检测和预测模型耦合在一起，使得检测模型自动生成标签，然后用于训练预测模型。AURA 依赖于几个简单的原则和假设：(i) 目标应用中事件预测/预报模型的性能仍然低于事件检测模型的性能，(ii) 检测到的事件被视为弱标签，并被认为足够可靠，可用于在线训练预测模型，以及 (iii) 系统性能和/或系统响应反馈特性可以针对被测对象进行调整。例如，在医疗患者监测中，这可以实现个性化预测模型。癫痫发作预测被认为是 AURA 的理想测试案例，因为发作前脑电波因患者而异，根据患者情况定制模型可以显著提高预测性能。AURA 用于为 10 名患者生成个人预测模型，结果显示灵敏度平均相对提高 14.30%，误报率降低 19.61%。本文提出了一个概念验证，证明了在时间序列神经生理数据流上进行在线迁移学习的可行性，为低功耗神经形态神经调节系统铺平了道路。
QiBAM：应用于 DNA 读取比对的量子加速器上的近似子字符串索引搜索
摘要：随着小型量子处理器从实验物理实验室过渡到工业产品，这些处理器有望在几年内扩大规模并变得更加强大，以高效计算各个领域的重要算法。在本文中，我们提出了一种量子算法来解决基因组序列重建数据处理这一具有挑战性的领域。这项研究描述了一种用于子序列比对的量子算法的架构感知实现。提出了一种名为 QiBAM（量子索引双向联想记忆）的新算法，该算法使用基于汉明距离的近似模式匹配。QiBAM 从两个方面扩展了 Grover 的搜索算法，允许：（1）基因组学中读取错误所需的近似匹配，以及（2）在 DNA 序列的量子编码上分布式搜索多个解决方案。这种方法比传统算法的速度提高了二次。提供了该算法的完整实现，并使用 OpenQL 编译器和 QX Simulator 框架进行了验证。我们的实施代表了对全栈量子加速基因组测序管道设计的首次探索。
一种具有错误率保证的高效近似节点合并方法
近似计算是针对容错应用的一种新兴设计范式，例如信号处理和机器学习。在近似计算中，近似电路的面积、延迟或功耗可以通过牺牲其精度来改善。在本文中，我们提出了一种基于节点合并技术并保证错误率的近似逻辑综合方法。我们的方法的思想是用常数值替换内部节点，并合并电路中两个功能相似的节点。我们在一组 IWLS 2005 和 MCNC 基准上进行了实验。实验结果表明，我们的方法最多可以减少面积 80%，平均减少 31%。与最新方法相比，在同样 5% 的错误率约束下，我们的方法加速了 51 倍。
量子近似图切割
确定由基于温度的复制品交换分子动力学（T-REMD）完成的最佳蛋白质构型用于使用蛋白质结合分析，这是准确描绘蛋白质在不同溶剂环境中的行为的重要过程，尤其是在确定蛋白质最佳结合位点以在蛋白质粘结剂和蛋白质蛋白质中使用的最佳结合位点。然而，该分析的完成（通过配置变化推出了顶部绑定位点）是一个多项式状态计算问题，即使在最快的超级计算机上，也可能需要多个小时来计算。在这项研究中，我们旨在确定图形切割是否提供近似溶液，最大问题可以用作一种方法，以在确定表面活性剂蛋白A（SP-A）顶部结合位点（SP-A）的顶部结合位点进行结合分析，以提供与T-REMD相似的结果。此外，我们使用实际量子处理器单元（QPU）在IFF技术的Polar+软件包中使用量子混合算法，使用模拟QPU或量子抽象的机器（QAM）在大型经典计算设备上实现Polar+的实现，并在经典的MaxCut Algorith上实施，以确定超级Commuthm ge grom computige of grow of SuperComputimant of SuperComputime，以确定超级计算机的范围。用于此问题的量子计算设备，甚至在经典设备上使用量子算法。这项研究发现，Polar+对MaxCut近似算法的经典实现或GROMACS T-REMD的使用提供了巨大的加速，并在其QPU和QAM实现中产生可行的结果。然而，使用图切割方法后，缺乏直接构型变化在SP-A的结构上产生的最终结合结果与GROMACS T-REMD产生的结合结果不同。因此，需要完成进一步的工作，以将基于量子的概率转换为基于各种噪声条件的配置更改，以更好地确定量子算法和量子设备在不久的将来可以提供的准确性优势。