XiaoMi-AI文件搜索系统
World File Search SystemFeynman
2024 年费曼奖新闻稿
克劳斯-罗伯特·穆勒是柏林工业大学的计算机科学教授，也是柏林学习和数据基础研究所 (BIFOLD) 的联席主任。他于 1984 年至 1989 年在卡尔斯鲁厄学习物理学，并于 1992 年在卡尔斯鲁厄工业大学获得计算机科学博士学位。在柏林 GMD FIRST 完成博士后工作后，他于 1994 年至 1995 年在东京大学担任研究员。1995 年，他在 GMD-FIRST（后来的弗劳恩霍夫 FIRST）创立了智能数据分析小组，并担任该小组的负责人，直至 2008 年。1999 年至 2006 年，他担任波茨坦大学教授。自 2012 年起，他担任首尔高丽大学的杰出教授。 2020/2021 年，他在谷歌大脑担任首席科学家，度过了休假。除其他外，他还获得了奥林巴斯模式识别奖（1999 年）、SEL 阿尔卡特通信奖（2006 年）、柏林市长颁发的柏林科学奖（2014 年）、沃达丰创新奖（2017 年）、赫克托科学奖（2024 年）、模式识别最佳论文奖（2020 年）、数字信号处理最佳论文奖（2022 年）。2012 年，他当选为德国国家科学院利奥波尔迪纳分校院士，2017 年当选为柏林勃兰登堡学院院士
65 年后费曼对量子计算的设想
1959 年，诺贝尔奖获得者理查德·费曼发表了题为“底部还有足够的空间”的演讲，他强调，为了大幅加快计算速度，我们需要将计算机组件制造得更小——一直到分子、原子甚至基本粒子的大小。在这个层面上，物理学不再由确定性的牛顿力学来描述，而是由概率量子定律来描述。正因为如此，计算机设计师开始思考如何基于非确定性元素设计一台可靠的计算机——这种想法最终导致了现代量子计算的思想和算法。因此，我们有一条加快计算速度的直接途径：学习如何使用分子、原子，然后是基本粒子作为计算设备的构建块。但是，如果我们达到基本粒子的大小会怎样？乍一看，我们似乎将达到计算机速度的绝对极限。然而，正如我们在本文中所展示的，我们可以通过利用基本粒子的内部结构来进一步加快计算速度：例如，质子和中子由夸克组成。有趣的是，相应的数学与所谓的彩色光学计算非常相似——在计算中使用不同颜色的光。
65 年后费曼对量子计算的设想
1959 年，诺贝尔奖获得者理查德·费曼发表了题为“底部还有足够的空间”的演讲，他强调，为了大幅加快计算速度，我们需要将计算机组件制造得更小——一直到分子、原子甚至基本粒子的大小。在这个层面上，物理学不再由确定性的牛顿力学来描述，而是由概率量子定律来描述。正因为如此，计算机设计师开始思考如何基于非确定性元素设计一台可靠的计算机——这种想法最终导致了现代量子计算的思想和算法。因此，我们有一条加快计算速度的直接途径：学习如何使用分子、原子，然后是基本粒子作为计算设备的构建块。但是，如果我们达到基本粒子的大小会怎样？乍一看，我们似乎将达到计算机速度的绝对极限。然而，正如我们在本文中所展示的，我们可以通过利用基本粒子的内部结构来进一步加快计算速度：例如，质子和中子由夸克组成。有趣的是，相应的数学与所谓的彩色光学计算非常相似——在计算中使用不同颜色的光。
因果回路Feynman图和定向无环形图的变异量子量表
我们提出了一种差异量子本素（VQE）算法，用于在循环树二元性中有效地引导多链feynman图的因果表示，或等效地，在有线图中选择了acyclic配置。基于描述多核拓扑的邻接矩阵的循环hamiltonian，其不同的能级对应于循环的数量，而VQE则将其最小化以识别因果或无环构型。该算法已改编成选择多个退化的最小值，从而达到更高的检测率。详细讨论了与基于Grover的算法的性能比较。，VQE方法通常需要更少的量子和较短的电路来实施，尽管成功率较小。
玻尔兹曼机与费曼路径积分的类比
摘要：机器学习对科学、技术、健康以及计算机和信息科学等多个领域产生了重大影响。随着量子计算的出现，量子机器学习已成为研究复杂学习问题的一种新的、重要的途径。然而，关于机器学习的基础存在着大量的争论和不确定性。在这里，我们详细阐述了一种称为玻尔兹曼机的通用机器学习方法与费曼对量子和统计力学的描述之间的数学联系。在费曼的描述中，量子现象源于路径的优雅加权和（或叠加）。我们的分析表明，玻尔兹曼机和神经网络具有相似的数学结构。这允许将玻尔兹曼机和神经网络中的隐藏层解释为路径元素的离散版本，并允许对机器学习进行类似于量子和统计力学的路径积分解释。由于费曼路径是对干涉现象和与量子力学密切相关的叠加原理的自然而优雅的描述，这种分析使我们能够将机器学习的目标解释为通过网络找到路径和累积路径权重的适当组合，从而累积地捕获给定数学问题的 x 到 y 映射的正确属性。我们不得不得出结论，神经网络与费曼路径积分有着天然的联系，因此可能提供了一种被视为量子问题的途径。因此，我们提供了适用于玻尔兹曼机和费曼路径积分的通用量子电路模型。
符号回归程序 AI-Feynman 在心理学中的应用
从自然科学到社会科学，发现数据中隐藏的规律是许多领域的核心挑战。然而，这项任务在历史上依赖于人类的直觉和经验，在许多领域，包括心理学。因此，使用人工智能 (AI) 发现规律有两个显著的优势。首先，它可以发现人类无法发现的规律。其次，它将有助于构建更准确的理论。一种名为 AI-Feynman 的人工智能在一个非常不同的领域发布，表现令人印象深刻。虽然 AI-Feynman 最初是为发现物理学规律而设计的，但它在心理学中也能很好地发挥作用。本研究旨在通过测试 AI-Feynman 是否可以发现双曲折现模型作为折现函数，来检验它是否可以成为跨期选择实验的一种新的数据分析方法。为了实现这些目标，进行了一项跨期选择实验，并将数据输入 AI-Feynman。结果，AI-Feynman 提出了七个折现函数候选。其中一个候选模型是双曲折现模型，目前认为该模型最为准确。三种均方根误差函数均优于双曲折现模型。此外，三种候选模型中有一种比标准双曲折现函数更“双曲”。这些结果表明了两点。一是 AI-Feynman 可以成为跨期选择实验的一种新数据分析方法。二是 AI-Feynman 可以发现人类无法发现的折现函数。
feynman-kac公式的变分量子算法
我们提出了一种算法，该算法是基于变异量子假想时间探索的算法，用于求解由随机差异方程的多维系统产生的feynman-kac局部差异方程。为此，我们利用Feynman-KAC局部差异方程（PDE）与Wick-Rot的Schrödinger方程之间的对应关系。然后将通过变异量子算法获得的A（2 + 1）维feynman-KAC系统的结果与经典的ODE求解器和蒙特卡洛模拟进行比较。我们看到了经典的甲基动物与六个和八个量子的说明性示例之间的显着一致性。在PDE的非平凡情况下，它保留了概率分布 - 而不是保留ℓ2-norm - 我们引入了一个代理规范，该规范可以使解决方案在整个进化过程中近似归一化。研究了与该方法相关的算法复杂性和成本，特别是针对溶液的特性提取。还讨论了定量财务和其他类型的PDE领域的未来研究主题。
feynmanpaqs：用于光子模拟量子计算的图形接口程序
摘要。我们提出了一个具有图形用户界面（GUI）的光子模拟量子计算的用户友好型软件，该软件允许方便地操作而无需程序化技能。可以通过导入波导位置文件或在GUI的交互式板上手动绘制配置来灵活地设置汉密尔顿人。我们的软件为二维量子步行，量子随机步行，多颗粒量子步行和玻色子采样提供了一种强大的理论研究方法，这可能都可以在光子芯片上的物理实验系统中实现，并且它将激发光子量子量子计算和量子计算的丰富多样性。我们已经改进了算法以确保永久计算的效率，并提供了有关教育用途的案例研究，这使用户更容易访问光子量子模拟的研究。©2022光学仪器工程师协会（SPIE）[doi：10.1117/1.oe.61.8.081804]
具有决策图的量子电路混合薛定谔-费曼模拟
摘要 — 量子计算的经典模拟对于这项新兴技术的未来发展至关重要。为此，决策图已被提出作为一种补充技术，它通常可以解决这些模拟固有的指数复杂性。然而，在最坏的情况下，它们仍然无法摆脱这种复杂性。此外，虽然其他技术利用了所有可用的处理能力，但基于决策图的模拟迄今为止无法利用当今系统的许多处理单元。在这项工作中，我们表明，可以通过采用混合薛定谔-费曼方案进行模拟来同时解决这两个问题。更准确地说，我们表明使用决策图实现这种方案确实是可能的，我们讨论了实现过程中产生的问题，并提出了如何处理这些问题的解决方案。实验评估证实，这显著提高了基于决策图的模拟的最新水平——允许在几分钟内模拟某些硬电路，而这些电路迄今为止无法在一整天内模拟。索引词 — 量子计算、经典模拟、决策图、混合薛定谔-费曼
约翰·普雷斯基尔 (John Preskill) Richard P. Feynman 理论教授……
约翰·普雷斯基尔是加州理工学院的理查德·费曼理论物理学教授，也是加州理工学院量子信息与物质研究所所长。普雷斯基尔于 1980 年获得哈佛大学物理学博士学位，并于 1983 年加入加州理工学院任教。普雷斯基尔的职业生涯始于粒子物理学和宇宙学，但现在他的主要研究领域是量子信息科学。他感兴趣的是如何构建和使用量子计算机，以及我们对量子信息的深入理解如何阐明基础物理学中的问题。您可以在 Twitter 上关注他 @preskill。