XiaoMi-AI文件搜索系统
World File Search SystemGaussian
![arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日](/simg/g:\will\search\icon\source\1\19db740cce0245b08c148ebef75956b87001d07d.webp)
arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日
我们提出了用于经典模拟高斯幺正和应用于非高斯初始状态的测量的有效算法。这些构造基于将非高斯状态分解为高斯状态的线性组合。我们使用协方差矩阵形式的扩展来有效地跟踪高斯状态叠加中的相对相位。我们得到了一个精确的模拟算法，其成本与表示初始状态所需的高斯状态数成二次方关系，以及一个近似模拟算法，其成本与与叠加相关的系数的 l 1 范数成线性关系。我们定义了量化此模拟成本的非高斯性度量，我们将其称为高斯秩和高斯范围。从量子资源理论的角度，我们研究此类非高斯性测度的性质，并计算与连续变量量子计算相关的状态的最佳分解。
乔治·P·康图迪斯
· “使用高斯过程的分散式信息路径规划”，NSF FRR-NRI PI 会议，美国巴尔的摩，2024 年。[海报展示] · “最佳运动动力学运动规划和信息路径规划”，计算机科学与机器人研讨会，科罗拉多矿业学院，美国戈尔登，2024 年。[口头报告] · “使用高斯过程的分散式联邦学习”，IEEE 多机器人和多智能体系统国际研讨会 (MRS)，美国波士顿，2023 年。[口头报告] · “高斯过程的自适应探索-利用主动学习”，IEEE/RSJ 智能机器人与系统国际会议 (IROS)，美国底特律，2023 年。[口头和海报展示] · “使用高斯过程替代物的预期方差减少进行自适应采样的闭式主动学习”美国控制会议（ACC），美国圣地亚哥，2023 年。[口头报告]·“用于多机器人系统探索的分散高斯过程学习”马里兰机器人中心研究研讨会，美国学院公园，2023 年 5 月。[口头报告 - 特邀演讲]·“用于自适应采样的高斯过程替代品的可扩展探索-利用主动学习”马里兰机器人中心研究研讨会，美国学院公园，2023 年 5 月。[海报展示]·“使用分散高斯过程的多机器人自适应采样”，分布式自主机器人系统国际研讨会（DARS），法国蒙贝利亚尔，2022 年 11 月。[海报展示]
光子学
•射线射线光学光学（几何（几何光学）光学）:: Fermat的Fermat的Fermat的原理，原理，原理，携带携带和矩阵矩阵光学元件.. s l s l s l s l s l s l s l s l w o ti o ti o ti（i t f＆g i g i g i g i s claverian scressic corterican s clave and clave scallice sclasic scallice scallice clave and clave wave wave wave wave（ Beams) Beams): Scalar Scalar wave wave equation, equation, Helmholtz Helmholtz equation, equation, Superpostion Superpostion of of Waves, Waves, Interferometers, Interferometers, Paraxial Paraxial Wave Wave Equation, Equation, Gaussian Gaussian Beam Beam Solution, Solution, ABCD ABCD Law, Law, Hermite Hermite-Gaussian Gaussian Beams Beams.ABCD ABCD法律，法律，Hermite Hermite高斯高斯横梁。•激光激光物理物理学：轻度放大，放大，抽水计划，方案，增益系数，系数，系数，激光激光输出（CW（CW（CW和脉冲）脉冲）。声音大声疾呼，光学和非线性非线性光学元件• Electromagnetic Electromagnetic Optics Optics:: Maxwell Maxwell Equations Equations in in Vacuum Vacuum and and Dielectrics, Dielectrics, Monochromatic Monochromatic Waves, Waves, Plane Plane Waves, Waves, Polarization Polarization Ellipse, Ellipse, Jones Jones Formalism, Formalism, Reflection Reflection and and Refraction Refraction of of Light Light from from aa Boundary边界..•Fabry Fabry-孔孔洞腔::平面平面腔，腔，阻尼，阻尼，技巧，技巧，技巧，球形球形 - 镜面镜面腔，腔，稳定稳定和不稳定的不稳定型腔。光学光学涂层涂层设计•光子光子光学光学和光材料 - 物质材料相互作用::光子光子光子和光子光子流式流式材料材料属性属性，并模型模型光子光子和原子和原子和原子和原子流，以及流，材料，材料材料属性以及模型，模型，模型，模型，模型，光子，光子光子和型号。
isatis.neo：使地统计学可访问
An integrated and user-friendly application for Exploratory Data Analysis enables the fast computation and display of various statistics (i.e., histograms, box plots, cross-plots, swath plots, probability plots, H- scatter plots), variograms, variogram maps, Gaussian transforms, and theoretical grade-tonnage curves just by simple drag and drop of variables.用户对Kriging或仿真所需的所有输入（变量图模型，平稳性选项，变形功能）都存储在一个专用对象中。它可以保证一致性，并使进一步的参数设置更加简单。
利用基于非参数的概率机器学习
图2。验证基于高斯过程的ML模型。（a）在得出的ΔKE和高斯过程之间的（a）在得出ΔKE和高斯过程的ΔKE和高斯过程之间，在得出的Δ和高斯过程之间预测了Δ（c）Δ（c）Δ（c）导出的Δ（c）范围差异的MD模拟V r和高斯过程之间的差异图预测了v r（d）概率密度函数eprots eratigre trots trots efictiationdutifeΔkekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekeke的概率的函数（e）的概率（e）的概率（e）差异的百分比（e）差异。 （f）在V r的预测中，百分比误差的概率密度函数图。 HEA的动能耗散（ΔKE）和穿透深度（δ），残留速度（V r）为（a）在得出ΔKE和高斯过程的ΔKE和高斯过程之间，在得出的Δ和高斯过程之间预测了Δ（c）Δ（c）Δ（c）导出的Δ（c）范围差异的MD模拟V r和高斯过程之间的差异图预测了v r（d）概率密度函数eprots eratigre trots trots efictiationdutifeΔkekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekekeke的概率的函数（e）的概率（e）的概率（e）差异的百分比（e）差异。 （f）在V r的预测中，百分比误差的概率密度函数图。HEA的动能耗散（ΔKE）和穿透深度（δ），残留速度（V r）为
格问题的量子算法
我们给出了一个多项式时间量子算法，用于求解具有确定多项式模噪比的带错学习问题 (LWE)。结合 Regev [J.ACM 2009] 所示的从格问题到 LWE 的简化，我们得到了多项式时间量子算法，用于求解所有 n 维格在 ˜ Ω(n4.5) 近似因子内的决策最短向量问题 (GapSVP) 和最短独立向量问题 (SIVP)。此前，还没有多项式甚至亚指数时间量子算法可以求解任何多项式近似因子内所有格的 GapSVP 或 SIVP。为了开发一种求解 LWE 的量子算法，我们主要介绍了两种新技术。首先，我们在量子算法设计中引入具有复方差的高斯函数。特别地，我们利用了复高斯函数离散傅里叶变换中喀斯特波的特征。其次，我们使用带复高斯窗口的窗口量子傅里叶变换，这使我们能够结合时域和频域的信息。使用这些技术，我们首先将 LWE 实例转换为具有纯虚高斯振幅的量子态，然后将纯虚高斯态转换为 LWE 秘密和误差项上的经典线性方程，最后使用高斯消元法求解线性方程组。这给出了用于求解 LWE 的多项式时间量子算法。
利用 CV 团簇状态进行光量子计算
• 为了实现通用性，至少需要 2D 集群状态、高斯运算和一个非高斯运算。 • 为了实现容错性，需要 3D 集群状态。 • 集群状态不需要一次性生成 - 一些节点可以同时生成，而其他节点则被测量消耗。
导航应用程序的因素图：教程
在导航中，从多个传感器中集成数据的能力是一个essen tial元素。如果已知系统的动力学（即可以随机建模），则可以将测量值随时间集成在一起以估计系统的状态。数十年来，Kalman过滤家族（包括线性，扩展，无味和许多其他变体）一直是传感器融合的主力，用于导航。是线性的卡尔曼滤波器，这是当（a）测量和动力学是线性和（b）所有噪声源的最佳最大似然估计器，Gaussian和White（Maybeck，1990）。不幸的是，大多数实用系统不符合这些要求，从而解释了社区中使用的大量Kalman过滤器变体。
![arXiv:2207.01141v5 [quant-ph] 2023 年 4 月 14 日](/simg/g:\will\search\icon\source\8\8c8c25845fd86298065cd7ce5d12178a698e3819.webp)
arXiv:2207.01141v5 [quant-ph] 2023 年 4 月 14 日
在本研究中，我们首先收集并概括了几个现有的非微扰模型，用于描述任意弯曲时空中单个两级量子比特探测器与相对论量子标量场之间的相互作用，其中时间演化由简单生成的幺正体给出，即由施密特秩 1 相互作用哈密顿量生成的幺正体。然后，我们扩展了与这些非微扰模型相关的相对论量子通道，以包括量子场的非常大的一类高斯态，其中包括场上的相干和压缩操作（即高斯操作）的任意组合。我们表明，所有涉及非真空高斯态的物理结果都可以用与真空态相互作用的形式重新表述，但高斯算子通过伴随通道应用于场算子，从而有效地给出了时空中因果传播子形式的高斯运算的“傅里叶变换”解释。此外，我们表明，在这些非微扰模型中，可以精确计算 Rényi 熵，因此，通过复制技巧，可以计算与探测器相互作用后场态的冯·诺依曼熵，而无需对探测器和场的联合初始状态的纯度做出任何假设。这为我们提供了场的三参数“广义猫态”系列，其熵是有限的，并且精确可计算。