XiaoMi-AI文件搜索系统
World File Search SystemIBMQ
关强博士是俄亥俄州肯特州立大学计算机科学系的助理教授。关博士是 G
机器学习、数值科学模拟和金融等许多领域对量子计算机的需求不断增长，这促使量子计算机产生更稳定、更不容易出错的结果。然而，减轻每个量子设备内部噪声的影响仍然是当前的挑战。在这个项目中，我们利用从现有 IBMQ 机器收集的系统校准数据，应用保真度退化检测来生成保真度退化矩阵。基于保真度退化矩阵，我们定义了多个新的评估指标来比较量子机的量子比特拓扑之间的保真度（相同拓扑上的量子比特保真度），并搜索最具有错误鲁棒性的机器，以便用户可以期待最准确的结果，并研究量子比特之间相关性的洞察力，这可能会进一步激发量子比特映射的量子编译器设计。此外，我们构建了一个可视化系统 VACSEN 来说明量子计算后端的错误和可靠性。
在核心分辨率方面达到透明度
在语法结构的指导下，单词可以形成句子，并在段落结构的指导下，句子构成形成对话和文档。句子和话语单位的组成方面通常被机器学习算法忽略了。最近的一项名为“量子自然语言加工”（QNLP）的计划将单词均值作为希尔伯特空间中的点学习，并通过将语法结构翻译成参数化的量子回路（PQC）来对其进行作用。先前的工作将QNLP翻译扩展到了闭合希尔伯特空间中的点。在本文中，我们对Winograd风格的代词分辨率任务进行了评估。我们训练二进制分类的变分量子分类器（VQC），并实现端到端代词分辨率系统。在IBMQ软件上执行的仿真，F1分数为87.20％。该模型的表现优于三分之三的核心分辨率系统和接近最新的Spanbert。混合量子古典模型，但F1得分增加约为6％，但改进了这些结果。
劳伦斯·伯克利国家实验室
量子系统中的紧凑数据表示对于开发用于数据分析的量子算法至关重要。在这项研究中，我们提出了两种创新的数据编码技术，称为Qcrank和Qbart，它们通过均匀控制的旋转门表现出显着的量子并行性。QCrank方法将一系列实价数据编码为数据量置量的旋转，从而增加了存储容量。另一方面，QBART在计算基础上直接合并了数据的二进制表示，需要更少的量子测量结果，并在二进制数据上实现了良好的算术操作。我们展示了针对各种数据类型的建议编码方法的各种应用。值得注意的是，我们演示了诸如DNA模式匹配，重量计算，复杂值共轭的任务的量子算法，以及带有384个像素的二进制图像的检索，所有图像均在Quantinuum捕获的昆虫上执行。此外，我们采用了几种可访问的QPU，包括来自IBMQ和IONQ的QPU，以进行补充基准测试实验。
![arXiv:2112.10651v1 [quant-ph] 2021 年 12 月 20 日](/simg/g:\will\search\icon\source\9\976b7fc9a8f06367ba9526968d627a1ef61d741c.webp)
arXiv:2112.10651v1 [quant-ph] 2021 年 12 月 20 日
在量子信息处理的实际实现中，测量读出阶段可能存在噪声，其中误差不仅出现在单个量子比特上，而且出现在多个量子比特上，后者称为串扰误差。在这项工作中，我们提出了一个用于减轻测量误差的框架，用于减轻单个误差和串扰误差。缓解协议包括两个步骤，首先是量子预处理，在测量之前应用局部幺正变换，然后是经典后处理，操纵测量结果以恢复无噪声数据。量子预处理中的局部幺正可以通过量子探测器断层扫描表征噪声测量来构建。我们表明，缓解协议可以将多个量子比特上的测量误差保持在与单量子比特读出一样多的水平，即，多个量子比特上的测量误差率被抑制到百分比水平。缓解协议在 IBMQ Sydney 中实现并应用于纠缠生成电路的认证。事实证明，缓解协议可以成功消除测量误差，从而可以有效地认证纠缠生成电路。
3P0中X（4140）状态的规范解释...
摘要 - 保留信息传输至关重要。然而，随着迅速开发强大的量子技术，常规的加密技术每天都越来越容易发作。量子密码学领域中的新技术逐渐逐渐出现。现在重要的是密码学的确定性，因为如果不正确，具有庞大处理能力的安全性不值得。着眼于这个问题，我们提出了一种使用最大纠缠量子对增强量子加密的方法。为此，我们沿着一条由IBMQX4和IBMQ 16墨尔本的所有量子组组成的路径创建了一个图形状态，并使用量子对的负测量测量来测量纠缠的强度。然后，使用具有最大纠缠的量子位，我们将修改后的加密密钥发送到接收器。键是通过传输前的置换和超密度编码来修改的。接收器恢复过程并获取实际键。我们在IBM量子体验项目中进行了完整的实验。我们的结果表明，与随机选择的量子位相比，加密和解密的最终性高15％至20％。索引术语 - 确定性，量子密码学，纠缠，限制
活化过程的变分量子特征解法
摘要 随机过程理论影响着物理和社会科学。在分子尺度上，由于热波动，随机动力学无处不在。福克-普朗克-斯莫鲁霍夫斯基方程模拟了扩散区域中选定自由度的概率密度随时间的变化，因此它是物理化学中的主力。在本文中，我们报告了变分量子特征值求解器的开发和实现，以解决福克-普朗克-斯莫鲁霍夫斯基特征值问题。我们表明，这种通常用于解决量子化学问题的算法可以有效地应用于经典系统，为量子计算机的新应用铺平了道路。我们计算了具有最近邻相互作用的线性转子链中的构象转变速率。我们提供了一种在量子计算机上对链的给定构象的概率分布进行编码的方法，并评估了其在操作方面的可扩展性。对小链的噪声量子模拟器和量子设备（IBMQ Santiago）进行了性能分析，结果显示无需进一步添加任何错误缓解技术，与经典基准结果一致。
基于注意力的量子断层扫描
摘要 随着量子系统平台的快速发展，噪声量子态的多体量子态重建问题成为一个重要挑战。人们对使用生成神经网络模型来解决量子态重建问题的兴趣日益浓厚。在这里，我们提出了“基于注意力的量子断层扫描”（AQT），这是一种使用基于注意力机制的生成网络进行量子态重建的方法，它可以学习噪声量子态的混合态密度矩阵。AQT 基于 Vaswani 等人（2017 NIPS）在“注意力就是你所需要的一切”中提出的模型，该模型旨在学习自然语言句子中的长程相关性，从而超越以前的自然语言处理（NLP）模型。我们不仅证明 AQT 在相同任务上的表现优于早期基于神经网络的量子态重建，而且证明 AQT 可以准确地重建与 IBMQ 量子计算机中实验实现的噪声量子态相关的密度矩阵。我们推测 AQT 的成功源于它能够对整个量子系统中的量子纠缠进行建模，就像 NLP 的注意力模型能够捕捉句子中单词之间的相关性一样。
![arxiv：2307.11027v2 [Quant-ph] 2023年12月7日](/simg/g:\will\search\icon\source\0\075f7cb9369485d6514b739019836aee332e1780.webp)
arxiv：2307.11027v2 [Quant-ph] 2023年12月7日
近年来，量子计算[1，2]已成为物理发展发展的最前沿，并有望最终能够比在古典计算机上更有效地执行某些计算[3-5]。这激发了多年来创建许多众所周知的量子算法，以利用这种计算加速，例如Shor的算法[6]和Grover的算法[7]。随着量子计算的发展，量子步行[8，9]也越来越多。在很大程度上，这是由于它们应用于量子算法[10-13]。量子步行有两种主要类型，连续时间和离散时间。在这项工作中，我们专注于离散时间量子步行（DTQW），特别是在周期图上的DTQW [14]，因为它在数字量子计算机上执行时具有方便的编码。但是，当前的硬件具有显着的缺陷。我们在这项工作中的目标是确定在周期图上运行DTQW需要改进多少IBM处理器。本文结构如下。在第二节中，使用二进制编码提出了周期离散时间量子步行的实现。在第三节中，我们在8节点量子步行的八个步骤中执行该算法的结果，然后在IBM量子设备上进行4节点量子步行的四个步骤，称为IBMQ
利用量子机器学习区分量子态
摘要 — 量子机器学习 (QML) 算法在机器学习 (ML) 领域具有重要意义，因为它有望在执行基本线性代数子程序 (BLAS) 时实现量子加速，而基本线性代数子程序是大多数 ML 算法的基本元素。通过利用 BLAS 操作，我们提出、实现并分析了一种时间复杂度低至 O (NKlog (D) I/C) 的量子 k 均值 (qk-means) 算法，以将其应用于判别读出时量子态的基本问题。判别量子态允许从低级同相和正交信号 (IQ) 数据中识别量子态 | 0 ⟩ 和 | 1 ⟩，并且可以使用自定义 ML 模型来完成。为了减少对传统计算机的依赖，我们使用 qk-means 在 IBMQ Bogota 设备上执行状态鉴别，并设法找到高达 98.7% 的分配保真度，仅略低于 k-means 算法。检查将两种算法应用于量子态组合所产生的分配保真度分数，结果与我们使用 Pearson 相关系数的相关性分析一致，其中证据表明，在所分析的设备上，(1, 2) 和 (2, 3) 相邻量子比特对之间存在串扰。索引术语 — 量子计算、机器学习、量子机器学习、K-Means、QK-Means、串扰
流体动力学量子计算算法简介
对湍流等强非线性动力学系统的研究需要卓越的计算能力。随着量子计算 (QC) 的出现，大量量子算法在理论和实验上都表现出比传统算法更强大的计算能力。然而，要使 QC 成为实际应用中不可或缺的工具，不仅需要处理量子信息的新协议，还需要以适合解决实际问题的经典格式明智地提取量子信息。在这里，我们提请关注使用 QC 进行流体力学研究的潜在方法，我们称之为流体动力学的量子计算 (QCFD)。从对 QC 的简要介绍开始，我们将从大量可用方法中提炼出一些关键工具和算法，并评估 QC 在流体动力学中的可能方法。此外，作为示例，我们展示了改进的量子线性系统算法 (QLSA) 的端到端实现，以研究诸如泊肃叶流之类的问题。我们还在此介绍了一种专用于流体动力学的新型高性能 QC 模拟器，我们称之为“QuOn”，旨在模拟大多数标准量子算法。我们将展示使用 QuOn 和 IBMQ–Qiskit 工具的结果，并阐明使 QCFD 模拟切实可行的必要贡献。