XiaoMi-AI文件搜索系统
World File Search SystemMarkovian
具有超导码头的图形稳定器的耗散动力学
我们在实验和数字上研究多部分纠缠状态的嘈杂演化，重点是通过云访问的超导量设备。我们发现，动力学的有效模式需要一个由随机电荷 - 偏向波动引起的连贯频移。我们介绍了一种方法，该方法使用扩展的马尔可夫环境建模了电荷 - 比值拆分。这种方法在数十个量子位上是可扩展的，使我们能够有效地模拟某些大型多Quipit状态的耗散动力学。探测越来越大，更复杂的初始状态的连续时间动力学，在环形状态下，最多12个耦合量子量，我们获得了实验和模拟的良好一致性。我们表明，基本的多体动力学会产生稳定器的衰减和复兴，这些动力在量子误差校正的背景下广泛使用。此外，我们使用定制的动力学去耦序列来证明两数Qubit的相互作用（串扰）的缓解。我们的噪声模型和数值方法对于提高对误差纠正和缓解的理解并邀请进一步研究其动态可能是有价值的。
![arXiv:2106.08394v4 [quant-ph] 2022 年 9 月 15 日](/simg/5\5551e825bc98050d31cc77830cc78299673676fa.webp)
arXiv:2106.08394v4 [quant-ph] 2022 年 9 月 15 日
我们展示了在数字量子计算机上对量子场论非平衡动力学的模拟。作为一个代表性的例子，我们考虑 Schwinger 模型，这是一个 1+1 维 U(1) 规范理论，通过 Yukawa 型相互作用耦合到标量场理论描述的热环境。我们使用在空间晶格上离散化的 Schwinger 模型的哈密顿量公式。通过追踪热标量场，Schwinger 模型可以被视为一个开放的量子系统，其实时动力学由马尔可夫极限中的 Lindblad 方程控制。与环境的相互作用最终使系统达到热平衡。在量子布朗运动极限中，Lindblad 方程与场论 Caldeira-Leggett 方程相关。通过使用 Stinespring 膨胀定理和辅助量子比特，我们使用 IBM 的模拟器和量子设备研究了 Schwinger 模型中的非平衡动力学和热态准备。作为开放量子系统的场论的实时动力学和此处研究的热态准备与核物理和粒子物理、量子信息和宇宙学中的各种应用相关。
劳伦斯伯克利国家实验室
我们展示了在数字量子计算机上对量子场论非平衡动力学的模拟。作为一个代表性的例子，我们考虑 Schwinger 模型，这是一个 1+1 维 U(1) 规范理论，通过 Yukawa 型相互作用耦合到标量场理论描述的热环境。我们使用在空间晶格上离散化的 Schwinger 模型的哈密顿量公式。通过追踪热标量场，Schwinger 模型可以被视为一个开放的量子系统，其实时动力学由马尔可夫极限中的 Lindblad 方程控制。与环境的相互作用最终使系统达到热平衡。在量子布朗运动极限中，Lindblad 方程与场论 Caldeira-Leggett 方程相关。通过使用 Stinespring 膨胀定理和辅助量子比特，我们使用 IBM 的模拟器和量子设备研究了 Schwinger 模型中的非平衡动力学和热态准备。作为开放量子系统的场论的实时动力学和此处研究的热态准备与核物理和粒子物理、量子信息和宇宙学中的各种应用相关。
林德布拉迪斯主方程
量子理论中的时间演化通常用作用于表示量子系统的全希尔伯特空间或密度矩阵的幺正变换来描述。这种变换通常通过求解相关的薛定谔方程，从系统的哈密顿量中获得。然而在实践中，我们通常无法获得完整的量子系统：最常见的例子是所研究系统与环境的相互作用，环境被定义为该系统与其自身以外的任何事物相互作用。当考虑量子力学系统的一部分时，时间演化不再是幺正的或马尔可夫的，它的处理需要新的工具。在本文中，我们将重点介绍如何通过林德布拉形式来实现这一点。事实证明，在马尔可夫性假设下，可以通过求解一阶微分方程来获得系统可访问部分的时间演化，就像在封闭系统的情况一样。具体来说，我们可以推导出汉密尔顿算子的广义版本，即林德布拉算子，它通过类似于薛定谔的方程来描述系统的时间演化。然而，这种时间演化将不是单一的
错误校正的量子传感
量子计量学在科学和技术中具有许多重要的应用，从频率表格到引力波检测。量子力学对测量精度施加了基本限制，称为Heisenberg限制，这是无噪声量子系统可以实现的，但通常无法实现遇到噪声的系统。在这里，我们研究了如何通过量子误差校正来提高测量精度，这是一种保护量子系统免受噪声影响影响的一般方法。我们发现，假设可以使用噪音无噪声的Ancilla系统，并且可以执行这种快速，准确的量子处理，则可以使用受马尔可夫噪声的量子探针来实现Heisenberg极限。当满足功能的条件时，可以通过求解半有限的程序来找到达到最佳精度的量子误差校正代码。我们还表明，当Hamiltonian和错误操作员通勤时，不需要噪音无噪音。最后，我们提供了两个明确的量子传感器的原型示例：量子量和有损失的骨气模式。
杂质量子量子的量子信息流与Bose-Bose混合物相互作用
我们研究了量子信息流的动力学，其中一个和两个杂质量子位捕获了双孔电势，并与一维超低玻色 - 玻璃 - 玻璃 - 玻璃混合物相互作用。对于浸入二元玻色混合物中的单个量子量，我们表明该系统在有限的时间尺度上保持连贯性，并表现出非马克维亚动力学，尤其是在环境的上分支中。我们通过频谱密度函数的欧姆斯探索了从马尔可夫到非马克维亚的过渡，这些函数受到了种间相互作用的显着影响。在两个空间分离的量子位与Bose-Bose混合物储存库相连的情况下，我们证明了集体的脱碳影响系统动力学，从而导致混合物两个分支的长时间连贯性存活率。在密度光谱函数及其欧姆性特征中反映了破坏性因子的复杂演化。我们发现，反应函数和光谱随量顶之间的距离增加而振荡，从而修改了信息流动动力学。此外，我们对两个分支中二元玻色混合物储层引起的两个量子位之间的纠缠动力学进行了彻底的研究，强调了种间相互作用的关键作用。
探测潜在线性动力学系统与低级别复发神经网络模型之间的关系
大量工作表明，在行为过程中，神经种群表现出低维动力学。但是，有多种对低维神经种群活动进行建模的不同方法。一种方法涉及潜在的线性动力学系统（LDS）模型，其中通过具有线性动力学的低维潜在变量的投影来描述种群活动。第二种方法涉及低级别的复发性神经网络（RNN），其中人口活动直接来自过去活动的低维投影。尽管这两种建模方法具有很强的相似性，但它们在不同的情况下出现，并且倾向于具有不同的应用领域。在这里，我们检查了潜在LDS模型与线性低级别RNN之间的精确关系。什么时候可以将一种模型类转换为另一个模型类，反之亦然？我们表明，由于潜在LDS模型的非马尔可夫特性，潜在的LDS模型只能在特定限制情况下转换为RNN。相反，我们表明可以将lnns映射到LDS模型上，而潜在维度最多是RNN等级的两倍。我们结果的一个令人惊讶的结果是，部分观察到的RNN比仅由仅观察到的单位组成的RNN更好地代表了LDS模型。
数据驱动的量子系统与神经网络的时间传播
我们研究了监督机器学习在时间中传播量子系统的潜力。虽然马尔可夫动力学很容易学习，但只要有足够多的数据，非马尔可夫系统就不简单了，它们的描述需要过去状态的记忆知识。在这里，我们通过将简单的 1D 海森堡模型作为多体汉密尔顿量来分析这种记忆的特征，并通过在单粒子约化密度矩阵上表示系统来构建非马尔可夫描述。发现，这种表示再现时间相关动力学所需的过去状态数量随着自旋数量和系统光谱密度的增加而呈指数增长。最重要的是，我们证明了神经网络可以在未来的任何时间作为时间传播器，并且它们可以随时间连接起来形成自回归。这种神经网络自回归可用于生成长时间和任意密集时间轨迹。最后，我们研究表示系统内存所需的时间分辨率。我们发现两种情况：对于精细内存采样，所需内存保持不变，而粗采样需要更长的内存，尽管总时间步长保持不变。这两个状态之间的边界由系统频谱中最高频率对应的周期设定，表明神经网络可以克服香农-奈奎斯特采样定理设定的限制。
:QMETROLOGY来自 QCOSMOLOGY：
在本文中，我们的主要目标是应用参数估计理论技术和 Fisher 信息形式的量子计量概念来研究马尔可夫近似下某些物理量在两纠缠量子比特系统的开放量子动力学中的作用。存在各种表征此类系统的物理参数，但不能将其视为任何量子力学可观测量。必须进行详细的参数估计分析以确定此类量的物理一致参数空间。我们应用经典 Fisher 信息 (CFI) 和量子 Fisher 信息 (QFI) 来正确估计这些参数，这些参数在描述开放量子系统的非平衡和长距离量子纠缠现象中发挥着重要作用。与经典参数估计理论相比，量子计量发挥着双重优势，提高了参数估计的精度和准确度。此外，本文提出了一种量子计量方面的新途径，它超越了经典参数估计。我们还提出了一个有趣的结果，即由于早期时间尺度上的长程量子纠缠而导致的后期时间尺度上非平衡特征的复活，并根据早期时间尺度上贝尔不等式违反导致的非局域性提供了物理解释。
神经积分微分方程
从离散采样观测值建模连续动态系统是数据科学中的一个基本问题。通常，这种动态是非局部过程的结果，这些过程随时间呈现积分。因此，这些系统用积分微分方程 (IDE) 建模；微分方程的泛化，包含积分和微分分量。例如，大脑动力学不能准确地用微分方程建模，因为它们的行为是非马尔可夫的，即动态部分由历史决定。在这里，我们介绍了神经 IDE (NIDE)，这是一种基于 IDE 理论的新型深度学习框架，其中使用神经网络学习积分算子。我们在几个玩具和大脑活动数据集上测试了 NIDE，并证明 NIDE 优于其他模型。这些任务包括时间外推以及根据看不见的初始条件预测动态，我们在自由行为小鼠的全皮层活动记录上进行了测试。此外，我们表明 NIDE 可以通过学习的积分算子将动态分解为马尔可夫和非马尔可夫成分，我们在服用氯胺酮的人的 fMRI 脑活动记录上进行了测试。最后，积分算子的被积函数提供了一个潜在空间，可以洞察底层动态，我们在广域脑成像记录上证明了这一点。总之，NIDE 是一种新颖的方法，它能够使用神经网络对复杂的非局部动态进行建模。