XiaoMi-AI文件搜索系统
World File Search SystemMaxCut
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。
用于二次二进制优化的更快的量子和经典 SDP 近似
这一问题自然出现在各个科学学科的许多应用中，例如图像压缩 [ 52 ]、潜在语义索引 [ 36 ]、社区检测 [ 48 ]、相关性聚类 [ 17 , 46 ] 和结构化主成分分析，例如参见 [ 38 , 37 ] 及其参考文献。从数学上讲，MaxQP s ( 1 ) 与计算矩阵的 ∞→ 1 范数密切相关。反过来，该范数与割范数密切相关（将 x ∈ {± 1 } n 替换为 x ∈ { 0 , 1 } n ），因为这两个范数之间的差只能为一个常数因子。这些范数是理论计算机科学中的一个重要概念 [ 24 , 3 , 2 ]，因为诸如识别图中最大割（ MaxCut ）之类的问题可以自然地表述为这些范数的实例。这种联系凸显了在最坏的情况下，（1）式的最优解是 NP 难计算的
对量子近似优化算法进行基准测试
摘要 使用三个不同的指标来评估量子近似优化算法的性能：找到基态的概率、能量期望值和与近似比密切相关的比率。所研究的问题实例集包括加权 MaxCut 问题和 2 可满足性问题。后者的 Ising 模型表示具有独特的基态和高度简并的第一激发态。量子近似优化算法在量子计算机模拟器和 IBM Q Experience 上执行。此外，使用从 D-Wave 2000Q 量子退火器获得的数据进行比较，发现 D-Wave 机器的性能优于在模拟器上执行的量子近似优化算法。发现量子近似优化算法的整体性能在很大程度上取决于问题实例。
台式和床头验证低成本可编程的皮质刺激剂，用于双向脑部计算机界面研究
为了表征和基准测试计算硬件，软件和算法，必须直接拥有许多问题实例。对于量子组合而言，这同样是正确的，其中大量现实世界中的问题实例将允许进行基准研究，从而有助于改善算法和硬件设计。为此，在这里，我们介绍了大量基于Qubit的量子哈密顿量的数据集。数据集，称为Hamlib（用于哈密顿库），可以在线免费获得，并且包含2到1000 QUAT的问题大小。hamlib包括海森堡模型，费米 - 哈伯德模型，玻色 - 哈伯德模型，分子电子结构，分子振动结构，maxcut，max-k -sat，max-k-sat，max-k -cut，qmaxcut，qmaxcut和旅行销售人员问题。这一效率的目标是（a）通过消除需要准备问题实例并将其映射到Qubit表示的需求来节省时间的时间，（b）允许对新算法和硬件进行更彻底的测试，以及（c）允许整个研究中的可重复性和标准化。
图着色量子算法的编译规划
摘要。最近，编译通用量子算法以便在近期量子处理器上实现的问题已被引入人工智能社区。先前的研究表明，时间规划是此编译任务的一部分的一种有吸引力的方法，具体而言，是在量子处理器架构上应用于 MaxCut 问题的量子交替算子拟定 (QAOA) 的电路的路由。在本文中，我们将早期的工作扩展到实现图着色问题 QAOA 的电路的路由。着色的 QAOA 需要在芯片上执行更多、更复杂的操作，这使得路由成为一个更具挑战性的问题。我们在领先的量子计算公司最先进的硬件架构上评估了该方法。此外，我们还研究了将规划方法应用于量子位初始化和路由。我们的实证评估表明，时间规划与合理的分析上限 [20] 相比效果良好，并且使用经典规划器解决量子比特初始化通常有助于时间规划器找到用于图着色的 QAOA 的更短完成时间编译。这些进展表明，时间规划可以成为更复杂的量子计算算法和架构的有效方法。
CAFQA：Clifford Ansatz 量子精度 - NSF-PAR
摘要 — 变分量子算法 (VQA) 依赖于参数化单元电路针对目标函数的迭代优化。由于量子机器噪声大且资源昂贵，因此必须适当选择 VQA 的假设，并使其初始参数尽可能接近最优值，因为这将改善并加速算法在量子设备上执行的精确收敛。这项工作通过提出 CAFQA（一种用于量子精度的 Clifford 假设）来解决寻找初始假设参数的问题。CAFQA 假设是一种仅使用 Clifford 门构建的硬件高效电路。在此假设中，通过经典模拟在 Clifford 参数空间中进行有效搜索来选择可调门的初始参数，从而产生合适的稳定器状态。结果表明，产生的稳定器状态始终等于或优于传统的经典初始化方法（例如 Hartree-Fock），即找到合适的计算基态，并且通常在量子设备上执行和探索之前就产生高精度估计。此外，该技术适用于经典计算，因为 a) 仅 Clifford 量子电路可以在多项式时间内进行经典精确模拟，以及 b) 离散 Clifford 空间虽然量子比特数量呈指数级增长，但可以通过贝叶斯优化进行有效搜索。对于变分量子特征求解器 (VQE) 任务（即估计多达 20 个量子比特的分子系统的基态能量），CAFQA 的 Clifford Ansatz 实现了接近 99% 的平均准确度，并且能够恢复高达 99.99% 的 Hartree-Fock 初始化分子相关能量。值得注意的是，该方法的可扩展性允许对具有挑战性的铬二聚体 (Cr 2 ) 进行初步的基态能量估计，其精度高于 Hartree-Fock 所达到的精度。CAFQA 还在优化任务上进行了评估，特别是高达 18 个量子比特的 MAXCUT 问题。借助 CAFQA 的高精度初始化，VQA 的收敛速度加快了 2.5 倍。总之，这项工作表明稳定器状态是变分算法的高精度假设初始化。此外，它突出了量子启发式经典技术作为 NISQ 时代及以后 VQA 的替代方案和支持方法的潜力。