XiaoMi-AI文件搜索系统
World File Search SystemNISQ
数模量子计算
数字量子计算范式提供了非常理想的特性，例如通用性、可扩展性和量子纠错。然而，在当前的 NISQ 设备时代，实现有用的纠错量子算法所需的物理资源是令人望而却步的。作为执行通用量子计算的替代途径，在 NISQ 时代的限制内，我们建议将数字单量子位操作与模拟多量子位纠缠块合并，这种方法我们称之为数字模拟量子计算 (DAQC)。沿着这个思路，虽然这些技术可以扩展到任何资源，但我们建议将由无处不在的 Ising 汉密尔顿量生成的幺正用于模拟纠缠块，并证明其通用性。我们构建了显式 DAQC 协议，通过单量子位门和固定的均匀 Ising 汉密尔顿量来有效模拟任意非均匀 Ising、二体和 M 体自旋汉密尔顿动力学。此外，我们还比较了顺序方法（其中交互是打开和关闭的）（分步 DAQC）和始终开启的多量子比特交互，中间穿插着快速单量子比特脉冲（爆炸式 DAQC）。最后，我们进行了数值测试，比较了纯数字方案和 DAQC 协议，结果显示后者的性能明显更好。所提出的 DAQC 方法将模拟量子计算的稳健性与数字方法的灵活性相结合。
QFaaS：用于量子计算的无服务器函数即服务框架
量子计算正在迅速发展到必须认真考虑其应用设计和工程方面的地步。然而，量子软件工程仍处于起步阶段，面临着许多挑战，特别是在处理量子编程语言的多样性和嘈杂的中型量子 (NISQ) 系统方面。为了缓解这些挑战，我们提出了 QFaaS，这是一个整体的量子函数即服务框架，它利用无服务器模型、DevOps 生命周期和最先进的软件技术的优势，推动 NISQ 时代下一代应用程序开发的实用量子计算。我们的框架提供了无服务器量子系统的基本元素，以简化云环境中面向服务的量子应用程序开发，例如结合混合量子-经典计算、自动化后端选择、冷启动缓解和采用 DevOps 技术。 QFaaS 通过集成多个知名的量子软件开发工具包（Qiskit、Q#、Cirq 和 Braket）、量子模拟器和云提供商（IBM Quantum 和 Amazon Braket），提供全栈统一的量子无服务器平台。本文提出了量子函数即服务的概念、系统设计、操作工作流程、QFaaS 的实施以及关于量子无服务器计算的优势和局限性的经验教训。我们还介绍了当今量子计算机和模拟器上各种量子应用的实际用例，以展示我们的框架促进正在进行的量子软件转型的能力。
近期量子自然语言的基础...
我们为近期量子自然语言处理（QNLP）提供概念和数学基础，并以量子计算机科学家友好的术语进行。我们选择了说明性演示方式，并提供了支持经验证据和有关数学一般性的正式陈述的参考。我们回想起我们采用的自然语言的量子模型如何[42]规范结合语言含义与丰富的语言结构，最著名的是语法。尤其是，在量子系统的仿真下，它需要一个类似量子的模型来结合含义和结构，将QNLP建立为量子本性。更重要的是，现在领先的嘈杂的中间量子量子（NISQ）范式用于编码有关量子硬件，变异量子电路的经典数据，使NISQ非常友好地友好：语言结构可以用作免费的午餐，与昂贵的典型典型的类别编码相反，可以将语言结构编码为免费编码，该典型的典型的编码为格式编码。QNLP任务的量子加速已在先前的工作中建立[116]。在这里，我们提供了更广泛的任务，所有任务都具有相同的优势。图解推理是QNLP的核心。首先，量子模型通过分类量子力学的图形形式主义将语言解释为量子过程[38]。其次，这些图是通过ZX-Calculus翻译成量子电路的。含义的参数化成为要学习的电路变量：
新研究表明，量子计算机更擅长猜测
量子计算机有望解决某些问题，其优势会随着问题复杂性的增加而增加。然而，它们也极易出错或产生噪音。Lidar 表示，挑战在于“在当今量子计算机仍然‘嘈杂’的现实世界中获得优势”。当前量子计算的这种容易产生噪音的情况被称为“NISQ”（嘈杂中型量子）时代，这个术语改编自用于描述传统计算设备的 RISC 架构。因此，目前任何量子速度优势的展示都需要降低噪音。
在嘈杂的中间体上准备价值 - 债券状态...
量子状态制备是所有数字量子仿真算法的关键步骤。在这里，我们提出的方法是在基于门的量子计算机上初始化一类量子自旋波函数，即所谓的价键 - 固体（VBS）状态，这对于有两个原因很重要。首先，VBS状态是Affeck，Kennedy，Lieb和Tasaki（AKLT）引入的一类相互作用的量子自旋模型的确切基态。第二，二维VBS状态是用于基于测量的量子计算的通用资源状态。我们发现，根据其张量 - 网络表示制备VBS状态的计划产生的量子电路太深，无法触及嘈杂的中间尺度量子（NISQ）计算机。然后，我们在此提出的一般非确定方法应用于Spin-1和Spin-3 /2 VBS状态的制备，这是分别以一个维度定义的AKLT模型的基态和蜂窝晶格定义的。深度的浅量子回路与晶格大小无关，用于两种情况下都明确得出，利用优于标准基础门分解方法的优化方案。所提出的例程的概率性质转化为平均重复数量，以成功准备vbs状态，该状态与晶格位点的数量呈指数缩放。但是，设计了两种二次重复开销的两种策略。我们的方法应允许使用NISQ处理器来探索AKLT模型及其变体，在不久的将来都优于常规数值方法。
量子机学习体系结构通过深度强化学习
摘要 - 量子计算的快速进步（QC）和机器学习（ML）引起了量子机器学习（QML）的新兴领域，旨在利用量子计算的优势来推动ML向前。尽管有希望，但制定有效的QML模型需要深刻的专业知识才能在模型复杂性和嘈杂的中间尺度量子（NISQ）设备之间取得微妙的平衡。尽管复杂模型具有强大的代表能力，但它们的广泛电路深度可能会阻碍现有的嘈杂量子平台上的无缝执行。在本文中，我们通过采用深入的强化学习来探索熟练的QML模型体系结构，以解决QML模型设计的难题。具体来说，我们的方法涉及培训RL代理，以设计促进QML模型而没有预先确定的ANSATZ的政策。此外，我们集成了一种自适应机制，以动态调整学习目标，从而促进代理人学习过程的持续改进。通过大量的数值模拟，我们说明了我们在分类任务领域内的方法的功效。我们提出的方法成功地识别了能够达到高分类精度的同时最小化栅极深度的VQC体系结构。这种开创性的方法不仅在进行了AI驱动的量子电路设计的研究，而且还具有在NISQ时代提高性能的重要希望。索引术语 - Quantum机器学习，量子神经网络，变分量子电路，量子体系结构搜索
在NISQ时代量子处理器上对AKLT状态的高保真实现 advnf：减少使用对抗性学习的有条件归一流流程中的模式崩溃 远程量子ising模型的有限温度临界行为 NISQ算法的矩阵元素的矩阵元素 在p s ... 下的独家J/ψ和ψ（2s）生产的测量 随机系列膨胀量子蒙特卡洛（Rydberg Arrays）
AKLT状态是各向同性量子Heisenberg Spin-1模型的基态。它表现出激发差距和指数衰减的相关函数，并在其边界处具有分数激发。到目前为止，仅通过捕获离子和光子系统实验实现了一维AKLT模型。在这项工作中，我们成功地准备了嘈杂的中间量子量子（NISQ）ERA量子设备上的AKLT状态。尤其是，我们在IBM量子处理器上开发了一种非确定性算法，其中AKLT状态制备所需的非单生操作员嵌入到单一操作员中，并为每对辅助旋转旋转1 /2的额外的Ancilla Qubit带有附加的Ancilla Qubit。这样的统一操作员有效地由由单量子和最近的邻居CX门组成的参数化电路表示。与Qiskit的常规操作员分解方法相结合，我们的方法导致了较浅的电路深度，仅邻近邻居的大门，而原始操作员的忠诚度超过99.99％。通过同时选择每个Ancilla Qubit，以使其属于旋转|↑>的子空间，可以通过从最初的单元状态以及量子计算机上的旋转量中的旋转量中的初始产品状态以及随后对所有其他物理量进行录制来系统地获得AKLT状态。我们展示了如何通过减轻读数错误的IBM量子专业人员进一步提高实施的准确性。
基于最大熵形式的量子态层析成像变分方法
然而，在任意低温下制备给定哈密顿量的吉布斯态并非易事 39，人们提出了各种方法，包括经典方法和量子方法 40–43，以在某些特定条件下制备吉布斯态。其中一些技术包括基于量子拒绝采样 44 、动力学模拟 45,46 和降维 47 的算法，但实现这些方法的量子资源开销成本非常高，因此不适合在近期的量子设备上执行。为了在 NISQ 设备中找到量子算法的应用，底层量子电路应该是浅的，具有较低的电路深度和较少的量子比特数。变分量子算法 (VQA) 48 就是这样一类遵循基于变分原理的启发式方法的混合量子经典算法，由于它们在具有浅量子电路的 NISQ 设备上实现，近年来 49–54 非常流行。为了使用 VQA 在 NISQ 设备上准备量子吉布斯态，已经提出了几种方法。55–60 在这项工作中，我们采用了 Wang 等人的方法。39 其中，在量子电路上准备吉布斯态的损失函数涉及熵的泰勒级数截断，并且已被证明可以为给定的汉密尔顿量准备保真度超过 99% 的吉布斯态。系统的物理汉密尔顿量是未知的，实际上在此协议中是不必要的。人们只能访问任意一组厄米算子的期望值。原则上，使用形式主义可以生成与这种任意甚至不完整的平均测量集一致的最小偏差量子态，但在本报告中，我们使用 IC 集进行测试和验证，希望能够提供用于采样的未知纯量子态的近乎精确的重建。这是通过构建一个厄米矩阵 H 来实现的，该矩阵由拉格朗日乘数参数化。后者充当吉布斯态的代理汉密尔顿量，吉布斯态代表量子系统状态的断层扫描重建。本文提出的混合量子-经典断层扫描协议涉及浅参数化量子电路的应用，可在当前到近期的量子硬件上进行实验实现。这本身就比某些其他断层扫描协议 11-14 更有优势，因为经过优化，状态可以直接在量子
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。