XiaoMi-AI文件搜索系统
World File Search SystemNISQ
在 NISQ 时代高保真地实现 AKLT 状态......
AKLT 状态是各向同性量子海森堡自旋 1 模型的基态。它表现出激发间隙和指数衰减的关联函数，其边界处具有分数激发。到目前为止，一维 AKLT 模型仅在捕获离子和光子系统中进行了实验。在这项工作中，我们成功地在嘈杂的中尺度量子 (NISQ) 时代量子设备上准备了 AKLT 状态。具体来说，我们在 IBM 量子处理器上开发了一种非确定性算法，其中 AKLT 状态准备所需的非幺正算子嵌入在幺正算子中，每对辅助自旋 1/2 都有一个额外的辅助量子位。这种幺正算子实际上由由单量子位和最近邻 CX 门组成的参数化电路表示。与 Qiskit 的传统算子分解方法相比，我们的方法仅使用最近邻门即可实现更浅的电路深度，同时保持原始算子的 99.99% 以上的保真度。通过同时后选择每个辅助量子比特，使其属于自旋向上 |↑〉 的子空间，可以在量子计算机上通过从单重态加上辅助量子比特的初始平凡乘积状态演化系统地获得 AKLT 状态，然后通过对所有其他物理量子比特进行测量来记录该状态。我们展示了如何通过读出误差缓解在 IBM 量子处理器上进一步提高我们的实现的准确性。
基于云的 NISQ 量子计算机可靠性的长期分析
噪声中型量子 (NISQ) 量子计算机正在迅速发展，目前已有超过 400 量子比特的机器 [7]，业界预计 4000 量子比特或更大的设备将在未来十年内问世 [14]。到目前为止，它们对于量子纠错来说还太小，但已经在优化、化学和其他重要领域有着广阔的应用前景 [8, 10, 11]。在不同类型的技术中，基于超导量子比特技术的 NISQ 计算机由许多公司开发，例如 IBM、Rigetti 或 Quantum Circuits, Inc. 这些机器使用在约 20 ℃ 温度下工作的超导电子电路实现量子计算。即使在极端冷却下，这些设备也会对不同类型的环境干扰以及噪声敏感。
使用广义量子主方程在 NISQ 计算机上模拟开放量子系统动力学
摘要：我们提出了一种基于广义量子主方程 (GQME) 方法的量子算法，用于在嘈杂的中型量子 (NISQ) 计算机上模拟开放量子系统动力学。该方法通过为任何简化密度矩阵元素子集提供运动方程的严格推导，克服了林德布拉德方程的局限性，该方程假设弱系统 - 浴耦合和马尔可夫性。剩余自由度的影响产生的记忆核用作输入来计算相应的非幺正传播子。我们展示了如何使用 Sz.-Nagy 膨胀定理将非幺正传播子转换为高维希尔伯特空间中的幺正传播子，然后可以在 NISQ 计算机的量子电路上实现。我们通过分析当子集限制为简化密度矩阵的对角元素时量子电路深度对结果准确性的影响来验证我们的量子算法应用于自旋玻色子基准模型。我们的研究结果表明，我们的方法在 NISQ IBM 计算机上产生了可靠的结果。
tencirchem：NISQ ERA的有效量子计算化学包
量子计算利用量子效应来存储和处理数据，这可能导致计算化学的革命。1-5，随着嘈杂的中级量子量子（NISQ）计算的出现，6台具有数十个易于错误的Qubits的设备越来越多地用于研究人员和公众。7 - 10由于此类设备无法运行大深度结构化量子算法，因此如何最好地利用它们来解决化学问题的问题具有深厚的科学和商业意义。近年来，在开创性的提案（例如变异量子本质量（VQE））之后，11研究集中在基于参数化量子电路（PQC）的变异算法上。12-14从长远来看，量子相估计（QPE）算法提供了评估分子系统能量的有前途的途径，因为它可能在经典的完整构型间相比（FCI）处理方面具有指数优势。15，16与VQE相比，运行QPE所需的电路深度通常太深而无法在近期量子设备上运行，这使得VQE成为NISQ时代的选择方法。VQE使用参数化的量子电路来表示系统的波函数，并通过调整电路参数来最大程度地减少能量变化来起作用。在这种情况下，量子电路在经典的量子化学算法中起着与ANSATZ相同的作用，同样，也提出了各种不同的ANSA tze。第一个建议是分离的统一耦合群集（UCC）Ansatz，11
评估NISQ ERA设备中噪声对变异量子电路的影响
摘要 - 量子量的有限供应和明显的量子噪声对嘈杂的中等规模量子（NISQ）时代的量子算法的能力施加了限制。NISQ设备具有多种应用，例如变分量子电路（VQC），它为困难优化和机器学习问题提供了答案。本文对NISQ环境中的量子变量分类进行了详尽的研究，重点是理解噪声对各种特征地图和VQC的影响。我们使用各种数据集评估量子分类器的有效性，从直接的二进制分类问题到更复杂的任务。我们的结果揭示了在减轻噪声效果，识别即使在嘈杂的情况下也表现出鲁棒性的特定量子电路设计中特征图和变异电路选择发挥作用的关键作用。为了强调量子机学习在解决NISQ设置中的复杂问题中的潜力，本研究强调了特征映射选择，变化电路设计，数据集复杂性和量子噪声之间的微妙相互作用。索引项 - 各个量子电路，NISQ设备，噪声，特征图，量子分类器。
基于云的 NISQ 量子计算机可靠性的长期分析
不同类型的环境干扰以及量子计算机本身控制中的噪声。环境变化或设备本身的变化都会影响 NISQ 计算机的可靠性和运行。为了让用户可以使用这些 NISQ 量子计算机，越来越多的公司将它们部署为基于云的加速器。如今，公共云基础设施已经允许按需轻松访问来自不同制造商的各种量子计算机。IBM Quantum [6]、Amazon Bracket [1] 和 Microsoft Azure [12] 等基于云的服务是为用户提供超导量子计算机远程访问的服务之一。虽然用户可以借助基于云的服务轻松访问设备，但他们无法控制物理设备及其环境。对于想要使用硬件的用户来说，了解硬件的运行以及硬件中的任何物理或环境变化至关重要。通过分析 IBM Quantum 的真实量子计算机历史校准数据 [ 6 ]，我们证明 IBM Quantum 提供的计算机会经历许多事件，例如量子比特频率发生突变或频率在一段时间内波动。频率本身的变化并不重要。但是，它们可以用作机器环境或物理变化的指标。这些变化反过来又可以与其他属性的变化（如门错误）相关联。通过跟踪量子比特频率的变化，用户可以使用显著的频率变化事件作为重新优化算法的触发器。此外，众所周知，超导量子比特设备对温度变化很敏感。频率变化可以指示用于容纳超导量子比特设备的低温制冷机的热循环。因此，跟踪量子比特频率变化可用于检测物理变化或对机器的篡改。因此，我们研究的一个关键结论是，为了充分描述量子计算机的行为，用户需要了解和跟踪传统指标之外的属性，例如量子比特退相干时间和门错误率。此外，通过历史设备数据，我们分析了不同设备之间的设备离线时间如何关联以及它们如何与频率变化相关联。我们发现了一些相关性，其中许多设备往往同时处于离线状态，这表明它们可能共享冷却、控制或其他基础设施。共享基础设施可能是一个潜在的故障点，希望在 NISQ 量子计算机上可靠地执行程序的用户可能希望避免使用可能共享全部或部分相同基础设施的机器。另一方面，我们还发现，许多频率变化事件与设备可能离线的时间段无关，这表明存在未知且未公开的原因
NISQ 设备的完整活动空间方法
基组 基量子比特数 HF 能量 (Ha) UCCSD-VQE 能量 (Ha) 相关性 (Ha) 精确 CASSCF (Ha) STO-3G 7 8 -74.960337 -75.004076 0.043739 -75.004111 6-31839 -7539. 1 0.051753 -76.035113 CC-PVDZ 24 8 -76.026984 -76.076806 0.049822 -76.076824 ANO-L-VDZP 24 8 -76.054374 -3
嘈杂的中型量子（NISQ）计算机—......
摘要 — 第一批量子计算机最近展示了“量子至上”或“量子优势”：执行传统机器无法完成的计算。当今的量子计算机遵循 NISQ 范式：它们的错误率远高于传统电子设备，并且没有足够的量子资源来支持强大的纠错协议。这就引发了哪些相关计算在 NISQ 架构范围内的问题。几种“NISQ 时代算法”被认为符合此类计算机的特性；例如，变分优化器基于相对较短的量子和经典计算的交织，从而最大限度地提高成功的机会。本文将批判性地评估 NISQ 计算的前景和挑战。这个领域迄今为止取得了什么成就，我们可能很快取得什么成就，我们在哪些方面必须持怀疑态度并等待更大规模的完全纠错架构的出现？索引词——量子计算、NISQ 计算、错误模拟、错误容限分析、错误表征
论 NISQ 时代及以后的量子图卷积神经网络设计
摘要 — 图卷积神经网络 (GCN) 的大小快速增长，在传统计算平台（例如 CPU、GPU、FPGA 等）上遇到了计算和内存瓶颈。另一方面，量子计算为计算提供了极高的并行性。尽管最近对量子神经网络进行了研究，但对量子图神经网络的研究仍处于起步阶段。这里的关键挑战是如何将图拓扑信息和 GCN 的学习能力集成到量子电路中。在这项工作中，我们利用 Givens 旋转及其量子实现来编码图信息；此外，我们采用广泛使用的变分量子电路来引入可学习参数。在此基础上，我们提出了一种全量子设计的图卷积神经网络，即“QuGCN”，用于图结构数据的半监督学习。实验结果表明，我们的设计在 Cora 子数据集上的节点分类准确率方面可与经典 GCN 相媲美。更重要的是，我们展示了当特征数量增加时，所提出的量子 GCN 设计可以实现的潜在优势。