XiaoMi-AI文件搜索系统
World File Search SystemNISQ
用于学习可转移视觉表征的混合量子-经典神经网络
摘要 由于 QML 算法的学习能力有限、当今嘈杂的中型量子 (NISQ) 设备上可用的计算资源有限以及 QML 模型的经验设计电路假设，最先进的量子机器学习 (QML) 算法未能提供比其众所周知的强大的经典算法更好的实际优势。在这项工作中，我们通过提出一种混合量子-经典神经网络 (CaNN)（我们称之为 QCLIP）来解决这些挑战，用于量子对比语言-图像预训练。QCLIP 不是训练监督式 QML 模型来预测人类注释，而是专注于更实用的可转移视觉表征学习，其中开发的模型可以推广到看不见的下游数据集。QCLIP 是通过使用 CaNN 生成低维数据特征嵌入，然后使用量子神经网络来调整和推广量子希尔伯特空间中学习到的表征来实现的。实验结果表明，混合 QCLIP 模型可以有效地进行表征学习训练。我们在各种数据集上评估了 QCLIP 与经典对比语言图像预训练模型的表征迁移能力。NISQ IBM_Auckland 量子计算机上的模拟结果和真实设备结果均表明，所提出的 QCLIP 模型在所有测试用例中均优于经典 CLIP 模型。随着 NISQ 设备上的 QML 领域不断发展，我们预计这项工作将为这一前景广阔的领域的未来研究和进步奠定宝贵的基础。
深度受限量子密码学及其在一次性记忆等领域的应用
借助量子信息的力量，我们可以实现令人兴奋且在经典上不可能实现的密码原语。然而，几乎所有的量子密码学在近期的中型量子技术（NISQ 技术）中都面临着极大的困难；即量子态的寿命短和有限的顺序计算。同时，仅考虑有限的量子对手仍可能使我们实现以前不可能完成的任务。在这项工作中，我们考虑了针对有限量子对手（深度受限对手）的量子密码原语。我们引入了一个（深度受限）NISQ 计算机模型，它们是与浅量子电路交错的经典电路。然后，我们证明了可以针对工作中引入的任何深度受限的量子对手实现一次性记忆，其深度是任何预先固定的多项式。因此，我们获得了一次性程序和一次性证明等应用。最后，我们证明了我们的一次性记忆即使针对恒定速率错误也具有正确性。
使用云上的量子计算机
E. Pelofske，A。Bärtschi和S. Eidenbenz，“实践中的量子量：用户可以从NISQ设备中期望的东西”，在IEEE Quantum Engineering的IEEE交易中，第1卷。3，pp。1-19，2022，Art No。 3102119。1-19，2022，Art No。3102119。
![arxiv：2401.02355v1 [Quant-ph] 2024年1月4日](/simg/g:\will\search\icon\source\d\d6bdb8f49131806733e5a9ee48e9f7a807f79467.webp)
arxiv：2401.02355v1 [Quant-ph] 2024年1月4日
适用于找到哈密顿量的基态的变异量子量化算法（VQE）算法特别适合在嘈杂的中间尺度量子（NISQ）设备上部署。在这里，我们使用量子电路ANSATZ利用VQE算法，灵感来自密度基质重质化组（DMRG）算法。改善逼真的噪声对方法的性能的影响，我们采用了零噪声外推。我们发现，通过现实的错误率，我们的DMRG-VQE混合算法为强相关系统提供了良好的结果。我们使用海森堡模型在Kagome晶格贴片上说明了我们的方法，并证明了DMRG-VQE混合方法可以定位，并忠实地代表了此类系统的基础状态。此外，此工作中使用的参数化ANSATZ电路的深度很低，需要相当少量的参数，因此对于NISQ设备来说是有效的。
量子错误缓解公式的概述
最小化噪声的影响对于量子计算机至关重要。保护Qubits免受噪声的常规方法是通过量子误差校正。然而，对于所谓的嘈杂中间尺度量子（NISQ）时代中的当前量子硬件，这些系统中的噪声呈现出噪声，并且太高，无法进行误差校正以至于无法受益。量子误差缓解是一组替代方法，用于最大程度地减少误差，包括误差外推，概率误差cancella，测量误差缓解，子空间扩展，对称性验证，虚拟扭曲等。这些方法的要求通常比误差校正要小。量子误差缓解是减少NISQ量子计算机上误差的一种有希望的方法。本文对减轻量子错误的全面介绍。以一般形式涵盖和制定了最新的误差缓解方法，该方法提供了比较，结合和优化未来工作中不同方法的基础。
用于验证的可扩展编程工作流程...
摘要 —混合量子-经典工作流已成为执行变分算法和其他量子模拟技术的标准方法，这些技术是噪声中型量子 (NISQ) 计算机的关键应用。验证这些模拟是一项重要任务，有助于衡量量子计算机发展的进展，而经典模拟可以作为实现这一目标的工具。具有可量化误差界限的精确和更具可扩展性的近似方法都可用于验证任务，其中适用的指标包括与可计算的基本事实的距离、误差模型与数据的拟合质量等。在这里，我们提出了一个库扩展，其中包括基于可在高性能计算机上执行的可扩展混合工作流的量子模拟验证方法。我们提供使用基于张量网络和稳定器模拟器的近似方法来限制 NISQ 硬件上量子模拟的误差的示例。索引术语 —量子计算、量子编程
UC Berkeley
当前一代嘈杂的中间量子量子（NISQ）硬件的成功表明，即使没有错误校正，量子硬件也可能能够解决复杂的问题。一个杰出的问题是这些设备的复杂性增加引起的连贯错误。这些错误可以通过电路积累，从而使它们对算法的影响难以预测和减轻。迭代算法（如量子假想时间的演化）易受这些错误的影响。本文介绍了使用随机编译和缓解误差和纯化的噪声调整的组合。我们还表明，循环基准测试对纯度的可靠性进行了估计。我们将此方法应用于横向场ISING模型的量子假想时间演变，并报告了能量估计和基础状态，两者均低于1％。我们的方法是一般的，可用于其他算法和平台。我们展示了将噪声调整和缓解误差的结合如何推动NISQ设备的性能。
减轻数字和数字模拟量子计算中的噪声
噪声中型量子 (NISQ) 设备缺乏错误校正，限制了量子算法的可扩展性。在这种情况下，数模量子计算 (DAQC) 提供了一种更具弹性的替代量子计算范式，它通过将单量子位门的灵活性与模拟的稳健性相结合，表现优于数字量子计算。这项工作探讨了噪声对数字和 DAQC 范式的影响，并证明了 DAQC 在缓解错误方面的有效性。我们比较了超导处理器中各种单量子位和双量子位噪声源下的量子傅里叶变换和量子相位估计算法。DAQC 在保真度方面始终超越数字方法，尤其是随着处理器尺寸的增加。此外，零噪声外推通过减轻退相干和固有误差进一步增强了 DAQC，对于 8 量子位实现了 0.95 以上的保真度，并将计算误差降低到 10 −3 的数量级。这些结果证实了 DAQC 是 NISQ 时代量子计算的可行替代方案。
变分量子算法中噪声引起的荒芜高原
变分量子算法 (VQA) 可能是在嘈杂的中型量子 (NISQ) 计算机上实现量子优势的一条途径。一个自然的问题是 NISQ 设备上的噪声是否会对 VQA 性能造成根本限制。我们严格证明了嘈杂的 VQA 的一个严重限制，即噪声导致训练景观出现贫瘠高原（即梯度消失）。具体而言，对于考虑的局部泡利噪声，我们证明如果假设的深度随 n 线性增长，则梯度会在量子比特数 n 中呈指数消失。这些噪声引起的贫瘠高原 (NIBP) 在概念上不同于无噪声贫瘠高原，后者与随机参数初始化有关。我们的结果是为通用假设制定的，其中包括量子交替算子假设和酉耦合簇假设等特殊情况。对于前者，我们的数值启发式方法证明了现实硬件噪声模型的 NIBP 现象。
价值键固体的变异量子模拟
我们引入了一种杂种量子古典变异算法，以模拟热力学极限中沮丧的量子自旋模型的地面状态相图。该方法基于群集 - gutzwiller ansatz，其中群集的波函数由一个组成的量子电路提供，其关键的目标是允许在最近的neighbor qubits上产生价值的两倍真实的Xy闸门允许。附加可调的单量Z-和双Qubition Zz-旋转门允许描述杂志有序和顺磁性相，同时将变化优化限制为U（1）子空间。我们将其替补 - 标记了针对正方形晶格上的J 1 - J 2 Heisen-Berg模型，并覆盖了其相图，该模型的相图设有长距离订购的Néel和柱状反铁磁相，以及由2×2 我们的申请表明，算法的收敛性是由远程顺序的开始引导的，开辟了一种有前途的途径，以合成的方式实现沮丧的量子杂志，以及其量子相过渡到其向Parmagnetic Valence-Bond固体的量子固体，并以车程开发了超支电路电路。 杂种量子古典变异算法，即所谓的变分量子算法（VQA），是当前研究的中心，因为它们的潜力在提供了当前发达的噪声中等中等范围的量表量子（NISQ）设备方面的有用应用[1]。 它们由一个通用反馈循环组成，其中NISQ DECICE通过参数提供量子状态 -我们的申请表明，算法的收敛性是由远程顺序的开始引导的，开辟了一种有前途的途径，以合成的方式实现沮丧的量子杂志，以及其量子相过渡到其向Parmagnetic Valence-Bond固体的量子固体，并以车程开发了超支电路电路。杂种量子古典变异算法，即所谓的变分量子算法（VQA），是当前研究的中心，因为它们的潜力在提供了当前发达的噪声中等中等范围的量表量子（NISQ）设备方面的有用应用[1]。它们由一个通用反馈循环组成，其中NISQ DECICE通过参数提供量子状态 -