XiaoMi-AI文件搜索系统
World File Search SystemNov
![arxiv：2011.10903v1 [Quant-PH] 2020年11月22日](/simg/g:\will\search\icon\source\e\e42cf64e444a6b762ee2cf47ef5012ee8e66a60d.webp)
arxiv：2011.10903v1 [Quant-PH] 2020年11月22日
量子系统集合的研究在物理学哲学中为辩论提供了伟大的辩论。处理化合物量子系统时发生的第一个非凡的事情是，它们可以在纠缠状态[1，2，3，4]。第二次出色的事情 - 这是这项工作的主题 - 量子对象似乎以没有经典类似物的方式没有区别[5,6,7,8]。量子力学的这两个方面不应被混淆：必须作为量子理论的独立公理引入不可区分的性，并且可以在对称状态下制备量子对象，而无需显示任何纠缠[9]。量子系统身份的状态几乎是自理论概念以来的问题。量子形式主义的许多方面表明，量子系统某种程度上缺乏身份。从某种意义上说，它们似乎是非个人的。文献中量子系统脱离经典身份概念的程度的文献中的立场。也许最激进的立场是E. Schr odinger的立场，他声称量子系统完全无法区分[6，7]。量子的连接与不可分性的原理（PII）的原理也很大程度上受到了争论，大多数
![arXiv:2006.06491v2 [nucl-th] 2020 年 11 月 16 日](/simg/g:\will\search\icon\source\f\f34ba554ffeb1eb1261e8ea9701249abd0129811.webp)
arXiv:2006.06491v2 [nucl-th] 2020 年 11 月 16 日
从量子相位估计 (QPE) 算法出发，提出了一种在量子计算机上构建描述关联多体系统的纠缠态的方法。使用已知离散特征值集的算子，QPE 方法随后进行测量，作为纠缠态的投影。然后，这些状态可用作进一步量子或混合量子经典处理的输入。当算子与汉密尔顿量的对称性相关联时，该方法可看作是对称性破坏和对称性恢复的量子计算机公式。该方法称为离散谱辅助 (DSA)，适用于超流体系统。通过使用适用于量子位的阻塞技术，可以获得配对汉密尔顿量的完整光谱。
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日](/simg/g:\will\search\icon\source\c\c6136e3d3be86df63cc8a76a434fa2b1531d99d1.webp)
arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日
在过去的几年中，提出了几种量子机器学习算法，这些算法有望比经典算法实现量子加速。这些学习算法中的大多数要么假设量子访问数据——因此，如果不做出这些强有力的假设，量子加速是否仍然存在尚不清楚，要么本质上是启发式的，没有可证明的优势优于经典算法。在本文中，我们使用一种通用量子学习算法建立了一种严格的量子加速监督分类方法，该算法只需要经典访问数据。我们的量子分类器是一种传统的支持向量机，它使用容错量子计算机来估计核函数。数据样本被映射到量子特征空间，核条目可以估计为量子电路的跃迁幅度。我们构建了一个数据集系列，并表明，假设离散对数问题具有普遍的难度，没有一个经典学习器能够比随机猜测更好地对数据进行逆多项式分类。同时，量子分类器实现了高精度，并且对于由有限采样统计引起的内核条目中的附加错误具有很强的鲁棒性。
![arxiv：2003.13653v3 [CS.CV] 2020年11月26日](/simg/g:\will\search\icon\source\1\162a7bf0dc00e22076b28e9894d902f162542492.webp)
arxiv：2003.13653v3 [CS.CV] 2020年11月26日
摘要。神经胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵略性，可变的预后和各种异质性组织学子区域，即周围肿瘤性水肿，坏死性核心，增强和非增强的肿瘤核心。尽管可以使用多模式MRI轻松检测到脑部，但准确的肿瘤分割是一项艰巨的任务。因此，使用Brats Challenge 2020提供的数据，我们提出了一个3D体积到体积的对逆向网络，用于分割脑肿瘤。该模型称为Vox2Vox，从多通道3D MR图像产生现实的分割输出，将平均值为87.20％，81.14％和78.67％的整体，核心和增强肿瘤作为骰子分数为币和6.44毫米，24.36mm，以及距离为6.95mm，以及距离为6.95mm，以及距离为6.95毫米，均为95毫米，均为95毫米，均为95毫米。通过10倍交叉验证获得的Vox2Vox模型。
![arXiv:2001.11635v2 [cond-mat.dis-nn] 2020 年 11 月 29 日](/simg/g:\will\search\icon\source\3\3661be7f9b16f1d9658ad16de93b122e773a4691.webp)
arXiv:2001.11635v2 [cond-mat.dis-nn] 2020 年 11 月 29 日
我们提出了一个简单的模型系统，其中四个硬盘在一个圆形区域内移动，可以直接计算自由能景观，并在二维和三维中将其可视化。我们为我们的系统构建了几个能量景观，并探索了每个景观在理解系统动力学方面的优势和局限性，特别是状态转换和自由能屏障之间的关系。我们还证明了区分实空间中的系统动力学和景观坐标中的系统动力学的重要性，并表明必须注意适当地将动力学与屏障属性结合起来才能理解转换速率。这个简单的模型提供了一种直观的方式来理解自由能景观，并说明了自由能景观相对于势能景观的优势。
![arXiv:2012.05768v3 [quant-ph] 2021 年 11 月 11 日](/simg/g:\will\search\icon\source\4\4d1143768b67481cbe5cb2ad890fc75e6a5986a5.webp)
arXiv:2012.05768v3 [quant-ph] 2021 年 11 月 11 日
在量子计算中，估计量子数据之间的差异至关重要。然而，作为量子数据相似性的典型特征，迹线距离和量子保真度通常被认为难以评估。在这项工作中，我们引入了这两种距离测量的混合量子-经典算法，适用于不需要假设输入状态的近期量子设备。首先，我们介绍了变分迹线距离估计 (VTDE) 算法。我们特别提供了通过局部测量提取任何 Hermitian 矩阵的所需频谱信息的技术。然后，在单个辅助量子位的帮助下，从该技术推导出一种用于迹线距离估计的新型变分算法。值得注意的是，由于局部成本函数，VTDE 可以避免对数深度电路的贫瘠高原问题。其次，我们介绍了变分保真度估计 (VFE) 算法。我们结合乌尔曼定理和净化自由度，将估计任务转化为辅助系统上具有固定净化输入的单元优化问题。然后，我们提供了一个净化子程序来完成转换。这两种算法都通过数值模拟和实验实现进行了验证，对于随机生成的混合状态表现出很高的准确性。
![arXiv:2111.09595v2 [quant-ph] 2021 年 11 月 19 日](/simg/g:\will\search\icon\source\8\8620e293a8974cbcc62c88ac104a6407d30d0737.webp)
arXiv:2111.09595v2 [quant-ph] 2021 年 11 月 19 日
1 柏林洪堡大学物理研究所 2 滑铁卢大学量子计算研究所和物理与天文系 3 卡尔加里大学量子科学与技术研究所和物理与天文系 4 阿尔伯塔大学物理系 5 耶拿弗里德里希席勒大学应用物理研究所、阿贝光子学中心 6 剑桥大学卡文迪许实验室 7 弗劳恩霍夫应用光学与精密工程研究所 8 思克莱德大学 SUPA 物理系 9 巴塞罗那科学技术学院 ICFO-光子学研究所 10 加州理工学院喷气推进实验室 11 柏林自由大学理论物理研究所 12 南安普顿大学物理与天文系 13 SUPA 光子学与量子科学研究所赫瑞瓦特大学 14 德国光学中心光学传感器系统研究所 (DLR) 15 柏林工业大学光学与原子物理学研究所 16 新加坡国立大学量子技术中心
![arXiv:2405.12085v2 [quant-ph] 2024 年 11 月 25 日](/simg/g:\will\search\icon\source\4\4f6ded12cd175110a056dda36fea62b97d7aa029.webp)
arXiv:2405.12085v2 [quant-ph] 2024 年 11 月 25 日
这项工作研究了量子电路的近期可学习性。我们展示了量子统计查询对于学习量子过程的自然稳健性，并提供了一种从统计数据中对全局去极化噪声进行基准测试的有效方法，这为我们开发抗噪声算法提供了强大的框架。我们将恒定深度量子电路的学习算法调整为量子统计查询设置，查询复杂度的开销很小。我们证明了使用统计查询学习钻石距离内对数和更高深度的随机量子电路的平均下限。最后，我们通过构建有效的区分器并证明量子无免费午餐定理的新变体，证明了伪随机幺正（PRU）不能使用恒定深度的电路构建。
理工学士和理工硕士（综合） - 2021 年 11 月规定
（适用于 2022 - 2023 和 2023-2024 学年就读 B.Tech 的考生）（适用于 2021 - 2022 至 2023 - 2024 学年就读 M.Tech (Int.) 的考生）
![arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日](/simg/g:\will\search\icon\source\a\a950b131d362b47fd5ae1cd14876a3bec7368c35.webp)
arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日
在多模态学习中，某些模态比其他模态更有影响力，而它们的缺失会对分类/分割准确性产生重大影响。为了应对这一挑战，我们提出了一种新方法，称为元学习模态加权知识蒸馏（MetaKD），该方法可以使多模态模型即使在关键模态缺失的情况下也能保持高精度。MetaKD 通过元学习过程自适应地估计每种模态的重要性权重。这些学习到的重要性权重指导成对模态加权知识蒸馏过程，允许高重要性模态将知识迁移到低重要性模态，从而即使缺少输入也能实现稳健的性能。与该领域以前的方法通常针对特定任务且需要进行重大修改不同，我们的方法旨在以最少的调整完成多项任务（例如分割和分类）。在五个流行数据集（包括三个脑肿瘤分割数据集（BraTS2018、BraTS2019 和 BraTS2020）、阿尔茨海默病神经成像计划 (ADNI) 分类数据集和 Audiovision-MNIST 分类数据集）上的实验结果表明，所提出的模型能够大幅超越比较模型。