XiaoMi-AI文件搜索系统
World File Search SystemPennyLane
Telkomnika电信计算电子和控制
量子机学习是量子计算的重要组成部分，最近在世界范围内引起了研究的关注。在本文中，我们提出了一个量子机学习模型，以使用量子分类器对图像进行分类。我们展示了一个综合的量子分类器的结果，并特别适用于图像数据集的传输学习。这项工作将混合转移学习技术以及经典的预训练网络和变异量子电路作为其最终层在少量数据集中。使用Pennylane使用跨平台软件包的量子处理器中的量子处理器进行实现，用于使用量子计算机来评估高分辨率图像分类器。该模型的性能被证明比其对应物更准确，并且在时间和能力方面胜过所有其他现有的经典模型。
带内核的量子优势探索者 (QuASK)
利用量子信息的特性来造福机器学习模型可能是量子计算领域最活跃的研究领域。这种兴趣支持了多种软件框架（例如 Qiskit、Pennylane、Braket）的开发，以实现、模拟和执行量子算法。它们中的大多数允许我们定义量子电路、运行基本量子算法并访问低级原语，具体取决于此类软件应该运行的硬件。对于大多数实验，这些框架必须手动集成到更大的机器学习软件管道中。研究人员负责了解不同的软件包，通过开发长代码脚本来集成它们，分析结果并生成图表。长代码通常会导致错误的应用程序，因为平均错误数量与程序长度成正比。此外，其他研究人员将很难理解和重现实验，因为他们需要熟悉实验中涉及的所有不同软件框架
量子机器中的数据编码库提案......
摘要 机器学习算法的主要阶段之一是将系统中的输入数据转换为模型可以操作的数字信息。在量子机器学习 (QML) 环境中，一旦信息转换为数值数据，就需要进一步转换以将其转换为量子数据，量子数据可以由模型或量子算法解释。这些方法在文献中通常被称为数据编码或数据嵌入。一个挑战是使用当前提供的软件开发工具包 (SDK)（例如 Qiskit (IBM)、Pennylane (Xanadu) 和 Paddle Quantum (百度)）来实现这些方法，在某些情况下，它们提供了执行数据编码的现成函数。本海报通过三种最常见的方法介绍了一种实现此目的的方法：基编码、振幅编码和角度编码。因此，本文对该主题进行了简要的概念概述，并创建了一个 Python 库并解释了如何实现数据编码问题的解决方案。
MAYANK 优化传送协议...
在本项目中，我们使用变分量子优化 (VQO) 研究了具有噪声资源的量子隐形传态协议。量子隐形传态是一项基本的量子信息论任务，其中 Alice 旨在使用共享纠缠资源和经典通信将未知量子态传送给 Bob。隐形传态协议包括 Alice 实施的测量、将测量结果传输给 Bob 的经典信道以及 Bob 根据测量结果实施的一组校正操作。对于最大纠缠态，Bennett 等人提出的著名标准隐形传态协议。[1] 以贝尔测量和泡利校正的形式定义，给出了一个完美的协议。然而，在存在噪声的情况下，这种完美的隐形传态协议通常是不可能的，相反，人们的目标是通过找到合适的测量和校正操作来最大化协议所谓的隐形传态保真度。在这里，我们使用在 PennyLane 框架中模拟的 VQO ansatz 来寻找实现噪声纠缠资源状态非经典保真度的隐形传态协议。我们对 Badziag 等类的具有幺正和噪声元素的隐形传态协议进行了详细的数值研究。状态，它们是两个加权贝尔态的混合。此外，我们研究了量子三重-沃纳态和量子四重-沃纳态，它们代表了三级或四级量子系统内完全混合和最大纠缠态的混合谱，可用作隐形传态协议中的纠缠资源。
Choruscvr：整个空间的合唱post- ...
本文探讨了令人兴奋且快速发展的量子领域，解释了其核心思想，当前的进步以及如何彻底改变我们解决复杂问题的方式。它首先要分解基础知识，例如量子，量子电路，以及叠加和纠缠等原则如何使量子计算机从根本上不同，并且对于我们今天使用的经典计算机而言，量子计算机根本上有所不同。我们还探讨了Quantum Computing如何处理复杂的概率，以及为什么它独特地适合Challenges古典系统难以处理。本文的很大一部分侧重于Quantum机器学习（QML），量子计算的优势符合人工智能的世界。通过对大量数据集进行处理并优化Intricate算法，以及用于机器学习的新可能性的量子系统。我们强调了将量子和经典计算结合的不同方法，显示了它们如何共同工作以产生更快，更准确的恢复。此外，我们还探索了可用的工具和平台，例如Tensorflow量子，Qiskit和Pennylane，它们正在帮助研究人员和开发人员将这些理论栩栩如生。当然，量子计算并非没有其Hurdles。挑战，例如扩大硬件，纠正错误和保持量子的挑战是重要的障碍。然而，随着基于云的平台和创新技术的快速进步，量子计算的功能比以往任何时候都更加接近。本文旨在提供阅读 -
带内核的量子优势探索者 (QuASK)
摘要 利用量子信息的特性来造福机器学习模型可能是量子计算领域最活跃的研究领域。这种兴趣支持了多种软件框架（例如 Qiskit、Pennylane、Braket）的开发，以实现、模拟和执行量子算法。它们中的大多数允许我们定义量子电路、运行基本量子算法并访问低级原语，具体取决于此类软件应该运行的硬件。对于大多数实验，这些框架必须手动集成到更大的机器学习软件管道中。研究人员负责了解不同的软件包，通过开发长代码脚本将它们集成起来，分析结果并生成图表。长代码通常会导致错误的应用程序，因为平均错误数量与程序长度成正比。此外，由于需要熟悉代码脚本中涉及的所有不同软件框架，其他研究人员将很难理解和重现实验。我们提出了 QuASK，这是一个用 Python 编写的开源量子机器学习框架，可帮助研究人员进行实验，特别关注量子核技术。QuASK 可用作命令行工具来下载数据集、预处理数据集、量子机器学习例程、分析和可视化结果。QuASK 实现了大多数最先进的算法，通过量子核来分析数据，并可以使用投影核、（梯度下降）可训练量子核和结构优化的量子核。我们的框架还可以用作库并集成到现有软件中，从而最大限度地提高代码重用率。
使用恶意软件数据集探索机器学习和量子机学习的漏洞：比较分析
摘要 - 机器学习的新兴领域（ML）和量子机器学习（QML）在解决各个领域的复杂问题方面具有巨大的潜力。但是，在将这些系统部署在安全敏感的应用中时，它们对对抗性攻击的敏感性会引起人们的关注。在这项研究中，我们对ML和QML模型的脆弱性，特别是常规神经网络（NN）和量子神经网络（QNN）进行了比较分析，以使用恶意软件数据集进行对抗攻击。我们利用一个称为夹具的软件供应链攻击数据集，并为QNN和NN开发了两个不同的模型，并采用Pennylane实现了Quantylane，而Tensorflow和Keras进行了传统实现。我们的方法涉及通过将随机噪声引入数据集的一小部分来制作对抗样本，并使用准确性，精度，召回和F1得分指标评估模型性能的影响。根据我们的观察结果，ML和QML模型均表现出对对抗攻击的脆弱性。与攻击后的NN相比，QNN的准确性降低了，但在精确和召回方面表现出更好的性能，表明在对抗条件下检测真正的阳性时的弹性更高。我们还发现，为一种模型类型制定的对抗样品会损害另一种模型的性能，从而强调了对强大的防御机制的需求。我们的研究是未来研究的基础，着重于增强ML和QML模型（尤其是QNN）的安全性和弹性，鉴于其最近的进步。面对对抗性攻击，将进行更广泛的实验，以更好地了解这两种模型的性能和鲁棒性。
量子生成机器学习细节和指导
在开创性论文 [1] 和 [2] 中已开展和详述的工作的基础上，本项目的目的是弥合经典生成对抗网络 (GAN) 和量子生成对抗网络 (QGAN) 之间的差距，通过按照 [3] 中描述的工作生成图像形式的高维数据来合成真实数据（本工作中为图像）。此外，这项工作将研究我们是否可以在近期量子设备（即所谓的嘈杂中等规模量子 (NISQ) 设备）上实验实现真实世界图像的学习和生成，[3] 中提出的当前框架声称它们确实可以做到这一点。这项工作的第一部分将是利用 [1]、[2] 和 [3] 中提出的框架或类似框架，并应用它们来学习从开源人脸数据集（例如 Flickr-Faces-HQ (FFHQ) 或 CelebA，它们都是高质量的人脸图像数据集）中生成全分辨率的人脸图像。此外，还要研究使用量子电路作为生成器的 QGAN 是否可以在不进行降维或传统预处理/后处理的情况下成功生成人脸图像（由于颜色和不规则图像结构的存在，人脸图像是更复杂的图像类型）。这项工作的第二部分将涉及将生成的图像的输出与通过传统 GAN 生成的图像的输出进行比较，并研究 QGAN 方法与传统 ML 方法相比的效率如何。由于高效的量子算法可以解决线性方程，预计 QGAN 可以在比 GAN 更短的时间内学习数据分布。通过比较两种 ML 方法的效率，可以确定是否存在量子优势以及优势的程度。如果开发了任何新的量子算法，那么在设计阶段，人们通常会使用纸笔、非量子语言的 Python 研究代码，理想情况下，还会使用量子语言实现算法的某些部分，例如 IBM Quantum Lab 的 Qiskit 或 Xanadu 的 Pennylane 的量子计算开源框架，并提供 PyTorch 接口（参见 [4]）。关键项目目标最初 3 个月 2024 年 1 月 1 日 – 2024 年 3 月 31 日
量子机器学习的编码技术
如今，量子计算 (QC) 和机器学习 (ML) 是信息技术最具创新性的两个研究领域。量子机器学习 (QML) 将这两个主题融合在一起，开发出能够通过 QC 技术降低计算复杂度的 ML 任务模型。一个相关的 ML 应用是分类，它根据在初步学习过程中建立的模型识别新输入数据所属的类别。这是在由特征（描述数据的数字向量）和标签（预期输出类别）组成的训练数据集上实现的。分类器的准确性可以通过正确预测结果的总数与处理的数据总数来量化。对于近期应用，当前量子硬件在执行可靠性和可扩展性方面的局限性促进了混合 QML 解决方案的定义，这些解决方案充分利用了量子和经典处理。其中，可以提到变分量子电路和基于量子核估计的支持向量机。前者使用经过经典优化的参数化量子电路实现分类模型，以实现更高的精度。另一种尝试使用经典优化器最大化属于两个不同类别的数据的可区分性，并借助量子计算将特征映射到更高维空间中。在这两种情况下，都需要进行初步编码操作以将经典数据表示到量子系统上。然后，根据混合解决方案和信息的表示方式，特定的量子和经典操作完成分类。本论文旨在验证数据编码策略会影响模型的准确性，因此必须将其视为 QML 算法的可优化自由度。特别是，我们考虑了具有最有希望的可扩展性的幅度和角度编码。第一个将数据特征映射到量子位状态向量的概率幅度，而另一个则将数据嵌入为旋转门的角度参数。在这项工作中，我们探索了新的角度编码技术，并将其与文献中已有的技术进行了比较，以观察对准确性的影响，研究了 60 种不同的策略。使用 Pennylane QML 库开发和模拟了派生模型，而测试考虑了 Iris 和 Wine 数据集，以证明分类准确性对编码的依赖性。对于每个