XiaoMi-AI文件搜索系统
World File Search SystemQASM
验证的量子序列的汇编-ACM数字库
量子算法通常在经典数据的量子叠加上应用经典操作，例如算术或谓语检查；这些所谓的甲壳通常是量子程序中最大的组成部分。为了简化高效，正确的Oracle功能的构建，本文介绍了VQO，这是COQ证明助手实施的高保证框架。VQO的核心是O QASM，Oracle量子组装语言。o Qasm操作通过量子傅立叶变换在两个不同的基础之间移动量子位，因此承认了重要的优化，但没有引起纠缠和随附的指数爆炸。o QASM的设计使我们能够证明VQO的编译器从一种名为O QIMP到O QASM的简单命令性语言，从O Qasm到SQIR，从O QASM到SQIR，一种通用量子量组装语言 - 允许我们通过基于QuickChick property属性属性的测试框架有效地测试O Qasm程序的质量质量。我们已经使用VQO实施了各种算术和几何操作员，这些算术和几何操作员是重要的Oracles的构建块，包括Shor's和Grover的算法中使用的Oracles。我们发现，与使用lclassicalžGates构建的量子相比，VQO的基于QFT的算术甲壳所需的量子量要少，有时甚至少得多。但是，VQO的后者版本与Quipper生产的Oracles（在Qubit和Gate计数方面）相当或更好，这是一个最先进但未验证的量子编程平台。
2022 年量子计算趋势
● 量子比特 - 量子信息的基本单位，是经典二进制比特的量子版本。它可以存在于叠加态 - 0 到 1 之间的任何状态 ● 量子比特保真度 - 量子比特保持相干/可操作的时间 ● 量子效应 - 叠加、干涉和纠缠 ● NISQ - 嘈杂的中尺度量子技术，通常指现代非常嘈杂的量子计算机 ● QASM - 用于编程量子计算机的量子组装 ● 量子霸权 - 证明可编程量子设备可以解决经典计算机无法在任何可行时间内解决的问题（任何问题） ● 量子优势 - 与霸权相同，但用于有用的应用
基于余弦相似度的量子二元分类器 - IRIS
控制门 RY (0 . 49 π ) 所需的辅助量子位，q 5 是用于对数据进行幅度编码的 1 量子位寄存器，q 6 是编码标签的量子位。在 IBM 量子处理器 ibmq 16 melbourne 上运行该算法可提供 1024 次采样来对量子位 q 0 进行采样。获得的 P (1) 估计为 ˆ P = 490 / 1024 ≃ 0 . 48，则分配给 x = (0 . 884 , 0 . 468) 的标签为 y = − 1，正如预期的那样。尽管在此测试中分类正确，但与模拟器 ibm qasm simulator 的结果进行比较表明，所考虑的量子机过于嘈杂，无法通过算法 1 进行良好的分类。模拟器的输出统计数据提供 ˆ P = 273 / 1024 ≃ 0 . 27 。此结果与未分类数据向量 x 接近训练向量之间的中间点的事实一致。使用相同的训练点和新的未标记实例 x = (0 . 951 , 0 . 309)（其正确分类为 y = 1）重复实验，量子机失败。事实上 ibmq 16 melbourne 返回相对频率 ˆ P = 338 / 1024 ≃ 0 . 38 ，因此它将 x 归类为 y = − 1 。在同一个测试中，模拟器 ibm qasm simulator 返回 ˆ P = 244 / 1024 ≃ 0 . 24 正确分类。观察到的分类准确性不足取决于所考虑的量子处理器的低量子体积 1（QV = 8）。未来工作的内容可能是在更大、更可靠的硬件上进行测试（例如，具有 27 个量子比特和 QV=128 的 IBM 量子机器 ibmq montreal）。所提出的量子分类器的指数加速归因于在对数时间内有效准备量子态以及在恒定时间内执行分类本身（这取决于所需的准确性）。事实上，选择 QRAM 是出于对总体时间复杂度的明确估计，但允许使用其他有效的初始化来运行此量子分类器。
用 Fenna-Matthews-Olson 复合体演示的开放量子动力学通用量子算法
使用量子算法模拟量子物质中的复杂物理过程和相关性一直是量子计算研究的主要方向，有望实现优于传统方法的量子优势。在这项工作中，我们开发了一种广义量子算法来模拟由算子和表示或林德布拉德主方程表示的任何动态过程。然后，我们通过在 IBM QASM 量子模拟器上模拟 Fenna-Matthews-Olson (FMO) 复合体的动态来演示量子算法。这项工作首次演示了一种用于开放量子动力学的量子算法，该动力学过程涉及现实生物结构，具有中等复杂的动态过程。出于同一目的，我们讨论了量子算法相对于经典方法的复杂性，并基于量子测量的独特性质展示了量子方法的决定性查询复杂性优势。
优化量子电路以实现任意状态的合成和初始化
摘要 — 为了将量子系统实际用于解决实际问题，需要将大量经典数据传输/编码到量子域。通常通过合成和初始化相应的量子态将任意经典数据编码到量子设备中。然而，当前的任意状态合成技术会产生深而复杂的量子电路，导致状态保真度低，并可能违反退相干约束。在这项工作中，我们提出了一种改进的方法和优化的电路，用于从给定的经典数据合成任意量子态。与现有方法相比，所提出的方法可产生具有较低门数、较低电路深度和高状态保真度的电路。通过在 MATLAB 和 IBM qasm 中进行模拟以及在 IBM 量子设备上的实际实现，对所提出的方法进行了评估。实验结果表明，与现有方法相比，门数和电路深度减少了一半。索引术语 — 量子计算，量子电路
基于变分量子发射的波导模式模拟
摘要 — 当前的量子计算机 (QC) 属于嘈杂的中型量子 (NISQ) 类，其特点是量子比特嘈杂、量子比特能力有限、电路深度有限。这些限制导致了混合量子经典算法的发展，该算法将计算成本分摊到经典硬件和量子硬件之间。在混合算法中，提到了变分量子特征值求解器 (VQE)。VQE 是一种变分量子算法，旨在估计通用门量子架构上系统的特征值和特征向量。电磁学中的一个典型问题是波导内特征模的计算。按照有限差分法，波动方程可以重写为特征值问题。这项工作利用量子计算中的量子叠加和纠缠来解决方波导模式问题。随着量子比特数的增加，该算法预计将比传统计算技术表现出指数级的效率。模拟是在 IBM 的三量子比特量子模拟器 Qasm IBM Simulator 上进行的。考虑到基于计算的量子硬件测量，进行了基于镜头的模拟。以二维本征模场分布形式报告的概率读出结果接近理想值，量子比特数很少，证实了利用量子优势制定创新本征解法的可能性。
在 IBM 量子计算机上实现一种用于估计有限方阱势中粒子能量的量子算法
通过 QASM 语言，这是 IBM Q Experience 团队发明的一种用于创建量子电路的语言。另一方面，第二种方法是编写 Python 代码并使用名为 QISKit [32] 的 Python 软件开发工具包 (SDK) 运行它们，它适用于所有类型的算法。因此，我们在本文中展示的工作是使用 QISKit 进行的。可通过云端公开访问的量子设备分别由 IBM Q 5 Yorktown (ibmqx2) 、IBM Q Burlington 、IBM Q 5 London 、IBM Q Essex 、IBM Q Vigo 和 IBM Q Ourense（六个 5 量子比特设备）以及 IBM Q 16 Melbourne 和 IBM Q Armonk（16 量子比特和 1 量子比特设备）表示。用于模拟的经典后端称为 IBMQ QASM 模拟器。所有后端都与一组由单量子比特旋转和相移门组成的量子门一起工作。所有其他单量子比特门（如 X、S、R z 等）一般都是由这三个门的序列构成的，它们与 CNOT 一起构成量子门的通用集。除了量子比特的数量之外，所提到的量子设备在量子比特连接或拓扑方面也有所不同，IBM Q Experience 将其称为设备的耦合图 [33]。在本文中，我们修改并在 IBM 量子计算机上实现了参考文献 [34] 中研究的量子算法，使用相位估计技术找到有限方阱势一维薛定谔方程的基态和第一激发态的能量特征值。我们使用试验波函数作为初始状态，并在位置和动量空间中将其离散化。我们还在希尔伯特空间中构建了时间演化矩阵，其中定义了计算基向量（即量子比特态）。然后，我们将时间演化电路应用于最初准备的寄存器，并使用相位估计方法获得包含能量的相位。我们表明，所提出的算法可以以合理的误差实现预期结果。除了众所周知的量子相位估计方案外，我们还讨论了迭代相位估计方法的实现，以减少电路尺寸和量子比特数，从而有效利用 IBM 量子计算资源。最重要的是，为了充分利用 5 量子比特 IBM 后端，我们通过选择迭代相位估计技术将电路尺寸从文献 [34] 中使用的 8 个量子比特缩短到 5 个。本文组织如下。第 3 节描述了基于相位估计方法的量子算法的步骤。要执行数字量子模拟，我们需要设计时间演化算子来找到系统的能量特征值。此外，坐标应该离散化，初始波函数在网格点上近似。我们还解释了本文使用的两种相位估计算法。在第 4 部分中，我们解释了如何为时间演化算符中的动能和势能项构造量子门。第 5 节给出了结果和讨论，第 6 节讨论了最后的评论。
疏水-亲水模型中蛋白质结构预测的快速量子算法
蛋白质的展开形式是氨基酸的线性序列。蛋白质结构预测试图找到给定蛋白质的天然构象，这在药物和疫苗开发中具有潜在的应用。经典的蛋白质结构预测是一个 NP 完全的、未解的计算问题。然而，量子计算有望提高经典算法的性能。在这里，我们在二维方格上的疏水-亲水模型中开发了一种量子算法，用于解决任何长度为 N 的氨基酸序列的问题，其速度比经典算法快二倍。这种加速是使用 Grover 的量子搜索算法实现的。该算法可用于任意长度的氨基酸序列。它包括三个阶段：（1）准备一个编码所有可能的 2 2 ( N − 1 ) 种构象的叠加态，（2）并行计算每种可能构象的坐标和能量，以及（3）找到具有最小能量的构象。空间上的渐近复杂度为 O ( N 3 ) ，而与经典算法相比，获得的加速比是二次的。我们已使用 Qiskit SDK 在 IBM Quantum 的 qasm 模拟器上成功模拟了该算法。此外，我们还通过计算找到正确构象的理论概率进一步证实了结果的正确性。
QHDL：量子计算的低级电路描述语言
变分的特征素[1]或新兴的量子机学习[9]，将计算分配给Quantum和经典部分，它们共同解决给定问题。与当今的松散集成的量子计算系统相比，在通用计算机上进行了经典的处理，我们设想，如图1所示，紧密整合的系统至少在这些部分中至少发生在量子处理器附近的专用硬件中的某些部分，变得更加可行。例如，这样的系统可能有助于处理具有低延迟和高带宽要求的实时或流数据，从重复的量子计算中进行更高级的统计收集，或者实施闭环杂交算法，其中量子计算部分地观察到量子计算，并将控制回到量子处理单元（QPU）量子（QPU）中，同时量化了量子量的量子，该量子量量子（QPU）量身定量，同时又有量子量。合适的硬件已经由其他人构建[12]，尽管重点不同。在这项工作中，我们专门针对经典部分和量子零件之间的高度优化的整合，这与诸如Qiskit或CIRQ之类的流行方法[6]。我们使用对序列进行的隐式公式，其中与QASM [2]和Quil [10]相比，进行基本操作而不是显式ISA方法。这项工作的主要贡献是第3节中QHDL语言的定义，以及概念验证QHDL/VHDL共同模拟环境的实施虽然Quingo [3]等现有框架可以通过基于指令的经典计算来处理量子计算的实时集成，但我们建议利用用于门或寄存器 - 转移级别建模的硬件说明语言的精细粒度计时功能。