XiaoMi-AI文件搜索系统
World File Search SystemQML
电子 QML 的 VQ 补充信息表-...
按照 MIL-PRF-38534 的所有规定，使用 DLA Land and Maritime-VQ 合格材料和制造施工技术制造、组装和测试的 K 级、H 级、G 级、E 级或 D 级产品，可视为符合此处列出的相应产品保证等级。此列表中包含的信息反映了特定测试样品的一般材料和制造技术。为了保护制造商的专有工艺和材料，仅列出通用工艺和材料。用户必须联系制造商以获取有关特定材料（例如环氧树脂、吸气剂、焊料类型）或工艺细节的任何详细信息。未列出的工艺和材料可能被视为合格，因为与用于认证的工艺和材料相似（例如，不同的电线、封装或芯片尺寸）。有关认证限制的基准，请参阅 MIL-PRF-38534 的附录 E，l 级，主要变更段落。
采用航天级塑料封装的 OPA4H199-SP 40V、QML P 类、抗辐射 (RHA)、轨到轨输入和输出、低失调电压、低噪声运算放大器数据表
• QML P 类抗辐射性能保证 (QMLP-RHA) 等级 • 采用小型 SOT-23 封装 • 辐射性能： – 单粒子闩锁 (SEL) 免疫 65MeV-cm 2 /mg – 总电离剂量 (TID) 抗辐射性能保证 (RHA) 高达 100krad (Si) • 支持国防、航空航天和医疗应用 – 单一受控基线 – 一个制造、装配和测试站点 – 金线 – NiPdAu 引线表面涂层 – 可在军用 (-55°C 至 125°C) 温度范围内使用 – 延长产品生命周期 – 产品可追溯性 – 增强型塑封材料，降低排气量 • 低失调电压：±125µV • 低噪声：1kHz 时为 10.8nV/√Hz • 高共模抑制：130dB • 低偏置电流：±10pA • 轨到轨输入和输出 • 宽带宽：4.5MHz GBW • 高压摆率：21V/µs • 高电容负载驱动：1nF • 多路复用器友好型/比较器输入 • 低静态电流：每个放大器 560µA • 宽电源电压：±1.35V 至 ±20V，2.7V 至 40V • 强大的 EMIRR 性能：输入和电源引脚上的 EMI/RFI 滤波器
自动QML：通过在灰度图像上使用进化算法的稳健量子启发的分类器的自动生成和培训
提出了一种新的混合系统，用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。定义了动态适应性函数，以获得最小的电路复杂性和最高的观点数据精度，从而确保所提出的技术是可以推广且健壮的。同时，它通过惩罚其外观和门数来最大程度地减少生成电路的复杂性。通过使用二维降低方法来减少图像的大小：主成分分析（PCA），该方法在个人内部编码并由系统进行了遗传优化，以及一个小的卷积自动编码器（CAE）。这两种方法相互比较，并采用经典的非线性方法来理解其行为，并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。
加州大学伯克利分校
量子计算是解决各种问题的有前途的工具，因为指数级大的希尔伯特空间可以用多项式数量的量子比特来描述。在高能物理学中，量子场论的模拟尤其有前景，其中每个时空点都有量子自由度，但存在用于状态准备和时间演化的多项式算法 [1,2]。然而，并非所有经典硬算法在量子计算机上都更高效。在高能物理学 (HEP) 中，有一类特别受关注的算法是量子机器学习 (QML)。在本文中，QML 指的是在量子计算硬件上执行的机器学习任务。虽然 QML 并不比经典机器学习 (CML) 更高效，但已经有许多实证研究探索 QML 在 HEP 中的潜力 [3-19]（另请参阅参考文献 [20] 的最新综述）。这些研究得出的一个共同结论是，QML 似乎在小型训练数据集上表现优于 CML。1 虽然对这一观察结果没有严格的解释，但可能是因为 QML 提供了更好的归纳偏差和/或使用较少的参数提供了更多的表达能力。在几乎所有的研究中，当有超过 O (100) 个示例时，CML 的表现都优于 QML。在具有如此少量训练事件的对撞机 HEP 中，几乎没有问题。本文的目标是探索近期 QML 在对撞机物理中的实际用例。另请参阅参考文献 [ 21 ] 以了解 QML 与 CML 的更广泛背景。
药物研发中的量子机器学习
本文探讨了量子机器学习 (QML) 在药物发现中的变革潜力。QML 利用量子计算和先进的机器学习来加速候选药物的识别、预测分子相互作用和优化化合物。关键应用包括高效虚拟筛选、分子模拟和预测建模。虽然前景光明，但 QML 面临着技术挑战，需要量子专家和制药研究人员之间的合作。总之，QML 提供了一种更快、更经济的药物开发途径，有可能重塑制药行业并推动医学科学的发展。
![arXiv:2311.07626v1 [quant-ph] 2023 年 11 月 13 日](/simg/g:\will\search\icon\source\1\187a3380ceaa22ecbc28f757f766ff620967c031.webp)
arXiv:2311.07626v1 [quant-ph] 2023 年 11 月 13 日
量子技术产业正在迅速扩张，为各个科学领域提供了广阔的发展机遇。在这些新兴技术中，量子机器学习 (QML) 因其有可能彻底改变数据处理和分析而引起了广泛关注。在本文中，我们研究了 QML 在遥感领域的应用。人们认为 QML 可以为太空数据分析提供有价值的见解。我们深入探讨了围绕 QML 在遥感领域的量子优势的普遍看法，并强调了需要解决的开放挑战。为了阐明这些挑战，我们进行了一项研究，重点关注核值集中问题，这种现象会对量子计算机的运行时间产生不利影响。我们的研究结果表明，虽然这个问题会对量子计算机性能产生负面影响，但它并没有完全否定 QML 在遥感领域的潜在量子优势。
量子机器学习在网络安全中用于高级威胁检测 Reyadh Alluhaibi
本研究调查了传统机器学习 (CML) 和量子机器学习 (QML) 在分析安全数据集方面的协同作用，并使用基于 QML 和 CML 的模型进行比较分析，以评估它们在数据大小和迭代次数增加时的性能。具体来说，作者采用了流行的机器学习方法，包括支持向量机 (SVM)、神经网络 (NN) 和逻辑回归 (LR)，以评估这些技术在现实世界安全数据集（例如网络入侵检测数据和恶意软件分类日志）上的表现。主要重点是确定 QML 和 CML 方法在处理大规模安全数据方面的有效性和效率。通过严格的实验，该研究突出了 QML 和 CML 的优点和缺点，表明虽然 QML 由于量子并行性而显著加快了大数据集的处理时间，但它在硬件可访问性和噪声敏感性方面面临挑战，而 CML 方法虽然在处理海量数据时速度较慢，但受益于成熟的算法和更强大的基础设施。研究结果为将 QML 和 CML 应用于安全相关应用的实用性提供了重要见解，表明 QML 技术由于其卓越的计算效率，在特定场景（例如实时威胁检测）中可以胜过 CML。然而，量子硬件的当前局限性表明，短期内 CML 在许多应用中仍然更实用。这项工作大大推进了量子机器学习的最新进展。它为安全数据分析的从业者和研究人员提供了重要指导，强调了 QML 彻底改变安全数据处理的潜力，同时承认量子计算技术持续进步的必要性。
面向量子计算专家的机器学习
摘要 量子机器学习 (QML) 是量子计算一个很有前途的早期用例。在过去的五年里，从理论研究和数值模拟到概念验证，QML 取得了进展。在现代量子设备上演示的用例包括对医学图像 [ 1 ] 和 Iris 数据集中的项目进行分类 [ 2 ]、对手写图像进行分类 [ 3 ] 和生成 [ 4 ]、毒性筛查 [ 5 ] 以及学习概率分布 [ 6 ]。QML 的潜在优势包括更快的训练 [ 2 ] 和识别经典算法中找不到的特征图 [ 7 ]。尽管这些示例缺乏商业开发的规模，并且 QML 算法可能还需要几年时间才能取代经典解决方案，但 QML 是一个令人兴奋的领域。本文面向那些已经具备量子计算知识，现在希望获得经典机器学习术语和一些应用的基本概述，准备学习量子机器学习的人士。读者已经了解相关的线性代数，包括希尔伯特空间、具有内积的向量空间。
面向量子计算专家的机器学习
摘要 量子机器学习 (QML) 是量子计算一个很有前途的早期用例。在过去的五年里，从理论研究和数值模拟到概念验证，QML 取得了进展。在现代量子设备上演示的用例包括对医学图像 [ 1 ] 和 Iris 数据集中的项目进行分类 [ 2 ]、对手写图像进行分类 [ 3 ] 和生成 [ 4 ]、毒性筛查 [ 5 ] 以及学习概率分布 [ 6 ]。QML 的潜在优势包括更快的训练 [ 2 ] 和识别经典算法中找不到的特征图 [ 7 ]。尽管这些示例缺乏商业开发的规模，并且 QML 算法可能还需要几年时间才能取代经典解决方案，但 QML 是一个令人兴奋的领域。本文面向那些已经具备量子计算知识，现在希望获得经典机器学习术语和一些应用的基本概述，准备学习量子机器学习的人士。读者已经了解相关的线性代数，包括希尔伯特空间、具有内积的向量空间。
量子机器学习与安全——演示者
在研究 [1] 中，我们研究了针对 QML 的不同类型攻击。这些攻击可以归类到 QML 管道的不同阶段——从数据收集、预处理到训练、测试再到应用（参见 [1] 第 9 节）。如今，所谓的对抗性攻击在攻击者中很流行，因为被攻击的模型保持完整，这使得攻击很难被发现。更准确地说，数据被操纵是为了故意操纵模型在应用阶段的输出，使其行为符合攻击者的利益（打开后门、进行所需的错误分类等）。在 [1] 的第 11.2 节中，我们还在量子机器学习的背景下考虑了此类攻击，并得出结论，QML 容易受到对抗性攻击，就像传统 ML 的情况一样，并确定了研究问题。QML 对数据噪声的固有鲁棒性提出了一个有趣的研究问题。将恶意操纵的数据重新解释为特定类型的噪声，人们可能想知道 QML 方法是否比传统 ML 更能抵御这种攻击类型。事实上，恶意引入的错误的传播在 QML 中的行为与在传统 ML 中的行为不同（参见 [1]，第 11.2 节）。这促使我们从实际角度更深入地研究稳健性。