XiaoMi-AI文件搜索系统
World File Search SystemQPU
量子计算用户计划 - OLCF
在 QPU（ibmq_casablanca）上执行的计算，其中模型的三个转译测量电路均包含约 350 个 CNOT 门，与未使用量子比特交换的情况相比，数量增加了两倍
在量子处理器实验室中探索量子引力
全息原理及其在 AdS/CFT 对应中的实现导致了广义相对论和量子信息之间意想不到的联系。这为在桌面量子计算实验中研究量子引力模型的各个方面奠定了基础，否则这些模型很难获得。最近的研究设计了一种特殊的隐形传态协议，实现了一种令人惊讶的通信现象，最自然的解释是可穿越虫洞的物理原理。在这项工作中，我们在最先进的量子计算机上基于该协议进行了量子实验。目标量子处理单元 (QPU) 包括 Quantinuum 的离子捕获系统模型 H1-1 和五个具有各种架构的 IBM 超导 QPU，具有公共和高级用户访问权限。我们报告了从这些 QPU 观察到的隐形传态信号，其中最好的一个达到了理论预测的 80%。在尝试优化协议的过程中，我们确定了一组传输经典比特而不是量子比特的参数，但传输方法仍然采用量子加扰，这是一种意料之外的现象。我们概述了在实施过程中面临的实验挑战，以及这项工作带来的量子动力学新理论见解。我们还开发了 QGLab——一种开源端到端软件解决方案，有助于在由 Qiskit 和 tket SDK 支持的最先进的和新兴的 QPU 上进行虫洞启发的隐形传态实验。我们认为我们的研究和成果是朝着在实验室中实现更复杂的间接探测量子引力实验迈出的早期实际步骤。
quEEGNet：用于生物信号处理的量子人工智能
I. 引言基于深度神经网络 (DNN) 的人工智能 (AI) 技术的飞速发展，通过分析用户的生理数据 [1]，如脑电图 (EEG) [2] 和肌电图 (EMG) [3]，实现了人机界面 (HMI) 包括脑机界面 (BCI) 的实用化。然而，此类生物信号很容易根据每个受试者的生物状态而变化 [4]。因此，典型的 HMI 系统通常需要频繁校准。为了解决这个问题，已经提出了采用领域泛化和迁移学习的主题不变方法 [5]–[11]，以减少 HMI 系统的用户校准。在本文中，我们首次在文献中将一个新兴的框架“量子机器学习 (QML)” [12]–[31] 引入到生物信号处理应用中，展望了未来的量子霸权时代 [32]，[33]。与传统数字计算机相比，量子计算机可以利用叠加和纠缠等量子机制实现计算效率更高的信号处理，不仅在执行时间方面，而且在能耗方面。在过去的几年中，一些供应商已经成功制造出商用量子处理单元 (QPU)。例如，IBM 在 2021 年发布了 127 量子比特 QPU，并计划到 2023 年生产 1121 量子比特 QPU。因此，QML 广泛应用于实际应用已不再遥远。最近，提出了基于变分原理 [34]–[37] 的混合量子-经典算法来处理量子噪声。本文的主要贡献总结如下：
使用电路合成探索量子设计空间
NISQ和FT的量子“汇编”基础架构：•跨门集（NISQ和FT）的便携式，QPU架构•支持更高的维度抽象（多Qubit Gates，Qutrits等）•在多个参数化和具体编码中操纵电路•提供错误缓解
劳伦斯·伯克利国家实验室
量子系统中的紧凑数据表示对于开发用于数据分析的量子算法至关重要。在这项研究中，我们提出了两种创新的数据编码技术，称为Qcrank和Qbart，它们通过均匀控制的旋转门表现出显着的量子并行性。QCrank方法将一系列实价数据编码为数据量置量的旋转，从而增加了存储容量。另一方面，QBART在计算基础上直接合并了数据的二进制表示，需要更少的量子测量结果，并在二进制数据上实现了良好的算术操作。我们展示了针对各种数据类型的建议编码方法的各种应用。值得注意的是，我们演示了诸如DNA模式匹配，重量计算，复杂值共轭的任务的量子算法，以及带有384个像素的二进制图像的检索，所有图像均在Quantinuum捕获的昆虫上执行。此外，我们采用了几种可访问的QPU，包括来自IBMQ和IONQ的QPU，以进行补充基准测试实验。
在存在噪声的情况下，保留变异量子本素层的对称性
量子计算机被认为是目前正在开发的最有前途的技术之一，它将有助于扩展科学发现的范围。这可以通过量子模拟[1]来实现，该量子模拟利用量子处理单元（QPU）的特性来模拟自然发生的量子力学系统。近任期设备范围内最流行的算法之一是变异量子eigensolver（VQE）[2-7]。该算法属于更一般的算法类别，称为混合变异量子算法[8-14]。这些算法的一般原理是使用量子和分类计算机之间的反馈回路来最大程度地减少预定的成本函数。该方法已应用于理论[15 - 27]和实验[2、3、5、12、28-31]的各种量化系统。在VQE的情况下，预定的函数是模拟汉密尔顿相对于QPU状态的期望值。此外，还可以使用多种技术来发现此类系统的更高激发态[6，32，33]。由于提出的噪声弹性，这些变异算法通常在近期设备中特别感兴趣。值得注意的是，参考。[4]证明了针对连贯错误和参考的噪声弹性。[34]证明了噪声弹性
量子互联网计算的兴起
量子比特之间的纠缠2，在互联网规模的长距离上，是许多量子协议的关键，包括量子密钥分发、量子投票等，以及量子门的非局部控制。人们一直在努力建造量子计算机，是否有一种模式成为建造这种量子计算机的主导或最佳方式，还有待观察。与此同时，即使研究人员开发出更强大的量子计算机（支持更多量子比特进行操作，错误率更低），也有机会将来自不同站点的多台量子计算机连接起来，实现更复杂的量子计算，即将不同站点的多台量子计算机互连，使用分布式量子计算机系统（或不同节点的量子处理单元（QPU））执行分布式计算，从而实现分布式量子计算的概念，例如[3]。虽然分布式量子计算可以涉及彼此相邻或位于同一站点的多个QPU，但借助量子互联网，人们可以设想分布式量子
量子近似图切割
确定由基于温度的复制品交换分子动力学（T-REMD）完成的最佳蛋白质构型用于使用蛋白质结合分析，这是准确描绘蛋白质在不同溶剂环境中的行为的重要过程，尤其是在确定蛋白质最佳结合位点以在蛋白质粘结剂和蛋白质蛋白质中使用的最佳结合位点。然而，该分析的完成（通过配置变化推出了顶部绑定位点）是一个多项式状态计算问题，即使在最快的超级计算机上，也可能需要多个小时来计算。在这项研究中，我们旨在确定图形切割是否提供近似溶液，最大问题可以用作一种方法，以在确定表面活性剂蛋白A（SP-A）顶部结合位点（SP-A）的顶部结合位点进行结合分析，以提供与T-REMD相似的结果。此外，我们使用实际量子处理器单元（QPU）在IFF技术的Polar+软件包中使用量子混合算法，使用模拟QPU或量子抽象的机器（QAM）在大型经典计算设备上实现Polar+的实现，并在经典的MaxCut Algorith上实施，以确定超级Commuthm ge grom computige of grow of SuperComputimant of SuperComputime，以确定超级计算机的范围。用于此问题的量子计算设备，甚至在经典设备上使用量子算法。这项研究发现，Polar+对MaxCut近似算法的经典实现或GROMACS T-REMD的使用提供了巨大的加速，并在其QPU和QAM实现中产生可行的结果。然而，使用图切割方法后，缺乏直接构型变化在SP-A的结构上产生的最终结合结果与GROMACS T-REMD产生的结合结果不同。因此，需要完成进一步的工作，以将基于量子的概率转换为基于各种噪声条件的配置更改，以更好地确定量子算法和量子设备在不久的将来可以提供的准确性优势。
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。