XiaoMi-AI文件搜索系统
World File Search SystemQPU
通过切割增强量子电路的可伸缩性
在NISQ时代，量子算法仅限于宽度和深度降低的电路。混合经典量子算法，例如变分量子算法（VQAS），旨在通过反复运行浅参数化电路来解决深度瓶颈问题。但是，可用QPU中的QPU和古典计算机中的内存数量仍然限制了VQAS的适用性。为了构建高性能量子计算环境，我们将HPC技术与门切割相结合以增强可扩展性。以这种方式，我们可以依次执行量子电路较少的量子电路的一部分，或在单独的计算机中并行执行。在这里，我们仅使用适用于玩具模型和VQA的准概率分解来模拟仅使用局部门模拟两倍的门。此方法引入了所需执行次数的开销，但对于低深度量子电路，例如变化量子eigensolver（VQE）电路可能是合理的。我们探讨了在VQE问题中切割门的潜力，首先是减少噪声对基态能量的影响，其次是仿真资源。
为业务构建的第一台也是唯一的量子计算机
优势是为业务设计的第一个也是唯一的量子系统，是世界上最强大，最连接的商业量子计算机。拥有超过5000 QUAT，15向连接性和功能强大的混合求解器，优势使客户能够解决更大，更复杂的问题并为其业务推动现实世界中的价值。全新优势性能更新包括一个新制造的QPU，以更好地业务绩效。现在，客户可以更加精确地解决更大，更复杂的问题。
使用量子计算从叠后地震数据中估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心
使用量子计算从叠后地震数据估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心 摘要 量子计算越来越被认为是地球物理学的一项变革性技术，它有可能显著提高计算能力和效率。这一进步有望以前所未有的速度模拟和处理复杂的地质数据。最近的研究已经开始探索将量子计算方法应用于简化版本的地震反演问题，强调该技术解决现实世界逆问题的能力。本研究的主要目的是通过使用量子计算机从地震轨迹数据估计声阻抗来解决一个现实、可扩展且与业务相关的问题。据我们所知，这是第一次通过量子计算从地震数据预测地震阻抗，并讨论了在量子处理单元 (QPU) 上解决逆问题的优势。在本文中，我们利用 D-Wave 量子退火器来解决叠后地震反演问题，采用了一种新颖的两步工作流程。在第一步中，我们利用量子退火器从地震数据中估计反射率。随后，这些估计的法向入射反射率作为使用相同量子技术预测声阻抗的基础。为了验证我们方法的有效性，我们提供了五个示例，将 D-Wave 量子退火器的阻抗预测与通过模拟退火（传统上用于地震反演的随机全局优化器）获得的阻抗预测并列。值得注意的是，从量子退火器得出的阻抗仅在一个时期内就与真实值紧密匹配，而模拟退火需要 10 个时期才能达到类似的精度。此外，我们的混合求解器中的 QPU 仅花费约 0.08 秒即可估计这些地震阻抗。与混合求解器的经典组件和模拟退火所需的时间相比，这非常高效，后两者均需要超过 10 秒。这凸显了 QPU 可以在不到一秒的时间内完全解决地震逆问题，凸显了量子计算对地球物理学领域的变革性影响。 引言 量子计算是一个新兴领域，它利用量子力学原理来处理信息，为传统计算带来了范式转变。与以比特为信息基本单位的传统计算机相比，量子计算机
2202.07017.pdf
1. 简介 量子计算是一种利用量子现象进行计算的新范式。目前，有噪声中型量子 (NISQ) 计算机 [1] 的出现，加上量子计算霸权的最新进展 [2, 3]，人们对这些设备的兴趣日益浓厚，因为它们可以比传统机器更快地执行计算任务。在许多近期应用 [4, 5] 中，量子机器学习 (QML) [6, 7] 领域被认为是利用 NISQ 计算机的一种有前途的方法，包括应用于高能物理 [8, 9] 等不断发展的研究领域。如今，量子处理单元 (QPU) 基于两种主要方法。第一种方法基于量子电路和基于量子逻辑门的模型处理器，最流行的实现者是 Google [10]、IBM [11]、Rigetti [12] 或英特尔 [13]。第二种方法采用退火量子处理器，例如 D-Wave [14, 15] 等。这些设备的开发和量子优势的实现 [16] 表明，未来几年将发生计算技术革命。然而，在 QPU 技术发展的同时，我们仍然必须对量子计算进行经典模拟，这一直是量子研究的基石，以阐述新的算法和应用。从理论角度来看，它是测试和开发量子算法的基本工具，而从实验角度来看，它为基准和错误模拟提供了平台。基于电路的量子计算机可以使用薛定谔或费曼方法进行经典模拟 [17, 18]。前者基于跟踪完整量子态并通过专门的矩阵乘法程序应用门。后者受到费曼路径积分的启发，可用于通过对不同历史（路径）求和来计算最终状态的振幅。薛定谔的方法是内存密集型的，因为它需要存储完整的
量子退火 DNA 序列组装算法
摘要背景：组装任务是测序新生物基因组和研究结构基因组变化中不可或缺的步骤。近年来，下一代测序 (NGS) 方法的蓬勃发展为使全基因组测序成为一种快速可靠的工具（例如用于医学诊断）带来了希望。然而，当前处理算法的缓慢性和计算要求阻碍了这一目标的实现，因此需要开发更高效的算法。一种可能的方法是使用量子计算，但目前还未得到充分探索。结果：我们提出了从头组装算法的概念验证，使用基因组信号处理方法，通过计算 Pearson 相关系数来检测 DNA 读数之间的重叠，并将组装问题表述为优化任务（旅行商问题）。将在经典计算机上执行的计算与结合 CPU 和 QPU 计算的混合方法获得的结果进行了比较。为此，使用了 D-Wave 的量子退火器。实验使用来自模拟器的人工生成的数据和 DNA 读数进行，使用实际生物基因组作为输入序列。据我们所知，这项工作是少数使用实际生物序列研究量子退火器上的从头组装任务的工作之一。结论：我们进行的概念验证表明，使用量子退火器 (QA) 进行从头组装任务可能是经典模型中执行的计算的一个有前途的替代方案。现有设备的当前计算能力需要混合方法（结合 CPU 和 QPU 计算）。下一步可能是开发一种专门用于从头组装任务的混合算法，利用其特异性（例如重叠布局共识图的稀疏性和有界度）。
braket-developer-guide.pdf - AWS 文档
在混合量子算法中，量子处理单元 (QPU) 被用作 CPU 的协处理器，从而加快经典算法中的特定计算。这些算法利用迭代处理，其中计算在经典计算机和量子计算机之间移动。例如，量子计算在化学、优化和机器学习中的当前应用基于变分量子算法，这是一种混合量子算法。在变分量子算法中，经典优化程序迭代地调整参数化量子电路的参数，这与基于机器学习训练集中的误差迭代调整神经网络权重的方式非常相似。Braket 提供对 PennyLane 开源软件库的访问权限，该库可帮助您使用变分量子算法。
量子冬天是现实还是神话？
量子寒冬是现实还是神话？它一直是量子计算和量子启发解决方案最新趋势的焦点。本文简要介绍了人工智能寒冬事件，并讨论了量子是否会遭遇同样的命运。不仅仅是量子计算，为什么量子物理如此重要？它是一切的关键吗？它能解开宇宙起源的奥秘吗？量子力学和弦理论是两种领先的理论，可以比大多数理论更好地解释宇宙。但它们都只是理论。近年来，随着 QPU（量子处理单元）和量子启发解决方案的发明，量子计算已不再只是一种理论。很少有人对 QC 的指数级计算能力和在眨眼间解决数十年之久的千年难题持怀疑态度。
用于量子计算的开源模块化框架
1. 简介 量子计算是一种利用量子现象进行计算的新范式。目前，有噪声中型量子 (NISQ) 计算机 [1] 已经面世，再加上量子计算霸权方面的最新进展 [2, 3]，人们对这些设备的兴趣日益浓厚，因为它们可以比传统机器更快地执行计算任务。在许多近期应用 [4, 5] 中，量子机器学习 (QML) [6, 7] 领域被认为是利用 NISQ 计算机的一种有前途的方法，包括应用于高能物理 [8, 9] 等不断发展的研究领域。如今，量子处理单元 (QPU) 基于两种主要方法。第一种方法基于量子电路和基于量子逻辑门的模型处理器，最流行的实现者是 Google [10]、IBM [11]、Rigetti [12] 或英特尔 [13]。第二种方法采用退火量子处理器，例如 D-Wave [14, 15] 等。这些设备的开发和量子优势的实现 [16] 表明，未来几年将发生计算技术革命。然而，在 QPU 技术发展的同时，我们仍然必须对量子计算进行经典模拟，这一直是量子研究的基石，以阐述新的算法和应用。从理论角度来看，它是测试和开发量子算法的基本工具，而从实验角度来看，它为基准和错误模拟提供了平台。基于电路的量子计算机可以使用薛定谔或费曼方法进行经典模拟 [17, 18]。前者基于跟踪完整量子态并通过专门的矩阵乘法程序应用门。后者受到费曼路径积分的启发，可用于通过对不同历史（路径）求和来计算最终状态的振幅。薛定谔的方法是内存密集型的，因为它需要存储完整的