XiaoMi-AI文件搜索系统
World File Search SystemQPU
分布式量子计算中的量子算法
摘要 分布式量子计算 (DQC) 提供了一种使用通过量子通信链路连接的多个量子处理单元 (QPU) 来扩展量子计算机的方法。在本文中，我们构建了一个分布式量子计算模拟器，并使用该模拟器研究量子算法，例如量子傅里叶变换、量子相位估计、量子振幅估计以及 DQC 中的概率分布生成。该模拟器可用于轻松生成和执行分布式量子电路，获取和基准测试 DQC 参数，例如算法的保真度和纠缠生成步骤的数量，并在分布式环境中使用动态电路来改进结果。我们展示了动态量子电路在 DQC 中的适用性，其中使用中间电路测量、局部操作和经典通信代替嘈杂的处理器间（非局部）量子门。
了解量子技术 2024
算法：改进了数据加载部分，在数据准备技术中添加了块编码，并在算法中添加了半经典 QFT。改进了 Shor 整数分解算法和 QPE 算法的解释。添加了一个表格，总结了 Shor 整数分解、Shor 离散对数和量子相位估计算法之间的差异。更新了 NISQ 部分，考虑到 IBM 和 Quantinuum QPU 在量子比特保真度方面的最新进展。更好地解释了 DAQC 计算范式。添加了一个图表，定位了解决组合优化问题的经典和量子方法。在复杂性类部分中添加了一些复杂性类：FP、PostBQP。FPTAS、PTAS、APX 和 NPO。更新了一些图表并创建了新的图表。
Quantum-HPC中间件的概念架构
摘要 - Quantum Computing通过比古典计算机更快地解决某些计算复杂问题来承诺对科学和行业的潜力。量子计算系统从整体系统演变为模块化档案，其中包含多个量子处理单元（QPU）与经典计算节点（HPC）耦合。随着规模的增加，促进量子经典计算有效耦合的中间件系统变得至关重要。通过对量子应用，集成模式和系统的深入分析，我们确定了了解量子HPC中间件系统的差距。我们提出了一种概念中间件，以促进有关量子古典集成的推理，并作为未来中间件系统的基础。本文的基本贡献在于利用良好的高性能计算抽象来管理工作负载，任务和资源，以将量子计算集成到HPC系统中。索引术语 - Quantum Computing，HPC，中间件
通过量子程序调度减少超导量子处理器的执行延迟
量子计算得到了广泛的关注，特别是在噪声中型量子（NISQ）时代到来之后。量子处理器和云服务在全球范围内日益普及。遗憾的是，现有量子处理器上的程序通常是串行执行的，这对处理器来说工作量可能很大。通常，由于排队时间长，人们需要等待数小时甚至更长时间才能在公共量子云上获得单个量子程序的结果。事实上，随着规模的增长，串行执行模式的量子比特利用率将进一步降低，造成量子资源的浪费。本文首次提出并引入了量子程序调度问题（QPSP），以提高量子资源的利用效率。具体而言，提出了一种涉及电路宽度、测量次数和量子程序提交时间的量子程序调度方法，以减少执行延迟。我们对模拟的 Qiskit 噪声模型以及 Xiaohong（来自 QuantumCTek）超导量子处理器进行了广泛的实验。数值结果表明了 QPU 时间和周转时间的有效性。
针对变分混合算法优化的量子经典云平台
摘要 为了支持量子计算的近期应用，一种新的计算范式——量子-经典云——已经出现，其中量子计算机（QPU）通过共享云基础设施与经典计算机（CPU）协同工作。在这项工作中，我们列举了量子-经典云平台的架构要求，并提出了一个用于对其运行时性能进行基准测试的框架。此外，我们还介绍了两个平台级增强功能，即参数编译和主动量子位重置，它们专门优化了量子-经典架构以支持变分混合算法，这是近期量子硬件最有前途的应用。最后，我们表明，将这两个功能集成到 Rigetti Quantum 云服务平台中可以显著改善控制算法运行时的延迟。
通过量子神经网络的合奏技术节省资源
抽象的量子神经网络对许多应用程序具有重要的承诺，尤其是因为它们可以在当前一代的量子硬件上执行。但是，由于量子位或硬件噪声有限，进行大规模实验通常需要显着的资源。此外，模型的输出容易受到量子硬件噪声损坏的影响。为了解决这个问题，我们建议使用集合技术，该技术涉及基于量子神经网络多个实例构建单个机器学习模型。尤其是，我们实施了具有不同数据加载配置的包装和ADABOOST技术，并评估其在合成和现实世界分类和回归任务上的性能。为了评估不同环境下的潜在性能改善，我们对基于模拟的无噪声软件和IBM超导QPU进行了实验，这表明这些技术可以减轻量子硬件噪声。此外，我们量化了使用这些集成技术节省的资源量。我们的发现表明，这些方法即使在相对较小的量子设备上也能够构建大型，强大的模型。
![arxiv：2004.06136v2 [Quant-ph] 2023年10月2日](/simg/6\61541c0daba110fc6764d3eae9ec472d2be6a140.webp)
arxiv：2004.06136v2 [Quant-ph] 2023年10月2日
[14]和捕获的离子[5]，不超过几百个适度的稳健量子[4]。尽管现有的路线图指向在不久的将来托管数千吨的加工者[9]并改善了物理量子位的鲁棒性[1，32]，但仍有相当大的差距，对于解决实际现实世界中的实际现实问题所需的数百万量子器[41]。密集包装的整体量子处理器托有大量Qubits构成了严重的技术问题，这是由于交叉对话，量子状态干扰的影响以及用于控制量子的系统的复杂性的增加[45] [45]，从而恶化了计算结果。此外，主机计算机和量子处理器之间的互连（通常具有极为不同的形式，并以极大不同的温度水平）迅速成为此类架构中的瓶颈[29，40]。因此，扩大当前的量子计算机以托管此类整体体系结构中的Qubits更高数量仍然是一个巨大的挑战，找到减轻这些约束的方法对于开发大规模，可行的量子计算机至关重要。整体量子计算机架构的建议替代方案是模块化（或多核）量子处理器[16，47，51]。 这种方法基于规模的方法，即通过经典和量子互联链路[11]互连几个中等尺寸的量子处理单元（QPU）或量子核心[11]，目的是减轻与单个芯片上的质量数量相关的挑战。整体量子计算机架构的建议替代方案是模块化（或多核）量子处理器[16，47，51]。这种方法基于规模的方法，即通过经典和量子互联链路[11]互连几个中等尺寸的量子处理单元（QPU）或量子核心[11]，目的是减轻与单个芯片上的质量数量相关的挑战。在这种情况下，随着量子核的数量增加，这种量子体系结构中的互连织物作为关键子系统出现。由于互连似乎是实现量子计算机缩放的关键要素之一，因此本文旨在提供对量子计算领域的上下文分析，以激发芯片上的网络（NOC）社区，以应对其独特的通信挑战。朝着这个目标，我们的贡献包括：（i）关于多核量子计算机的简短教程，描述了第2节中的简化堆栈，从软件到硬件的简化堆栈； （ii）量子计算机中主要通信流以及可以实现它们的不同互连技术的概述，如第3节所述； （iii）对模块化量子计算机中通信上下文的分析，包括
论量子计算机的物理信息神经网络
物理信息神经网络 (PINN) 已成为解决科学计算问题的强大工具，从偏微分方程的求解到数据同化任务。使用 PINN 的优势之一是利用依赖于 CPU 和协处理器（如加速器）组合使用的机器学习计算框架来实现最大性能。这项工作使用量子处理单元 (QPU) 协处理器研究 PINN 的设计、实现和性能。我们设计了一个简单的量子 PINN，使用连续变量 (CV) 量子计算框架来解决一维泊松问题。我们讨论了不同的优化器、PINN 残差公式和量子神经网络深度对量子 PINN 精度的影响。我们表明，在量子 PINN 的情况下，优化器对训练景观的探索不如经典 PINN 有效，而基本随机梯度下降 (SGD) 优化器的表现优于自适应和高阶优化器。最后，我们重点介绍了量子和经典 PINN 在方法和算法上的差异，并概述了量子 PINN 开发的未来研究挑战。
QASMBench：用于 NISQ 评估和模拟的低级量子基准套件
NISQ 时代量子计算 (QC) 的快速发展迫切需要一个低级基准测试套件和深刻的评估指标，以表征原型 NISQ 设备的特性、QC 编程编译器、调度程序和汇编程序的效率以及经典计算机中量子系统模拟器的能力。在这项工作中，我们通过基于 OpenQASM 汇编表示提出一个低级、易于使用的基准测试套件 QASMBench 来弥补这一空白。它整合了来自化学、模拟、线性代数、搜索、优化、算术、机器学习、容错、密码学等各个领域的常用量子例程和内核，在通用性和可用性之间进行权衡。为了从 NISQ 设备执行的角度分析这些内核，除了电路宽度和深度之外，我们还提出了四个电路指标，包括门密度、保留寿命、测量密度和纠缠方差，以提取有关执行效率、NISQ 误差敏感性以及机器特定优化的潜在收益的更多见解。QASMBench 中的应用程序可以在多个 NISQ 平台上启动和验证，包括 IBM-Q、Rigetti、IonQ 和 Quantinuum。为了进行评估，我们通过密度矩阵状态断层扫描测量 12 台 IBM-Q 机器上 QASMBench 应用程序子集的执行真实性，包括 25K 电路评估。我们还比较了 IBM-Q 机器、IonQ QPU 和 Rigetti Aspen M-1 系统之间的执行真实性。QASMBench 发布在：http://github.com/pnnl/QASMBench。
利用量子梯度算法实现金融市场风险中的量子优势
我们引入了一种量子算法来计算金融衍生品的市场风险。先前的研究表明，量子振幅估计可以使目标误差的衍生品定价速度成二次方加速，我们将其扩展到市场风险计算中的二次误差缩放优势。我们表明，采用量子梯度估计算法可以在相关市场敏感度（通常称为希腊值）的数量上带来进一步的二次优势。通过对实际感兴趣的金融衍生品上的量子梯度估计算法进行数值模拟，我们证明我们不仅可以成功估计所研究示例中的希腊值，而且实践中的资源需求可以明显低于理论复杂性界限所预期的水平。这一在金融市场风险计算中的额外优势降低了 Chakrabarti 等人估计的金融量子优势所需的逻辑时钟速率。 [Quantum 5, 463 (2021)] 提高了 ∼ 7 倍，从 50MHz 提高到 7MHz，即使对于按行业标准计算的希腊字母数量不多的（四个）也是如此。此外，我们表明，如果我们有足够的资源，量子算法可以在多达 60 个 QPU 上并行化，在这种情况下，实现与串行执行相同的总体运行时间所需的每个设备的逻辑时钟速率将约为 100 kHz。在整个工作过程中，我们总结并比较了可用于计算金融衍生品市场风险的几种不同的量子和经典方法组合。