XiaoMi-AI文件搜索系统
World File Search SystemQRAM
预测性空气和空气动力建模
量子线性求解器是求解方程线性系统的最早且众所周知的量子算法之一是Harrow，Hassidim和Lloyd [8]。这实现了复杂性的指数改善（即运行时）。随后在Childs等人的量子算法中获得了相对于精度的提高复杂性。[9]。这是通过基于量子奇异值转换（QSVT）代替[8]的量子相估计来实现的。Childs等人的算法。可以看作是Gilyen等人的更通用QSVT算法的特殊情况。[10]。应注意的是，由于州准备或状态读数要求，任何潜在的指数改进都处于风险的危险中[11]。这需要以某种形式解决，而无需使用“被动QRAM”，而没有已知的可扩展物理实现[12]。
面向量子数据结构以增强数据库性能
量子计算有望通过引入全新的数据交互方式来扩展数据管理功能，而不仅仅是提高处理速度和效率。本文提出了开发创新的量子数据结构，旨在利用量子力学的独特功能（例如叠加和纠缠）来优化数据库搜索和操作操作。我们引入了量子分区数据库 (QPD)，利用改进的 Grover 算法检索数据库中的多个元素的数据，并展示了基于电路的量子数据结构的实际实现。我们的方法以量子随机存取存储器 (QRAM) 和量子随机存取门 (QRAG) 等基础概念为基础，弥合了理论进步与实际应用之间的差距。这项研究旨在促进量子技术在数据管理中的应用，为未来的创新、性能增强和数据库搜索和操作的新范式提供强大的框架。
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。
双稀疏量子态制备
状态准备算法可分为精确算法 [2, 3, 4, 5, 6] 和近似算法 [7, 8, 9, 10]。本文主要研究精确状态准备算法。精确状态准备可分为两类：i）准备量子态的算法，将每个模式逐一加载到量子叠加中，计算成本与振幅和量子比特的数量有关 [2, 5, 6]；ii）使用量子态分解来准备状态的算法，计算成本与所需状态的量子比特数呈指数关系 [11, 4, 12]。与量子比特数和输入模式数有关且计算成本呈指数关系的算法效率不高，只能用于生成具有少量量子比特的量子态。计算成本为 O（nM）的算法需要大量 CNOT，不适合 NISQ 设备。本文旨在开发一种算法，将稀疏数据传输到量子设备，经典计算机构建量子电路的计算成本为 O（Mlog（M）+ nM），与文献中以前的算法相比，该算法生成的量子电路具有较少的 CNOT 算子数量。为了实现这一目标，我们优化了连续值 QRAM [6]，定义了 D 中数据呈现的部分顺序。与最近在 [13] 中提出的稀疏量子态准备算法相比，后者使用经典计算机构建量子电路的计算成本为 O（M2 + nM），我们的方法在双稀疏情况下（关于振幅和状态中 1 的数量的稀疏）生成的电路具有较少的 CNOT 门数量。这项工作的其余部分分为 5 个部分。第 2 节介绍了这项工作中使用的量子算子。第 3 节介绍了 CV-QRAM 算法 [6]。第 4 节介绍了本文提出的 CVO-QRAM 算法。第 5 节介绍了实验结果并展示了所提算法所取得的改进。最后，第 6 节是结论。