XiaoMi-AI文件搜索系统
World File Search SystemQUBO
BILP-Q：量子联盟结构生成
量子人工智能是一个新兴领域，它使用量子计算来解决人工智能中的典型复杂问题。在这项工作中，我们提出了 BILP-Q，这是有史以来第一个用于解决联盟结构生成问题 (CSGP) 的通用量子方法，该问题显然是 NP 难题。具体来说，我们将 CSGP 重新表述为二次二元组合优化 (QUBO) 问题，以利用现有的量子算法（例如 QAOA）来获得最佳联盟结构。因此，我们在时间复杂度方面对所提出的量子方法和最流行的经典基线进行了比较分析。此外，我们考虑了联盟值的标准基准分布，以使用 IBM Qiskit 环境在小规模实验中测试 BILP-Q。最后，由于 QUBO 问题可以通过量子退火来解决，我们使用真正的量子退火器 (D-Wave) 对中等规模问题运行 BILP-Q。
量子桥分析II：Qubo-Plus，网络优化和资产交换的组合链接
抽象的量子桥分析与混合经典量子计算的方法和系统有关，并致力于开发用于桥接经典和量子计算的工具，以在当前中获得其联盟的好处，并启用了将来的量子计算的实践应用。这是量子的第二个范围分析的量子元素。第一部分的重点是二进制二进制优化（QUBO）模型，该模型目前是量子计算领域中最广泛应用的优化模型，并且既不限制组合的优化问题。第二部分（本文）介绍了Qubo-Plus模型的域，该模型可以有效地处理更大的问题。通过示例插图这些Qubo-Plus模型的范围后，我们特别注意这些模型的重要实例，称为资产交换问题（AEP）。AEP的解决方案使市场参与者能够确定对所有参与者有利的资产交换。 这种交换是通过针对此类Qubo-Plus模型的两种优化技术的组合而生成的，一种基于网络优化，一种基于一种称为组合链接的新的元数据优化方法。 这种组合为通过量子桥分析的观点而建立的Qubo模型建立的量子计算应用程序打开了大门。AEP的解决方案使市场参与者能够确定对所有参与者有利的资产交换。这种交换是通过针对此类Qubo-Plus模型的两种优化技术的组合而生成的，一种基于网络优化，一种基于一种称为组合链接的新的元数据优化方法。这种组合为通过量子桥分析的观点而建立的Qubo模型建立的量子计算应用程序打开了大门。我们展示了Qubo-Plus模型的AEP实例的建模和解决方案能力如何为解决财务，工业，科学和社交环境中出现的广泛问题提供了一个框架。
量子数据编码模式及其后果
使用量子处理单元 (QPU) 有望加快解决计算问题的速度，尤其是离散优化问题。虽然已知一些突破性的算法方法可以证明其性能优于传统计算机，但我们观察到构建高效量子算法的编程抽象很少。解决与数据库管理相关的具体问题的文献中，很大一部分集中于将它们转化为二次无约束二进制优化问题 (QUBO)，然后可以在基于门的机器（使用量子近似优化算法）或量子退火器上处理这些问题。影响这两种方法的效率和可扩展性的关键方面是如何将经典数据加载到量子位中，以及如何将问题编码为 QUBO 表示。众所周知，编码的有效性对于量子计算机至关重要，特别是在嘈杂的中型量子计算机时代，可用的量子比特数量受到严重限制。在本文中，我们介绍了三种编码模式，讨论了它们对可扩展性的影响以及它们的易用性。我们以娱乐性（但计算挑战性）数独问题及其简化为图形着色为例，讨论它们各自的优点和缺点。我们的目标是使数据库研究人员能够为他们的目的选择合适的编码方案，而无需深入了解量子特性，从而简化在数据管理系统上应用量子加速的途径。
基准测试量子退火器的花园优化问题
退火器的大小生长。因此，我们需要的问题可在任意数量的Qubits上可扩展。In this paper, we use one such class of scalable problems called garden optimization problems to benchmark the Advantage system against the DW2000Q system, as well as the recently released Hybrid Solver Service hybrid _ binary _ quadratic _ model _ version2 ( HSSv2 ) against its former version hybrid _ binary _ quadratic _ model _ version1 ( HSSv1 ) and other classical software solvers.量子退火器的输入问题通常是根据二次无约束的二进制优化（QUBO）问题提出的。在本文中，我们介绍了花园优化问题的QUBO公式。对于这个问题，目的是找到植物植物在花园中的最佳放置，尊重某些植物物种与其他物种具有友好，中性或拮抗关系（见图1），一种称为同伴种植的技术。例如，番茄和生菜具有友好的关系，可以彼此相邻，而番茄和黄瓜则具有对抗关系，应彼此分开。我们认为，花园优化问题非常适合基准量子退火器，因为它可扩展到任意数量的变量。此外，它代表了在现实世界中发现应用程序的问题。数学上，花园优化问题与二次分配问题密切相关
使用 QAOA 进行分类的特征选择
摘要 — 特征选择在机器学习中非常重要，它可用于降低分类、排名和预测问题的维数。删除冗余和噪声特征可以提高训练模型的准确性和可扩展性。但是，特征选择是一项计算量大的任务，其解决方案空间会以组合方式增长。在这项工作中，我们特别考虑了二次特征选择问题，该问题可以用量子近似优化算法 (QAOA) 来解决，该算法已用于组合优化。首先，我们用 QUBO 公式表示特征选择问题，然后将其映射到 Ising 自旋哈密顿量。然后我们应用 QAOA 来找到该哈密顿量的基态，这对应于特征的最佳选择。在我们的实验中，我们考虑了七个不同的真实世界数据集，维数高达 21，并在量子模拟器和 7 量子比特 IBM (ibm–perth) 量子计算机上（对于小型数据集）运行 QAOA。我们使用选定的特征集来训练分类模型并评估其准确性。我们的分析表明，使用 QAOA 解决特征选择问题是可能的，并且目前可用的量子设备可以得到有效利用。未来的研究可以测试更广泛的分类模型，并通过探索性能更好的优化器来提高 QAOA 的有效性。索引术语 —QAOA、特征选择、QUBO、分类
量子数据编码模式及其后果
使用量子处理单元 (QPU) 有望加快解决计算问题的速度，尤其是离散优化。虽然已知有几种突破性的算法方法可以证明其性能优于传统计算机，但我们发现构建高效量子算法的编程抽象非常稀缺。解决与数据库管理相关的具体问题的文献中，很大一部分集中于将它们转化为二次无约束二进制优化问题 (QUBO)，然后可以在基于门的机器（使用量子近似优化算法）或量子退火器上处理这些问题。影响这两种方法的效率和可扩展性的关键方面是如何将经典数据加载到量子位中，以及如何将问题编码为 QUBO 表示。众所周知，编码的有效性对量子计算机至关重要，尤其是在嘈杂的中型量子计算机时代，可用的量子位数受到极大限制。在本文中，我们介绍了三种编码模式，讨论了它们对可扩展性的影响以及它们的易用性。我们以娱乐性（但计算挑战性）数独问题及其简化为图形着色作为说明性示例，讨论它们各自的优点和缺点。我们的目标是使数据库研究人员能够为他们的目的选择合适的编码方案，而无需深入了解量子特性，从而简化在数据管理系统上应用量子加速的途径。
夸克：量子应用重构内核
一般来说，首先要实现一个实例，即问题定义参数的容器，如图 2 中的单元格 2 所示。从该实例构建 ConstrainedObjective，它是一个处理实例数据以获取目标函数和约束集合的工厂，参见单元格 3。然后可以将后者自动转换为相应的惩罚目标项，这些惩罚目标项与实际目标函数一起包含在 ObjectiveTerms 中。目标项的加权和形成 Objective，即最终的 Ising/QUBO 问题。上述步骤均在单元格 5 中执行，从使用单元格 4 中定义的参数实例化具体实例开始。
量子退火器上的模糊逻辑 - NTU > IRep
摘要 — 量子计算将通过利用叠加、纠缠和干涉等量子力学效应，实现大规模并行算法的设计，从而以有效方式解决难题，从而彻底改变计算领域。这些计算改进可能会对模糊系统在诸如大数据等环境中的设计和使用方式产生重大影响，在这些环境中，计算效率是一个不可忽略的约束。为了为这一创新方案铺平道路，本文介绍了一种基于二次无约束二元优化 (QUBO) 问题的模糊集和运算符的新表示，以便在一种称为量子退火器的量子计算机上实现模糊推理引擎。
基于量子退火的 Transformer 微调实例选择方法
摘要 目前，深度学习（DL）被广泛用于解决非常复杂的任务。然而，DL模型的训练需要庞大的数据集和漫长的训练时间。我们引入了一种新颖的量子实例选择（IS）方法，该方法将训练数据集的大小减少了多达 28%，同时保持了有效性，提高了训练效率和可扩展性。我们的方法利用量子退火（QA），一种特定的量子计算范式，可以解决优化问题。这是首次尝试使用 QA 解决 IS 问题，我们为其提出了一种新的二次无约束二元优化（QUBO）公式。对多个自动文本分类（ATC）数据集进行的大量实验表明，我们的解决方案是可行的，并且与当前最先进的 IS 解决方案具有竞争力。