XiaoMi-AI文件搜索系统
World File Search SystemRigetti
量子计算机上的对称加密
经典对称加密算法使用共享密钥的 N 位，以信息理论上安全的方式通过单向信道传输消息的 N 位。本文提出了一种混合量子-经典对称密码系统，该系统使用量子计算机生成密钥。该算法利用量子电路使用一次性密码本类型的技术加密消息，同时需要更短的经典密钥。我们表明，对于 N 量子比特电路，指定量子电路所需的最大位数以 N 3 / 2 增长，而量子电路可以编码的最大位数以 N 2 增长。我们没有充分利用量子电路的全部表达能力，因为我们只关注二阶泡利期望值。使用更高阶的泡利期望值可以编码指数数量的位数。此外，使用参数化量子电路 (PQC)，我们可以通过引入对某些 PQC 参数的密钥依赖性来进一步增加安全共享信息的数量。该算法可能适用于早期容错量子计算机实现，因为可以容忍一定程度的噪声。模拟结果与 84 量子比特 Rigetti Ankaa-2 量子计算机上的实验结果一起呈现。
使用量子计算机测试量子基础
物理学是实验性的，因此所有物理理论的假设都是基于实验的。在这里，我们建议使用量子计算机直接对量子力学的两个假设进行实验测试。在理想情况下，假设硬件完美，它们特别适合此目的，因为它们是具有大量自由度的量子系统。相反，在非理想情况下，即噪声中尺度量子 (NISQ) 设备，可以假设量子力学有效，并使用这些测试对 [ 1 – 3 ] 深量子级别的设备进行基准测试，因为它们基于理论的基础（假设）。换句话说，假设硬件完美，可以测试量子力学；假设量子力学，可以测试硬件。放宽这两个假设，可以执行自洽性检查来测试两者。我们提出了两个这样的实验测试：我们为 Peres 和 Sorkin 测试提供算法和量子机器代码，并在 Rigetti 量子计算机上运行它们。第一个实验是对量子力学状态公设（即叠加原理）的检验，该公设认为量子态存在于复希尔伯特空间中。原则上，可以设想基于实数[ 4 , 5 ]、复数或四元希尔伯特空间[ 6 ]的量子力学：选择基于实验结果，例如Peres的实验；另见参考文献[ 7 – 12 ]。复数是必要（且充分）的事实具有有趣的含义，例如，它意味着量子态是局部可区分的[ 13 ]，并且它与某些量子现象的局部性有关[ 7 ]。第二个实验测试由Sorkin [ 14 ]提出，是对玻恩公设的检验。玻恩规则表明量子概率是
金融领域的量子计算：2024 年趋势...
• 2024 年 1 月 3 日——“与穆迪分析合作的量子增强机器学习”报道了 Rigetti Computing 与穆迪合作开发量子增强机器学习的情况。 • 2024 年 1 月 8 日——“Arqit 和万事达卡增强金融机构数字资产安全性和合规性”宣布将 Arqit 的量子安全加密与万事达卡的 Ciphertrace Sentry 相结合。 • 2024 年 1 月 9 日——“量子力学模型揭示股市隐藏模式”报道了一种可用于研究某些股市异常的量子模型。 • 2024 年 1 月 11 日——“量子计算：领导者现在需要知道什么”将欺诈和风险模式的识别列为一个可以用量子计算机更快解决的大规模问题。 • 2024 年 1 月 16 日——“量子经济蓝图”认为，量子技术鸿沟的扩大将导致全球金融和其他领域的不平衡。 • 2024 年 1 月 25 日——“使用矩阵乘积状态进行正态分布的量子态准备”提出了一种有效准备正态概率分布量子态的方法，该方法可应用于蒙特卡洛模拟。 • 2024 年 1 月 26 日——“DORA 和您的量子安全加密迁移”报道称，《数字运营弹性法案》（DORA）要求欧盟的金融实体采用 PQC。
Awan, U.、Hannola, L.、Tandon, A.、Goyal, RK、Dhir, A. (2022)。软件行业中的量子计算挑战。基于模糊 AHP 的方法。我
量子计算 (QC) 在软件工程和信息科学领域受到越来越多的关注 [1]。它启发了计算机科学家、工程师和物理学家，其应用潜力无疑正在改变当前的信息技术 (IT) 格局 [2]。量子计算是一种基于量子力学的技术，能够快速解决复杂计算，同时处理和传输信息 [3]。例如，谷歌 Sycamore 量子处理器仅需 200 秒即可完成超级计算机需要 10,000 年才能完成的任务 [4]。据 [4] 称，该技术非常适合许多商业交易，因为它可以有效地分析数据集 [5]，具有丰富的知识和更少的计算时间 [6]，同时还使企业能够破译数据驱动的模式，从而发现新的机会。包括谷歌、英特尔和 IBM 等 IT 巨头以及 Rigetti 和 IonQ 等初创公司在内的多家组织都已经认识到量子计算的潜力 [7]。尽管量子计算的应用已在工业品和制药等一些商业领域根深蒂固 [8]，但最近越来越多的其他行业和领域也认识到了其实际应用的潜力 [9]。例如，金融行业越来越认识到量子计算的快速数据处理能力的好处 [10]。因此，随着商界认识到量子计算在技术转型中的重要优势并更广泛地采用它，预计未来量子计算应用将大幅增加 [1] [11]。
QuantumCircuitOpt：可证明最优量子电路设计的开源框架
摘要 —近年来，量子计算界见证了大量在近期硬件上实现非平凡量子计算的新方法。一个重要的研究方向是将任意纠缠态（表示为幺正）分解为量子电路，即量子处理器支持的一系列门。众所周知，对于当前嘈杂的中等规模量子设备而言，分解时间较长和多量子比特门纠缠较多的电路容易出错。为此，人们对开发基于启发式的方法来发现紧凑电路产生了浓厚的兴趣。我们为此做出了贡献，提出了 QuantumCircuitOpt (QCOpt)，这是一个新颖的开源框架，它实现了数学优化公式和算法，用于将任意幺正门分解为一系列硬件原生门。QCOpt 的一个核心创新是它为其生成的量子电路提供最优性保证。具体来说，我们表明 QCOpt 可以将最多四个量子比特的电路中所需的门数量减少 57%，并且在商用计算硬件上的运行时间不到几分钟。我们还通过与简单的强力枚举算法进行比较，验证了 QCOpt 作为量子电路设计工具的有效性。我们还展示了 QCOpt 包如何适应各种内置类型的本机门集，这些门集基于不同的硬件平台，例如 IBM、Rigetti 和 Google 生产的硬件平台。我们希望这个包将促进量子处理器设计人员以及量子物理学家进一步探索算法。
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
量子退火计算在地震反演中的应用
地震地球物理学在很大程度上依赖于地下建模，而地下建模基于对现场收集数据的数值分析。在生成一致的地下模型之前，对典型地震实验中产生的大量数据进行计算处理也需要同样大量的时间。电磁油藏数据，如 CSEM（受控源电磁）、岩石物理技术，如多井的电阻率和磁共振，以及工程优化问题，如油藏通量模拟器、井场设计和石油产量最大化，也需要强大的计算设备进行分析。另一方面，在过去十年中，量子计算机的发展取得了很大进展：机器利用量子力学定律比传统计算机更快地解决困难的计算问题。这种进步的一个具体例子就是所谓的量子霸权，最近已经使用专用量子计算机进行了演示 [1-3]。地球科学领域和相关行业（如碳氢化合物行业）有望从量子计算带来的进步中获益。目前，不同的量子技术和计算模型正在不断发展。IBM、谷歌和英特尔等巨头公司正在开发基于超导技术的量子计算机 [4]。其他公司也在投入大量精力构建基于约瑟夫森结的功能齐全的量子计算机，比如北美的 Rigetti，而美国的 IonQ 和奥地利的 AQT 则致力于开发基于捕获离子的计算机 [5]。加拿大公司 D-Wave 是量子退火计算模型的领先者 [6]，该公司已经开始交易量子机器，加拿大的 Xanadu 也在提供对其光子量子计算机的云端访问 [7,8]。
QDiff：量子软件堆栈的差分测试
摘要 — 过去几年，随着量子计算硬件的快速发展，人们开发了多种量子软件堆栈 (QSS)。QSS 包括量子编程语言、优化编译器（将用高级语言编写的量子算法转换为量子门指令）、量子模拟器（在传统设备上模拟这些指令）以及软件控制器（将模拟信号发送到基于量子电路的非常昂贵的量子硬件）。与传统的编译器和架构模拟器相比，由于结果的概率性质、缺乏明确的硬件规格以及量子编程的复杂性，QSS 难以测试。这项工作设计了一种新颖的 QSS 差分测试方法，称为 QD IFF，具有三大创新：(1) 我们通过保留语义的源到源转换生成要测试的输入程序以探索程序变体。 (2) 我们通过分析电路深度、2 门操作、门错误率和 T1 弛豫时间等静态特性，过滤掉不值得在量子硬件上执行的量子电路，从而加快差分测试速度。（3）我们通过分布比较函数（如 Kolmogorov-Smirnov 检验和交叉熵）设计了一种可扩展的等效性检查机制。我们使用三个广泛使用的开源 QSS 评估 QD IFF：IBM 的 Qiskit、Google 的 Cirq 和 Rigetti 的 Pyquil。通过在真实硬件和量子模拟器上运行 QD IFF，我们发现了几个关键的错误，揭示了这些平台中潜在的不稳定性。QD IFF 的源变换可有效生成语义等价但不相同的电路（即 34% 的试验），其过滤机制可将差分测试速度提高 66%。
利用参数化量子电路实现生成建模的稳健实现∗
摘要：尽管混合量子经典算法的性能在很大程度上取决于经典优化器和电路设计的选择 [ 1 – 3 ]，但迄今为止，对此类特性的硬件稳健而全面的评估仍然缺失。从优化器的角度来看，主要挑战在于求解器的随机性，以及它们对随机初始化的显著差异。因此，稳健的比较需要对每个求解器执行多条训练曲线，然后才能得出关于其典型性能的结论。由于每条训练曲线都需要在量子计算机中执行数千个量子电路，因此对于当今大多数混合平台而言，这种稳健的研究仍然是一项艰巨的挑战。在这里，我们利用 Rigetti 的量子云服务 (QCS™) 来克服这一实施障碍，并研究数据驱动的量子电路学习 (DDQCL) 在三种不同的最先进经典求解器上的硬件性能，以及与同一任务的不同纠缠连接图相关的两种不同电路分析。此外，我们还评估了不同电路深度带来的性能提升。为了评估此基准研究中与这些设置中的每一个相关的典型性能，我们使用至少五次独立的 DDQCL 运行来生成能够捕捉规范 Bars and Stripes 数据集模式的量子生成模型。在此实验基准测试中，无梯度优化算法与基于梯度的求解器相比表现出了出色的性能。特别是，其中一个在处理实验条件下要最小化的不可避免的噪声目标函数时具有更好的性能。
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