XiaoMi-AI文件搜索系统
World File Search SystemVQAS
迈向量子化学的高效量子计算
在当前嘈杂的中等规模量子 (NISQ) 体制下，人们设计了各种算法来取得实用的量子优势。这些 NISQ 算法大多数都是变分的，即基于变分定理。变分量子算法 (VQA) 17,18 可以通过将不需要量子属性的计算卸载到传统计算机上来显著减少量子电路深度。这个想法自然而然地源于尽可能少地使用量子计算机。VQA 是启发式的，依赖于一个按照某种方案进行优化的拟定电路。VQA 的一个相当大的缺点是这个优化过程需要许多测量，这个因素可能会限制或消除获得实用量子优势的机会。14 尽管存在这个缺点，但由于与当前硬件限制有关的原因，VQA 是迄今为止研究最多的量子算法类型。变分量子特征值求解器 (VQE) 19,20 是最著名的 VQA。然而，其他方法，如变分量子虚时间演化 (VarQITE)，也是有竞争力的替代方案。21
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。
量子机器学习的超参数调整
变分量子算法 (VQA) 已被证明是 QML 最有前途的方法，因为它们使用经典计算机来最大限度地减少当今量子计算机的局限性。 VQA 使用经典计算机来优化参数化量子电路 (PQC)，该电路在量子计算机上计算解决方案。然而，这些 VQA 的性能高度依赖于所选的超参数，这些超参数必须在执行之前确定，并且高度依赖于问题。由于已经有大量超参数可供选择，因此手动测试它们非常耗时且耗资源。因此，在经典的 ML 应用中，人们会使用自动化解决方案，但它们对 QML 的适用性几乎尚未得到研究。因此，在本研究中，我们研究了各种自动超参数调整算法对于 QML 分类问题的适用性和性能。
变异量子算法估计等级... -dr -ntu
近年来，在一类早期量子计算设备中，人们越来越兴趣和快速发展，共同称为嘈杂的中间量子量子（NISQ）设备[1]。NISQ设备本质上是缺乏完整量子误差校正的量子计算硬件。由于缺乏误差校正，在此类设备上可用的门口和总相干时间受到限制。这意味着NISQ设备仅限于可以使用短深度量子电路执行的应用程序，超出该电路不可靠。虽然NISQ设备无法执行通用量子计算，但人们普遍期望它们能够在近期[2，3]中提供比古典计算机相对于经典计算机提供的魔鬼计算优势。开发适合NISQ设备的算法的一种方法是考虑杂交量子古典算法[4]。这样的算法试图通过将一部分计算的一部分向经典计算机铺开来降低整体量子电路深度要求。在其中，一种称为变分量子算法（VQA）的算法可以说是设计NISQ算法的最广泛使用和有希望的策略之一。在VQAS中，使用NISQ硬件进行经典计算的成本函数C（θ），而经典优化策略则用于发现最佳参数θ∗，以最大程度地减少成本函数。此类策略已用于诸如发现汉密尔顿人[5、6]的近似本征态的应用中，重新编译了量子电路[7]，并解决了线性代数问题[8-10]。作为一类量子算法，VQAS
交替分层变分量子电路可以利用经典阴影进行有效的经典优化
变分量子算法 (VQA) 是经典神经网络 (NN) 的量子模拟。VQA 由参数化量子电路 (PQC) 组成，该电路由多层假设（更简单的 PQC，与 NN 层类似）组成，这些假设仅在参数选择上有所不同。先前的研究已将交替分层假设确定为近期量子计算中潜在的新标准假设。事实上，浅层交替分层 VQA 易于实现，并且已被证明既可训练又富有表现力。在这项工作中，我们引入了一种训练算法，可指数级降低此类 VQA 的训练成本。此外，我们的算法使用量子输入数据的经典阴影，因此可以在具有严格性能保证的经典计算机上运行。我们证明了使用我们的算法在寻找状态准备电路和量子自动编码器的示例问题中将训练成本提高了 2-3 个数量级。
变分量子算法中噪声引起的荒芜高原
变分量子算法 (VQA) 可能是在嘈杂的中型量子 (NISQ) 计算机上实现量子优势的一条途径。一个自然的问题是 NISQ 设备上的噪声是否会对 VQA 性能造成根本限制。我们严格证明了嘈杂的 VQA 的一个严重限制，即噪声导致训练景观出现贫瘠高原（即梯度消失）。具体而言，对于考虑的局部泡利噪声，我们证明如果假设的深度随 n 线性增长，则梯度会在量子比特数 n 中呈指数消失。这些噪声引起的贫瘠高原 (NIBP) 在概念上不同于无噪声贫瘠高原，后者与随机参数初始化有关。我们的结果是为通用假设制定的，其中包括量子交替算子假设和酉耦合簇假设等特殊情况。对于前者，我们的数值启发式方法证明了现实硬件噪声模型的 NIBP 现象。
地球观察图像处理的量子算法
基于卫星的地球观察结果具有广泛的应用，例如自然灾害警告，全球温度影响分析，天气条件分析和土地利用分类。但是，目前用于土地利用分类的机器学习技术在时间和精力方面是昂贵的。有两种可能解决此问题的方法。第一个是变性量子算法。它们是一类量子算法，针对近乎中等规模的量子计算时代的应用。这些算法采用共同参数化的量子电路和经典优化技术来查找从给定应用点起具有理想特性的量子电路或状态。vqas通常在寻找量子哈密顿量的低能状态时发现应用程序，解决了大约二次无约束的二进制优化问题和训练量子神经网络。在地球观测区域中，最有希望的应用领域在于QNN，因为应用VQAS允许创建采用量子信息处理工具的新分类方法。第二种方法是使用量子计算机用于使用自动编码器降低维度的混合机学习方法，以及量子算法的量子算法，量子算法供电量子算法来降低培训成本。使用常规深度学习技术的自动编码器在GPU上执行，而深度信念网络则在D-Wave量子退火器上运行。这种混合方法允许对两个模块进行独立训练，部分减少了重新训练模型所需的时间和能量（请参见图I）。
Leymann, Frank、Truger, Felix、Weder, Benjamin 和 Yussupov, Vladimir}，title = {Quokka：基于工作流执行的服务生态系统
量子计算利用量子力学现象（如叠加和纠缠），能够以更高的精度、更省时省能的方式解决各种问题。然而，量子算法依赖于多个预处理和后处理任务，这些任务通常需要在传统硬件上执行，例如数据准备、结果分析和参数优化。由于目前可用的噪声中型量子 (NISQ) 设备容易出错，当今大多数量子算法都被设计为所谓的变分量子算法 (VQA) [2]。VQA 交替在量子设备上执行参数化量子电路和通过评估执行结果的质量来经典优化量子电路参数。此外，量子设备不适合许多传统任务，例如数据持久化或可视化，这使得它们成为补充传统计算机的特殊协处理器。因此，量子应用本质上是混合的，必须从经典和量子的角度以及它们的集成的角度进行设计[4]。
用信息内容分析变异量子景观
▶我们提出了一种数据驱动方法来研究变异量子算法▶数据驱动的方法比分析方法更广泛的适用性范围，▶我们将信息内容与分析界的梯度的平均规范联系在一起，▶分析界的平均规范，我们可以轻松地访问Barren Plateaus的第一个级别的范围，以便于张/差异ive thake thake us targies gy tak/caligation gy taking gus/gub taking gus。
自旋玻色子模型的性能研究
用于量子动力学模拟的量子算法传统上基于实现时间演化算子的 Trotter 近似。这种方法通常依赖于深度电路，因此受到可用噪声和近期量子硬件的重大限制的阻碍。另一方面，变分量子算法 (VQA) 已成为不可或缺的替代方案，可在当今硬件上进行小规模模拟。然而，尽管最近为量子动力学开发了 VQA，但尚未对其效率和可扩展性进行详细评估。为了填补这一空白，我们应用了基于 McLachlan 原理的 VQA 来模拟自旋玻色子模型在不同水平的实际硬件噪声以及不同物理状态下的动力学，并讨论了算法的准确性和随系统大小而变化的缩放行为。我们观察到变分方法与一般的、物理驱动的波函数假设相结合使用时具有良好的性能，并将其与传统的一阶 Trotter 演化进行了比较。最后，基于此，我们对经典难处理系统的模拟进行了扩展预测。我们表明，尽管变分法明显降低了量子门成本，但其当前实现不太可能为时间相关问题的解决带来量子优势。