XiaoMi-AI文件搜索系统
World File Search SystemVQAS
基于最大熵形式的量子态层析成像变分方法
然而，在任意低温下制备给定哈密顿量的吉布斯态并非易事 39，人们提出了各种方法，包括经典方法和量子方法 40–43，以在某些特定条件下制备吉布斯态。其中一些技术包括基于量子拒绝采样 44 、动力学模拟 45,46 和降维 47 的算法，但实现这些方法的量子资源开销成本非常高，因此不适合在近期的量子设备上执行。为了在 NISQ 设备中找到量子算法的应用，底层量子电路应该是浅的，具有较低的电路深度和较少的量子比特数。变分量子算法 (VQA) 48 就是这样一类遵循基于变分原理的启发式方法的混合量子经典算法，由于它们在具有浅量子电路的 NISQ 设备上实现，近年来 49–54 非常流行。为了使用 VQA 在 NISQ 设备上准备量子吉布斯态，已经提出了几种方法。55–60 在这项工作中，我们采用了 Wang 等人的方法。39 其中，在量子电路上准备吉布斯态的损失函数涉及熵的泰勒级数截断，并且已被证明可以为给定的汉密尔顿量准备保真度超过 99% 的吉布斯态。系统的物理汉密尔顿量是未知的，实际上在此协议中是不必要的。人们只能访问任意一组厄米算子的期望值。原则上，使用形式主义可以生成与这种任意甚至不完整的平均测量集一致的最小偏差量子态，但在本报告中，我们使用 IC 集进行测试和验证，希望能够提供用于采样的未知纯量子态的近乎精确的重建。这是通过构建一个厄米矩阵 H 来实现的，该矩阵由拉格朗日乘数参数化。后者充当吉布斯态的代理汉密尔顿量，吉布斯态代表量子系统状态的断层扫描重建。本文提出的混合量子-经典断层扫描协议涉及浅参数化量子电路的应用，可在当前到近期的量子硬件上进行实验实现。这本身就比某些其他断层扫描协议 11-14 更有优势，因为经过优化，状态可以直接在量子
多目标量子汇编算法
变异量子算法（VQA）如量子近似优化算法（QAOA），变异量子本元素（VQE），量子神经网络（QNN）和量子汇编（QC），可用于求解对噪声中量表量量标准量量表的实用任务（NISQ）的实用任务，这是有希望的。最近的成就证明了量子态制备2 - 6，量子动态模拟2、7-9和量子计量学10-14的有效性。QC，特别是获得了显着的利益。它使用培训过程将信息从未知目标统一转换为可训练的已知统一15，16。此方法具有各种应用，包括盖茨优化15，量子辅助编译16，连续变量的量子学习17，Quantu-State State polagrogrich 18和量子对象模拟2。例如，可以使用QC 2在量子电路中模拟量子对象（例如量子状态）。QC的性能取决于量子数和电路深度的数量。Ansatzes（可训练的量子电路）的选择也至关重要，必须仔细选择。一些纠缠
![arxiv：2405.02265v1 [Quant-ph] 2024年5月3日](/simg/g:\will\search\icon\source\b\bc8a831707e0d06bc916a02ceca26aac0d98d0ac.webp)
arxiv：2405.02265v1 [Quant-ph] 2024年5月3日
虽然在近距离观察中似乎并不是普遍访问的可扩展误差校正方案和容错量子计算，但许多研究人员的努力已致力于探索当代可用的量子硬件。由于这些局限性，可能的量子电路的深度和维度受到限制。这激发了通过参数化操作进行电路的研究，这些操作可以在混合方法中经典优化为变分量子算法（VQAS），从而使电路深度和大小的降低。这些参数化的量子电路（PQC）的特性仍未在其主要应用范围之外充分理解，从而激发了其内在特性的研究。在这项工作中，我们分析了PQC中的随机状态在对量子位连接的限制下，这是由不同的量子计算机体系结构证明的。我们将表达量化符和平均纠缠应用于生成状态的特征的诊断，并根据可以实现的量子计算机的拓扑分类。作为层和量子位数量的函数，环拓扑后的电路将具有最高的纠缠和表达值值，其次是线性/全能的，几乎在一起和星形拓扑。除了表征这些电路的纠缠和表达性之间的差异外，我们还在产生状态分布的均匀性与产生纠缠的产生之间的陡峭程度之间保持了联系。电路产生平均值和标准偏差的纠缠距离更接近与单位的真正均匀随机合奏所获得的值相比，与其他单位相比，它具有更陡峭的演变。
多目标量子编译算法
变分量子算法 (VQA)，如量子近似优化算法 (QAOA)、变分量子特征值求解器 (VQE)、量子神经网络 (QNN) 和量子编译 (QC)，有望在传统计算机以外的嘈杂中型量子 (NISQ) 设备上解决实际任务 1 。最近的成果证明了其在量子态制备 2 – 6 、量子动态模拟 2 、 7 – 9 和量子计量 10 – 14 方面的有效性。尤其是 QC，引起了人们的极大兴趣。它使用训练过程将信息从未知目标单元转换为可训练的已知单元 15 、 16 。该方法有多种应用，包括门优化 15 、量子辅助编译 16 、连续变量量子学习 17 、量子态层析成像 18 和量子对象模拟 2 。例如，可以准备量子对象（例如量子态），并使用 QC 2 在量子电路中模拟其演化。QC 的性能取决于量子比特的数量和电路深度。可训练量子电路的选择也至关重要，必须仔细选择。一些纠缠
量子强化学习 (QRL) 简介
与传统计算机 [1] 相比，量子计算 (QC) 在特定问题上具有显著的计算优势。尽管目前量子设备存在噪声和缺陷等局限性，但人们仍在做出巨大努力以实现量子优势。其中一个突出的关注领域是量子机器学习 (QML)，它利用量子计算原理来增强机器学习任务。大多数 QML 算法依赖于量子-经典混合范式，该范式将计算任务分为两个部分：量子计算机处理受益于量子计算的部分，而传统计算机处理它们擅长的部分。变分量子算法 (VQA) [2] 构成了当前量子机器学习 (QML) 方法的基础。QML 已在各种机器学习任务中取得成功，包括分类 [3]–[6]、顺序学习 [7]、[8]、自然语言处理 [9]–[12] 和强化学习 [13]–[19]。在这些领域中，量子强化学习 (QRL) 是一个新兴领域，研究人员正在探索应用量子计算原理来提高强化学习代理的性能。本文介绍了 QRL 的概念和最新发展。
提高量子误差校正的变异量子算法的速度
我们考虑为作用在量子电路上的通用量子噪声设计合适的量子误差校正程序（QEC）程序的问题。通常，没有分析通用程序来获得编码和校正统一门，如果噪声未知并且必须重建噪声，问题甚至更难。现有过程依赖于变分的量子算法（VQA），并且由于成本函数的梯度的大小随量子数而衰减，因此很难训练。我们使用基于量子1（QW 1）的量子Wasserstein距离的成本函数来解决此问题。在量子信息处理中通常采用的其他量子距离方面，QW 1缺少单一不变性属性，这使其成为避免被困在本地最小值中的合适工具。专注于一个简单的噪声模型，该模型已知确切的QEC解决方案，并且可以用作理论基准，我们进行了一系列数值测试，这些测试表明如何通过QW 1指导VQA搜索，确实可以显着提高成功培训的可能性，并在使用恢复状态的情况下，以实现的态度来实现会议的方法。
变分量子电路中测量引起的纠缠相变
变分量子算法 (VQA) 经典地优化参数化量子电路以解决计算任务，有望增进我们对量子多体系统的理解，并使用近期量子计算机改进机器学习算法。这类量子-经典混合算法面临的突出挑战是与其经典优化相关的量子纠缠和量子梯度的控制。这些量子梯度被称为贫瘠高原现象，在体积定律纠缠增长的情况下，它们可能会迅速消失，这对 VQA 的实际应用构成了严重障碍。受最近对随机电路中测量诱导纠缠转变研究的启发，我们研究了具有中间投影测量的变分量子电路中的纠缠转变。考虑 XXZ 模型的哈密顿变分拟定 (HVA) 和硬件高效拟定 (HEA)，我们观察到随着测量率的增加，测量诱导的纠缠转变从体积定律到面积定律。此外，我们提供了证据表明，该转变属于随机酉电路的同一普适性类别。重要的是，该转变与经典优化中从严重到温和/无贫瘠高原的“景观转变”相吻合。我们的工作可能为通过在当前可用的量子硬件中结合中间测量协议来提高量子电路的可训练性提供一条途径。
社交式：通过社会空间中的人类语言推理增强机器人导航
摘要 - 大多数现有的社会机器人导航技术要么利用手工制作的规则，要么是人类的示范，以将机器人感知与社会兼容的行动联系起来。但是，有效地将感知转化为具有社会符合社会的行动，就像人类推理在动态环境中自然发生一样。考虑到视觉模型（VLM）的最新成功，我们建议使用语言来弥合感知和具有社会意识的机器人行动之间类似人类的推理的差距。我们通过可解释的互动（SNEI）创建了一个视觉语言数据集，社交机器人导航，特征是基于2K人类机器人社交互动的40k人类通知的视觉问题答案（VQA），在非结构化的，拥挤的公共空间，跨越的公共空间，跨越感知，预测，预测，预测，三连锁推理，链的推理，行动，动作，动作，动作和解释。我们使用Snei微调了VLM，社交式，以演示我们数据集的实际应用。社交式的表现优于诸如GPT-4V和Gemini的最新模型，基于50个VQA的15种不同的人为法官得分的平均值。在船上部署了一个移动机器人，社交式实现了类似人类的推理，这标志着通过语言推理在动态公共空间中朝着社会兼容的机器人导航迈出的有希望的一步。
基于流的变分量子蒙特卡罗的数值和几何方面
近年来，机器学习、量子多体物理学和量子信息科学等领域的交流卓有成效。这种多学科的互动在一定程度上得益于以下发现：人工神经网络为参数化量子多体希尔伯特空间的子集提供了强大的归纳偏差。尽管通过神经网络描述希尔伯特空间向量会导致无法对此类量子态子集进行精确的线性代数运算，但由于存在一种名为变分蒙特卡洛 (VMC) 的有效随机近似算法 [8,30]，基于神经网络的量子态 (NQS) 能够准确揭示量子自旋系统基态的属性，并使用 VMC 的时间相关变体（即所谓的 t-VMC）模拟其时间演化 [6,7]。自从复值受限玻尔兹曼机 [ 8 ] 问世以来，神经网络量子态的范围已经扩大到涵盖各种量子系统，这通过使用日益复杂（通常是多层的）的架构成为可能。相互作用的另一个驱动因素是发现 VMC 和变分量子算法 (VQA) 之间有着密切的类似性。特别是 Stokes 等人 [ 40 ] 在量子信息几何方面的最新研究阐明了机器学习中的自然梯度下降 [ 2 ]、随机重构 VMC [ 38 ] 和量子计算中的变分虚时间演化 [ 45 ] 之间的联系。本教程论文旨在作为对连续变量量子系统的基于流的 VMC 和 t-VMC 的独立回顾。为了具体起见，我们以玻色子量子系统为例进行讨论，以场振幅基表示。场振幅基并不是 VMC 文献 3 的传统焦点，VMC 文献集中于更易于用 Fock 基解释的非相对论系统。然而，场振幅基在具有相对论对称性的系统中是自然的，其中受控玻色子哈密顿量在 L 2 空间中表示为简单的薛定谔算子。因此，哈密顿量的简单性也提供了教学优势。场振幅基的一个可能的计算优势是，它不需要人为地将允许的模式占用数限制在有限范围内以进行数值实现。为了促进
2023 年 4 月 28 日星期五上午 10:00 DR. GOKUL...
摘要 随着量子计算从实验室的好奇心转变为技术现实，我们必须充分发挥其潜力，使不完善的量子技术在现实世界的应用中获得有意义的好处。实现这一愿景需要计算机架构师发挥关键作用，利用经典计算原理构建和促进混合计算生态系统，以获得实际的量子优势。首先，我将介绍我为构建这个混合生态系统所做的四项研究：经典应用转换、自适应噪声缓解、可扩展纠错和高效资源管理。其次，从经典应用转换的角度，我将介绍“CAFQA：变分量子算法的经典模拟引导程序”，它通过使用贝叶斯优化有效地搜索量子空间中可经典模拟的部分，从而实现 VQA 的精确经典初始化。CAFQA 恢复了之前最先进的经典初始化中丢失的 99.99% 的准确度，平均提高了 56 倍。第三，从可扩展纠错重点出发，我将介绍“Clique：优于最坏情况的量子纠错解码”，其中提出了用于低温量子系统的 Clique QEC 解码器。Clique 是一种轻量级低温解码器，用于解码和纠正常见的琐碎错误，因此只有罕见的复杂错误在低温制冷机外处理。Clique 消除了 90-99% 以上的低温制冷机 I/O 解码带宽，同时支持超过一百万个物理量子比特。最后，我将概述其他之前和正在进行的工作，以及我对实际量子优势的未来研究愿景。传记 Gokul Subramanian Ravi 是芝加哥大学 2020 年 NSF CI 研究员博士后学者，由 Fred Chong 教授指导。他的研究针对量子计算架构和系统，主要研究量子和经典计算交叉的主题。他于 2020 年获得威斯康星大学麦迪逊分校计算机架构博士学位，指导教授是 Mikko Lipasti 教授。他曾获得威斯康星大学麦迪逊分校颁发的 2020 年最佳 ECE 论文奖，并被评为 2019 年计算机架构新星。他的量子和经典计算研究已在顶级计算机架构、系统和工程会议上发表，并获得了两项专利和三项待批专利。他的合著作品被评为 HPCA 2022 最佳论文和 2023 年 IEEE Micro Top Picks 荣誉奖。