XiaoMi-AI文件搜索系统
World File Search SystemVQE
通过模拟益生元分子的基态能量在高性能计算机上的基态能量
摘要。我们使用在Qiskit软件包中实现的变异量子本质量（VQE）来计算源自水，H 2 O和HCN氰化氢的小分子的基态能量。这项工作旨在基准基准算法，以计算与益生元化学相关的分子的电子结构和能量表面，从水和氰化氢开始，并在可用的模拟和物理量子硬件上运行它们。小量子处理器的算法的数值计算使我们能够设计更有效的协议，可以在实际硬件中运行，并分析其性能。对可访问量子处理原型的未来实现将基准量子计算机基准测试，并通过启发式量子算法进行量子优势的测试。
具有变异量子本素质量的演示
变化量子算法利用叠加和纠缠的特征来通过操纵量子状态有效地优化成本功能。它们适用于最近在全球研究界可以使用的嘈杂的中间量子量子（NISQ）计算机。在这里，我们在IBM Qiskit运行时平台上的5 Q量和7 QUITION量子处理器上实现并演示了数值过程。我们将商业有限元元素方法（FEM）软件abaqus与实施变量量子eigensolver（VQE）相结合以建立集成管道。三个例子用于研究性能：六角形桁架，蒂莫申科束和平面连续体。我们使用这种杂种量子古典方法进行了有关基本固有频率估计收敛性的参数研究。当在不久的将来可用的量子计算机可用时，我们的发现可以扩展到更多自由度的问题。
引用原始发表的论文（记录的版本）：Bengtsson，A.，Vikstål，P。，Warren，C。等（2020）。提高了
量子计算承诺在许多范围内的指数计算加速度，例如加密，量子模拟和线性代数[1]。即使一台大型，容忍故障的量子计算机仍然有很多年的距离，但在过去的十年中，使用超导电路[2-4]取得了令人印象深刻的进步，导致嘈杂的中间尺度量子（NISQ）ERA [5]。可以预测，NISQ设备应允许“ Quantum-tumpremacy” [6]，也就是说，解决了在合理时间内在古典计算机上棘手的问题。最近通过对随机电路的输出分布进行采样[7]，这是在53 QUIT的处理器上证明的。最突出的NISQ算法是用于组合优化问题的量子近似优化算法（QAOA）[8-10]和用于计算分子能量的变量量子量化量化算法[11-13]。QAOA是一种启发式算法，可以将多项式速度带到量子中编码的特定问题的解决方案
Overlap-ADAPT-VQE：通过重叠引导的紧凑型模拟在量子计算机上进行实用量子化学
ADAPT-VQE 是一种用于近期量子计算机上量子化学系统混合量子经典模拟的稳健算法。虽然其迭代过程系统地达到基态能量，但 ADAPT-VQE 的实际实现对局部能量最小值很敏感，导致过度参数化的假设。我们引入了 Overlap-ADAPT-VQE，通过最大化它们与已经捕获一些电子相关性的任何中间目标波函数的重叠来增加波函数。通过避免在散布局部最小值的能量景观中构建假设，Overlap-ADAPT-VQE 产生了超紧凑的假设，适用于高精度初始化新的 ADAPT 程序。对于强相关系统，与 ADAPT-VQE 相比具有显著优势，包括电路深度的大幅节省。由于这种压缩策略也可以用精确的选定配置相互作用 (SCI) 经典目标波函数进行初始化，因此它为更大系统的化学精确模拟铺平了道路，并增强了通过量子计算的力量决定性地超越经典量子化学的希望。
量子上下文中的设定分区问题
摘要设定的分区问题及其决策变体（即，封面问题）是量子优化社区至关重要的组合优化问题。在许多实际世界优化问题的分支机构方法的主要问题中也采用了此问题，包括但不限于重新划分和调度。以最近关于量子组合能力“解决”硬组合优化问题的能力的主张所激发，我们提出了一个二次无约束的二进制优化（QUBO）配方，以使用严格的惩罚系数进行设定的分区问题。我们还采用了Garfinkel和Nemhauser（Operations Research，1969年）的五种销售技术来减少现有基准实例的规模。我们最终使用变异量子本素（VQE）作为启发式，以找到解决该问题的可行解决方案。我们的计算实验表明，在量子环境中使用紧密的惩罚系数和现有的经典还原技术的功效。我们的代码和数据可在GitHub上找到。
在量子计算机上准备开放 XXZ 链的精确特征态
相应的 Bethe 方程；后者通常难以求解。因此，尽管这些模型是“精确可解的”，但通常仍需要付出大量努力来明确计算感兴趣的物理量。量子计算机有望解决各种迄今难以解决的问题 [5,6]。这些问题包括分子和固态环境中多体系统的量子模拟 [7,8]。人们很自然地会问，量子计算机是否也能帮助解决计算量子可积模型感兴趣的物理量的问题。虽然求解 Bethe 方程仍然是一个有趣的开放性挑战 [9]，但最近一个重要的进展是发现了一种用于构造精确特征态的有效量子算法 [10]。该算法可能用于明确计算相关函数，否则这是无法实现的。可积模型还可以通过为量子模拟器提供试验台来影响量子计算。尽管人们正在大力开发近期算法，如变分量子特征值求解器 (VQE) [ 11 , 12 ]，以解决多体问题，但目前尚不清楚 VQE 是否能够在近期硬件上实现量子优势。另一方面，在容错量子计算机上获得一般模拟问题的量子优势被认为在量子资源方面成本极其昂贵 [ 13 – 15 ]。在嘈杂的中型量子时代 [ 16 ] 之后，早期量子计算机的可积模型的另一个好处是，它们的经典可解量可用于验证和确认目的。因此，研究特殊类别的问题（如可积模型）以更早地展示量子优势是很自然的。关键的第一步是找到解决这类问题的量子算法并量化所需的资源。 [ 10 ] 中的算法适用于闭式自旋 1/2 XXZ 自旋链，它是 Bethe [ 1 ] 求解的模型的各向异性版本 [ 17 ]，是具有周期性边界条件的量子可积模型的典型例子。将量子可积性扩展到具有开放边界条件的模型也很有趣且不平凡，参见 [ 18 – 21 ] 和相关参考文献。在本文中，我们制定了一个量子算法，用于构造具有对角边界磁场的开放自旋 1/2 XXZ 自旋链的精确本征态，这是具有开放边界条件的量子可积模型的典型例子。长度为 L 的链的（铁磁）哈密顿量 H 由下式给出
具有循环模式的量子电路编译确定性算法
当前的量子处理器噪声大、相干性有限且门实现不完善。在这样的硬件上，只有比整体相干时间短的算法才能成功实现和执行。一个好的量子编译器必须将输入程序转换为其自身最有效的等价物，从而充分利用可用的硬件。在这项工作中，我们提出了新的确定性算法，用于在多项式时间内编译递归量子电路模式。具体来说，这种模式出现在量子电路中，这些量子电路用于使用变分量子特征求解器 (VQE) 方法和 RyRz 启发式波函数 Ans¨atz 计算分子系统的基态特性。我们表明，我们的面向模式的编译算法与有效的交换策略相结合，在 CNOT 计数和 CNOT 深度方面，通常可以生成与使用最先进的编译器获得的输出程序相当的输出程序。特别是，我们的解决方案在 RyRz 电路上产生了无与伦比的结果。关键词 - 量子编译、循环模式、RyRz 电路
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
![arXiv:2302.03052v1 [physics.chem-ph] 2023 年 2 月 6 日](/simg/g:\will\search\icon\source\e\e09f9fba7d355bfcf065b6498bd622d6b70b6b6a.webp)
arXiv:2302.03052v1 [physics.chem-ph] 2023 年 2 月 6 日
量子计算已成为模拟化学中强关联系统的有前途的平台，而对于此类系统，标准量子化学方法要么定性不准确，要么成本太高。然而，由于可用的噪声较大的近期量子设备的硬件限制，它们的应用目前仅限于小型化学系统。在量子嵌入方法中可以实现一种扩展适用范围的方法。在此，我们采用基于投影的嵌入方法将变分量子特征求解器 (VQE) 算法（但不限于）与密度泛函理论 (DFT) 相结合。然后在真实的量子设备上有效地实现开发的 VQE-in-DFT 方法，并将其用于模拟丁腈中的三键断裂过程。本文给出的结果表明，所开发的方法是一种在量子计算机上模拟具有强关联片段的系统的有前途的方法。这些发展以及随之而来的实施将有利于许多不同的化学领域，包括计算机辅助药物设计以及具有强相关片段的金属酶的研究。
使用量子计算机进行蛋白质折叠
半个多世纪以来，蛋白质折叠一直是最困难的问题之一，随机热运动导致构象变化，从而导致能量下降到天然结构，这是漏斗状能量景观中捕获的原理。未折叠的多肽具有广泛的可能构象。由于潜在构象随链长呈指数增长，搜索问题对于经典计算机来说变得难以解决。到目前为止，有理论和实验证据表明，使用量子退火、VQE 和 QAOA 等量子计算方法解决此类优化问题具有优势。虽然谷歌的 DeepMind-AlphaFold 已经取得了很大成就，但我们可以通过量子方法走得更远。在这里，我们展示了如何使用变分量子特征求解器预测蛋白质结构以及 RNA 折叠，并使用条件风险值 (CVaR) 期望值来解决问题并找到最小配置能量，我们的任务是确定蛋白质的最小能量结构。蛋白质的结构经过优化以降低能量。还要确保满足所有物理约束，并将蛋白质折叠问题编码为量子比特算子。