XiaoMi-AI文件搜索系统
World File Search Systemapproximate
贝叶斯网络结构学习的量子近似优化算法
摘要 贝叶斯网络结构学习是一个 NP 难问题，近几十年来许多传统方法都面临着这一问题。目前，量子技术提供了广泛的优势，可用于解决使用传统计算方法无法有效解决的优化任务。在本文中，一种特定类型的变分量子算法，即量子近似优化算法，用于解决贝叶斯网络结构学习问题，采用 3 n (n − 1)/ 2 量子比特，其中 n 是要学习的贝叶斯网络中的节点数。我们的结果表明，量子近似优化算法方法可提供与最先进方法相媲美的结果，并且对量子噪声具有定量的弹性。该方法被应用于癌症基准问题，结果证明了使用变分量子算法解决贝叶斯网络结构学习问题的合理性。
囊性纤维化 (CF) 是白种人中最常见的缩短寿命的遗传性疾病，每 2500 个活产婴儿中就有 1 个患有此病（约
囊性纤维化 (CF) 是白种人中最常见的缩短寿命的遗传性疾病，每 2500 个活产婴儿中约有 1 个患有此病（白种人中这种常染色体隐性遗传病的携带者比例约为 1:25）。在缅因州，目前大约有 250 名儿童和成人患有此病。CF 患者因肺部产生浓稠分泌物而出现肺部并发症。所有分泌物无法从气道中清除，从而导致气体交换受损、细菌感染和疤痕组织形成等并发症。细菌感染会导致病情加重，需要吸入抗生素和静脉注射抗生素治疗。每次病情加重都会对肺组织造成进一步不可逆的损害，进行性肺病目前是大约 85% CF 患者的死亡原因。为了避免这些并发症，患者通常需要每天进行多次积极的气道清除治疗、吸入药物治疗和增加营养支持，所有这些治疗可能需要每天 2-4 小时（病情加重时需要更多时间）。近年来，生物技术已经改变了大多数 CF 患者的治疗和生活。一种称为高效调节剂疗法 (HEMT) 的新型药物现已可供多达 90% 的 CF 患者使用。这些口服药物混合物（通过筛选大型化合物库开发）易于服用，可改善肺功能，减少住院频率并显著改善患者的生活质量。早期指标表明，这些药物也显著提高了预期寿命。
弯曲以近似脑皮层电图 (ECoG) 阵列施加的皮质力
摘要 目的。脑皮层电图 (ECoG) 阵列对大脑施加的力在弯曲以匹配颅骨和大脑皮层的曲率时表现出来。这种力量会对患者的短期和长期结果产生负面影响。在这里，我们提供了一种新型液晶聚合物 (LCP) ECoG 阵列原型的机械特性，以证明其更薄的几何形状可以减少可能施加到大脑皮层的力。方法。我们构建了一台低力弯曲试验机来测量 ECoG 阵列弯曲力，计算其有效弯曲模量，并近似计算它们可以对人脑施加的最大力。主要结果。经测试，LCP ECoG 原型的最大力比任何市售 ECoG 阵列的最大力小 20%。然而，作为一种材料，LCP 的刚性比传统上用于 ECoG 阵列的硅胶高出 24 倍。这表明较低的最大力是由于原型的轮廓较薄（2.9 × –3.25 ×）。重要性。虽然降低材料刚度可以降低 ECoG 阵列表现出的力，但我们的 LCP ECoG 阵列原型表明，柔性电路制造技术也可以通过减小 ECoG 阵列厚度来降低这些力。必须对 ECoG 阵列进行弯曲测试才能准确评估这些力，因为聚合物和层压板的材料特性通常与尺度有关。由于所用的聚合物是各向异性的，因此弹性模量不能用于预测 ECoG 弯曲行为。考虑到这些因素，我们使用了四点弯曲测试程序来量化 ECoG 阵列弯曲对大脑施加的力。通过这种实验方法，可以设计 ECoG 阵列以最大限度地减少对大脑施加的力，从而可能改善急性和慢性临床效用。
多角度量子近似优化算法
量子近似优化算法 (QAOA) 使用由量子演化的参数化层定义的变分拟设电路来生成组合优化问题的近似解。理论上，随着拟设深度的增加，近似度会提高，但门噪声和电路复杂性在实践中会损害性能。在这里，我们研究了一种 QAOA 的多角度拟设，它通过增加经典参数的数量来减少电路深度并提高近似率。即使参数数量增加，我们的结果表明，对于我们考虑的测试数据集，可以在多项式时间内找到好的参数。与 QAOA 相比，这种新的拟设使无限系列 MaxCut 实例的近似率提高了 33%。最佳性能的下限由传统拟设确定，我们针对八个顶点的图给出了经验结果，即多角度拟设的一层与 MaxCut 问题上传统拟设的三层相当。类似地，在 50 个和 100 个顶点图上的 MaxCut 实例集合上，多角度 QAOA 在相同深度下比 QAOA 产生更高的近似率。许多优化参数被发现为零，因此可以从电路中移除它们相关的门，从而进一步降低电路深度。这些结果表明，与 QAOA 相比，多角度 QAOA 需要更浅的电路来解决问题，使其更适合近期的中型量子设备。
数字化反绝热量子近似优化算法
量子近似优化算法 (QAOA) 已被证明是一种有效的经典量子算法，可用于多种用途，从解决组合优化问题到寻找多体量子系统的基态。由于 QAOA 是一种依赖于 Ansatz 的算法，因此始终需要设计 Ansatz 以实现更好的优化。为此，我们提出了一种数字化版本的 QAOA，通过使用绝热的捷径来增强该版本。具体而言，我们使用反绝热 (CD) 驱动项来设计更好的 Ansatz，以及哈密顿量和混合项，以提高整体性能。我们将数字化 CD QAOA 应用于 Ising 模型、经典优化问题和 P 自旋模型，证明它在我们研究的所有情况下都优于标准 QAOA。
线性代数难题的量子近似优化
Farhi 等人提出的量子近似优化算法 (QAOA) 是一种用于解决量子或经典优化任务的量子计算框架。在这里，我们探索使用 QAOA 解决二元线性最小二乘 (BLLS)；这个问题可以作为线性代数中其他几个难题的构建块，例如非负二元矩阵分解 (NBMF) 和非负矩阵分解 (NMF) 问题的其他变体。之前在量子计算中解决这些问题的大部分努力都是使用量子退火范式完成的。就这项工作的范围而言，我们的实验是在无噪声量子模拟器、包括设备真实噪声模型的模拟器和两台 IBM Q 5 量子比特机器上进行的。我们重点介绍了使用 QAOA 和类似 QAOA 的变分算法解决此类问题的可能性，其中试验解决方案可以直接作为样本获得，而不是在量子波函数中进行幅度编码。我们的数值结果表明，即使步骤数很少，对于采样基态的概率，模拟退火在 QAOA 深度 p ≤ 3 的情况下也能胜过 BLLS 的 QAOA。最后，我们指出了目前在基于云的量子计算机上实验实施该技术所面临的一些挑战。
AMaLa：通过退火突变近似景观分析定向进化实验
我们提出了退火突变近似景观 (AMaLa)，这是一种从定向进化实验测序数据推断适应度景观的新方法。定向进化实验通常从单个野生型序列开始，该序列经历达尔文体外进化，通过多轮突变和选择达到目标表型。近年来，定向进化正在成为一种在受控实验条件下探测适应度景观的有力工具，并且由于对不同轮次进行了高通量测序，定向进化成为开发准确统计模型和推理算法的相关试验场。适应度景观建模策略要么使用变体的丰富度作为输入数据，因此需要在不同轮次观察相同的变体，要么简单地假设最后一轮测序的变体是平衡采样过程的结果。 24 AMaLa 旨在有效利用所有序列轮次的时间演化中编码的信息。为此，一方面，我们假设序列轮次之间存在统计抽样独立性，另一方面，我们用时间相关的统计权重来衡量序列空间中所有可能的轨迹，该权重由两个贡献组成：（i）一个解释选择过程的统计能量项，（ii）一个简单的广义 Jukes-Cantor 模型来描述纯突变步骤。30 这种简单的方案使我们能够准确地描述具体实验设置中的定向进化动力学，并推断出一个适应度景观，该景观可以正确再现选择下的表型（例如抗生素耐药性）的测量值，明显优于广泛使用的推理策略。我们通过展示推断的统计 34 模型如何用于预测野生型序列的相关结构特性，以及如何重现未用于训练模型的大规模功能筛选的突变效应，来评估 AMaLa 的可靠性。36
使用倒数近似动态编程的混合储能系统优化风电厂的交易决策
这是“作者接受的手稿”版本的版本：Finnah，Benedikt /Gönsch，Jochen（2021）使用倒退近似动态编程优化风力发电厂的交易决策。国际生产经济学杂志，238，108155。最终文章版本（记录的版本）可在以下网址获得：https：//doi.org/10.1016/j.ijpe.2021.108155
将量子近似优化算法应用于组合优化问题
量子计算领域始于1980年代初，著名的物理学家Paul Benioff，Yuri Manin和Richard Feynman，独立和同时概念化了量子计算机的概念[2-5]。这个想法是基于这样的观察结果，即在classical计算机上模拟量子系统需要以量子系统大小为指数缩放的资源。因此，如果我们想模拟量子物理学，我们最好使用量子物理。后来，David Deutsch正式化了Quantur Turing机器的想法，并提出了量子电路模型[6，7]。接下来是彼得·谢尔（Peter Shor），彼得·谢尔（Peter Shor）发现了一种量子算法，该算法可以比任何已知的经典算法更快地求解质量分解[8]。发现大量的主要因素对于古典计算机来说很难，并且这种计算硬度已用于公用密钥密码系统，例如RSA [9]。但是，有了足够大的量子计算机，公用密钥系统很容易被黑客入侵。今天，量子计算机仍处于早期阶段，它们对噪声的敏感性比其经典对应物更敏感。这设置了量子电路大小的限制。尽管从理论上讲量子误差校正是驯服错误，但它仍然需要大量的Qubits [10，11]。例如，对运行Shor的算法的要求的估计值证明，有数百万量子数具有错误校正[12]。
利用离子阱量子模拟器对长程伊辛模型进行量子近似优化
量子计算机和模拟器可能比经典计算机和模拟器具有显著的优势，它们可以洞悉量子多体系统，并可能提高解决优化和可满足性等指数级难题的性能。在这里，我们报告了使用模拟量子模拟器实现的低深度量子近似优化算法 (QAOA)。我们估计具有可调范围的长程相互作用的横向场伊辛模型的基态能量，并通过对 QAOA 输出进行高保真、单次、单独量子比特测量采样来优化相应的组合经典问题。我们通过穷举搜索和变分参数的闭环优化来执行算法，用最多 40 个捕获离子量子比特来近似基态能量。我们使用随系统大小多项式缩放的引导启发式方法对实验进行基准测试。我们观察到，与数值结果一致，随着系统规模的扩大，QAOA 性能不会显著下降，并且运行时间与量子比特的数量基本无关。最后，我们对系统中发生的错误进行了全面分析，这是将 QAOA 应用于更一般的问题实例的关键一步。