XiaoMi-AI文件搜索系统
World File Search Systemcomputers
量子计算机上的对称性破坏/对称性保持电路和对称性恢复
摘要 我们在此讨论在量子计算机上处理量子多体问题时与其对称性相关的一些方面。回顾了与对称性守恒、对称性破缺和可能的对称性恢复有关的几个特点。在简要讨论了一些与多粒子系统相关的标准对称性之后，我们讨论了在量子分析中直接编码某些对称性的优势，特别是为了减少量子寄存器大小。然而众所周知，当自发对称性破缺发生时，使用对称性破缺状态也可以成为一种独特的方式来纳入特定的内部相关性。这些方面是在量子计算的背景下讨论的。然而，只有当最初破缺的对称性得到适当恢复时，才能精确描述量子系统。介绍了几种在量子计算机上执行对称性恢复的方法，例如，通过 Grover 算法净化状态、结合使用 Hadamard 测试和 oracle 概念、通过量子相位估计和一组迭代独立的 Hadamard 测试进行对称性过滤。
使用云上的量子计算机
E. Pelofske，A。Bärtschi和S. Eidenbenz，“实践中的量子量：用户可以从NISQ设备中期望的东西”，在IEEE Quantum Engineering的IEEE交易中，第1卷。3，pp。1-19，2022，Art No。 3102119。1-19，2022，Art No。3102119。
量子计算机上的特征选择
摘要 在机器学习中，较少的特征会降低模型的复杂性。因此，仔细评估每个输入特征对模型质量的影响是至关重要的预处理步骤。我们提出了一种基于二次无约束二进制优化 (QUBO) 问题的新型特征选择算法，该算法允许根据特征的重要性和冗余度选择指定数量的特征。与迭代或贪婪方法相比，我们的直接方法可以产生更高质量的解决方案。QUBO 问题特别有趣，因为它们可以在量子硬件上解决。为了评估我们提出的算法，我们使用经典计算机、量子门计算机和量子退火器进行了一系列数值实验。我们的评估将我们的方法与各种基准数据集上的一系列标准方法进行了比较。我们观察到了具有竞争力的表现。
论量子计算机的物理信息神经网络
物理信息神经网络 (PINN) 已成为解决科学计算问题的强大工具，从偏微分方程的求解到数据同化任务。使用 PINN 的优势之一是利用依赖于 CPU 和协处理器（如加速器）组合使用的机器学习计算框架来实现最大性能。这项工作使用量子处理单元 (QPU) 协处理器研究 PINN 的设计、实现和性能。我们设计了一个简单的量子 PINN，使用连续变量 (CV) 量子计算框架来解决一维泊松问题。我们讨论了不同的优化器、PINN 残差公式和量子神经网络深度对量子 PINN 精度的影响。我们表明，在量子 PINN 的情况下，优化器对训练景观的探索不如经典 PINN 有效，而基本随机梯度下降 (SGD) 优化器的表现优于自适应和高阶优化器。最后，我们重点介绍了量子和经典 PINN 在方法和算法上的差异，并概述了量子 PINN 开发的未来研究挑战。
cit411 微型计算机和微处理器
解释微处理器结构及其组件 解释微处理器的程序员模型 解释微处理器的程序员模型 解释 8051 指令集 使用 8085 指令集设计和实现汇编语言程序 讨论汇编语言的概念和从源代码创建可执行文件的过程 设计和实现处理中断的汇编程序 初始化输入 / 输出端口并使用 i/o 操作编写汇编程序 操作微处理器（交叉）开发系统 就程序空间和执行时间而言定义计算机资源。 区分微处理器市场上的硬件和软件产品 识别微计算机测试和开发设备的基本组件和功能。
为超级计算机带来量子加速
量子计算机将信息编码为量子比特的状态，并使用外部信号（例如通过微波或激光）来操纵它们。利用量子物理的特性，量子算法可以使用这些特性来实现资源扩展的指数级改进 2 。已经开发了几种这样的量子算法 [11]；尽管如此，必须强调的是，量子计算机并非现有计算技术的替代品。量子计算机更适合解决那些所需传统计算资源随问题规模呈指数级增长的问题。其他问题可能从量子计算机中获得的收益较小甚至为零，辅助任务也是如此，如预处理和后处理、I/O 和可视化。这种理解有助于将量子计算机定位在大量计算硬件中，作为现有高性能计算系统的加速器，专门适用于某些类型的问题，量子计算机将成为这些问题的颠覆性技术。
信息理论，计算机架构和操作
jfornes@sert-entry-2：〜/esceen $ ls -liager：总计28 2289205 DRWXR-XR-X 3 JFORS和4096 NOV 28 09:20。22282340 DRWX - x - x 82 JFORS和12288 NOV 28 10:27 3 JFORS和5 NOV22289249 DRWXR-XR-X 2 JFORS和4096 NOV 28 10:27字幕DRWXR-XR-X 2 JFORS和4096 NOV 28 NOV 28 10:27。22289205 DRWXR-XR-X 3 JFOR和4096 11月28:20。 32 Nov 28 10：14：14：14：R-R --- R --- R ---- R -------- 3果酱和5 Nov 24 13:52
量子计算机上的时间序列分析
摘要 — 由于量子电路上的旋转分量，一些基于变分电路的量子神经网络可以被认为等同于经典的傅里叶网络。此外，它们还可用于预测连续函数的傅里叶系数。时间序列数据表示变量随时间的状态。由于一些时间序列数据也可以被视为连续函数，我们可以预期量子机器学习模型能够成功地对时间序列数据执行许多数据分析任务。因此，研究用于时间数据处理的新量子逻辑并分析量子计算机上数据的内在关系非常重要。在本文中，我们使用需要少量量子门的简单量子算子，通过 ARIMA 模型对经典数据预处理和预测进行量子模拟。然后，我们讨论了未来的方向以及可用于量子计算机上时间数据分析的一些工具/算法。
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
量子力学计算机的实时数字取证方法
本文探讨了逆向量子计算机门作为从量子计算机收集法医证据的途径。迄今为止，对量子计算系统的法医研究很少，在实时恢复环境中几乎没有实验。这项工作通过查看当前对该问题的研究以及实时数据收集的演示，讨论了量子计算机实时取证的方法。结果是对真实量子系统进行的分析相结合，以产生量子取证方法。此外，这项工作将强调实时取证的可行性，并在很大程度上驳斥了 Overill 关于不可能对量子系统进行实时取证的断言。我们相信这项工作代表着朝着彻底改变整个量子取证领域迈出了非常重要的一步。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。