XiaoMi-AI文件搜索系统
World File Search SystemqGAN
喷气子结构的量子生成模型
理解喷气机的子结构是高能物理学的基本挑战，因为其固有的复杂性和多规模动力学。虽然诸如蒙特卡洛模拟之类的经典方法是重现喷气机现象学特性的功率工具，但这种方法难以准确捕获有关射流形成和进化的复杂相关性和随机过程。量子构成对抗网络（QGAN）通过利用量子计算以数据驱动方式建模量子计算对高维相关性和纠缠的能力来提供一种新颖的补充方法。在这项工作中，我们采用了QGAN框架来对喷气机中领先的黑龙的运动学进行建模。我们的研究调查了量子机器学习是否可以提供对喷气子结构建模的新见解，尤其是在经典方法遇到限制的地区。结果表明，QGAN可以有效地捕获喷气子结构的关键特征，为探索高能物理学中驱动喷气机形成和进化的机制铺平了道路。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
量子生成机器学习细节和指导
在开创性论文 [1] 和 [2] 中已开展和详述的工作的基础上，本项目的目的是弥合经典生成对抗网络 (GAN) 和量子生成对抗网络 (QGAN) 之间的差距，通过按照 [3] 中描述的工作生成图像形式的高维数据来合成真实数据（本工作中为图像）。此外，这项工作将研究我们是否可以在近期量子设备（即所谓的嘈杂中等规模量子 (NISQ) 设备）上实验实现真实世界图像的学习和生成，[3] 中提出的当前框架声称它们确实可以做到这一点。这项工作的第一部分将是利用 [1]、[2] 和 [3] 中提出的框架或类似框架，并应用它们来学习从开源人脸数据集（例如 Flickr-Faces-HQ (FFHQ) 或 CelebA，它们都是高质量的人脸图像数据集）中生成全分辨率的人脸图像。此外，还要研究使用量子电路作为生成器的 QGAN 是否可以在不进行降维或传统预处理/后处理的情况下成功生成人脸图像（由于颜色和不规则图像结构的存在，人脸图像是更复杂的图像类型）。这项工作的第二部分将涉及将生成的图像的输出与通过传统 GAN 生成的图像的输出进行比较，并研究 QGAN 方法与传统 ML 方法相比的效率如何。由于高效的量子算法可以解决线性方程，预计 QGAN 可以在比 GAN 更短的时间内学习数据分布。通过比较两种 ML 方法的效率，可以确定是否存在量子优势以及优势的程度。如果开发了任何新的量子算法，那么在设计阶段，人们通常会使用纸笔、非量子语言的 Python 研究代码，理想情况下，还会使用量子语言实现算法的某些部分，例如 IBM Quantum Lab 的 Qiskit 或 Xanadu 的 Pennylane 的量子计算开源框架，并提供 PyTorch 接口（参见 [4]）。关键项目目标最初 3 个月 2024 年 1 月 1 日 – 2024 年 3 月 31 日
云中以人为中心范式的混合量子量子式有条件生成网络算法
摘要作为一个新兴领域，旨在弥合人类活动与计算系统之间的差距，以人为中心的计算（HCC），云，边缘，雾对人工智能算法产生了巨大影响。量子生成的对抗网络（QGAN）被认为是具有良好应用前景的量子机学习算法之一，也应改进这些算法以符合以人为中心的范式。QGAN的生成过程相对随机，生成的模型不符合以人为中心的概念，因此它不太适合实际情况。为了解决这些问题，提出了一种混合量子量子经典生成对抗网络（QCGAN）算法，这是一种知识驱动的人类计算机相互作用计算模式。通过在发生器和歧视器中输入条件信息来实现稳定生成过程以及人与计算过程之间的相互作用的目的。发电机使用全面连接的拓扑使用参数化的量子电路，从而有助于在训练过程中调整网络参数。歧视者使用经典的神经网络，该网络有效地避免了量子机学习的“输入瓶颈”。最后，选择了BAS训练集以在量子云计算平台上进行实验。结果表明，QCGAN算法可以在训练和执行以人为中心的分类生成任务后有效地收敛到NASH平衡点。
高能物理中的双参数量子电路GAN模型
摘要。生成模型，尤其是生成对抗网络（GAN），正在作为蒙特卡洛模拟的可能替代方法。已经提出，在某些情况下，可以使用量子gan（qgans）加速使用gan的模拟。我们提出了QGAN的新设计，即双参数量子电路（PQC）GAN，该设计由一个经典的歧视器和两个采用PQC形式的量子代理组成。第一个PQC在n -pixel图像上学习了一个概率分布，而第二个PQC则为每个PQC输入生成了单个图像的归一化像素强度。为了了解HEP应用程序，我们评估了模仿热量计输出的任务的双PQC体系结构，转化为像素化图像。结果表明，该模型可以复制尺寸降低及其概率分布的固定数量的图像，我们预计它应该使我们可以扩展到实际热量计输出。