XiaoMi-AI文件搜索系统
World File Search Systemquantum
通过广义量子 Stein 引理实现相互作用量子自旋系统热操作的渐近可逆性
对于具有局部平移不变哈密顿量的任意空间维度的量子自旋系统，我们证明，如果状态是平移不变和空间遍历的，则通过热力学可行的一类量子动力学（称为热操作）从一个量子态到另一个量子态的渐近状态转换完全可以用 Kullback-Leibler (KL) 发散率来表征。我们的证明由两部分组成，用量子信息论的一个分支资源理论来表述。首先，我们证明，任何状态，对于这些状态，最小和最大 Rényi 发散度近似地坍缩为一个值，都可以在小的量子相干源的帮助下通过热操作近似可逆地相互转换。其次，我们证明，对于任何平移不变的遍历状态，这些发散度渐近地坍缩为 KL 发散率。我们通过对量子 Stein 引理的推广来证明这一点，该引理适用于独立同分布 (iid) 情况以外的量子假设检验。我们的结果表明，KL 发散率可作为热力学势，在热力学极限下，包括非平衡和完全量子情况，提供量子多体系统遍历态热力学可转换性的完整表征。
![矢量涡流梁的液晶设备操纵和量子信息应用[邀请]](/simg/b/b613d55c89f660fae3794948df61c95c207d46e0.webp)
矢量涡流梁的液晶设备操纵和量子信息应用[邀请]
液体晶体（LC）是一种出色的电磁材料，在液体和晶体固体之间具有中间结构。它具有较大的光学各向异性，其光学特性可以通过中等外部磁场轻松修饰，从而使光的放大和相位调制。LC显示基于光的幅度或两极分化的模拟，已成为巨大的商业成功。同时，在光子学领域探索了许多LC设备的新型非显示器应用[1-6]。lc光学元素在操纵不同程度的光中发现了新的作用，尤其是在矢量梁的工程中，具有简单配置，方便使用，低成本和高转换效率的优势。向量场[7 - 9]，其中横梁横平的光极化是空间变化的，引起了很多关注。矢量梁作为对矢量螺旋方程的自然解决方案。它们经常被生成具有正交极化状态的正交标量场的超级位置，为
量子性的深度有效证明 - 研究集锦
量子性证明是一种质询-响应协议，其中经典验证者可以有效地证明不受信任的证明者的量子优势。也就是说，量子证明者可以正确回答验证者的质询并被接受，而任何多项式时间经典证明者都将基于合理的计算假设被高概率拒绝。为了回答验证者的质询，现有的量子性证明通常要求量子证明者执行多项式大小的量子电路和测量的组合。在本文中，我们给出了两种量子性证明构造，其中证明者只需执行恒定深度量子电路（和测量）以及对数深度经典计算。我们的第一个构造是一个通用编译器，它允许我们将所有现有的量子性证明转换为恒定量子深度版本。我们的第二个构造基于舍入问题学习，并且产生的电路深度比通用构造更短，需要的量子位更少。此外，第二种构造对噪声也具有一定的鲁棒性。
预测量子技术的固态材料平台
半导体材料为量子技术 (QT) 提供了一个引人注目的平台。然而，在众多候选材料中识别出有前途的材料主体是一项重大挑战。因此，我们开发了一个框架，使用材料信息学和机器学习方法自动发现用于 QT 的半导体平台。我们实施了不同的方法来标记数据，以训练监督机器学习 (ML) 算法逻辑回归、决策树、随机森林和梯度提升。我们发现，完全依赖文献研究结果的经验方法会明显区分预测的合适和不合适的候选材料。与文献中将带隙和离子特性作为 QT 兼容性的重要特性的预期相反，ML 方法强调了与对称性和晶体结构相关的特征，包括键长、方向和径向分布，因为这些特征在预测材料是否适合 QT 时很重要。
量子和量子启发的机器学习的平滑输入准备
抽象的机器学习最近已成为寻找潜在量子计算优势的富有成果的领域。许多量子增强的机器学习算法批判性地取决于有效产生与存储在量子可访问存储器中的高维数据点的状态的能力。即使是对数据库中存储的许多条目的查询访问，其构造被认为是一次性开销，也有人认为，准备此类振幅编码状态的成本可能会抵消任何指数量子优势。在这里，我们使用平滑的分析证明，如果数据分析算法与小型入口输入扰动相对于较小的入门扰动，则可以通过持续的查询来实现状态准备。通常在现实的机器学习应用程序中满足此标准，其中输入数据对中等噪声进行了主观。我们的结果同样适用于量子启发的算法最近的开创性进度，其中专门构建的数据库足以在低级别病例中用于小聚集素的经典算法。我们发现的结果是，出于实用的机器学习目的，在具有量子算法或量子启发的经典经典算法的一般且灵活的输入模型下，在低级别病例的一般且灵活的输入模型下，可以进行多组载体的处理时间。
揭开量子技术能力的神秘面纱——...
- 量子特性可用于显著增强传感和测量技术，实现超越传统物理学所能达到的精度测量。据美国前理论物理学教授、专门研究量子传感和量子成像的乔纳森·道林和澳大利亚理论量子物理学家、专门研究量子反馈控制和量子测量的杰拉德·米尔本称，量子传感将对导航、射频通信、地质勘探和医疗诊断等领域产生重大影响。他们的研究表明，量子传感将对环境变化、引力场、电磁辐射甚至分子结构提供更准确、更灵敏的检测。由于量子传感器依靠量子粒子进行测量，因此它们本质上比传统传感器更灵敏，从而引入了大量新的应用、数据洞察和决策能力。
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。
了解量子力学：量子实验的作用
第二次量子革命不仅促进了量子科学和技术的研究，也促进了如何最好地教育可能进入这一新兴领域的学生的研究。关于量子科学教育的大部分讨论都集中在学生的概念学习或潜在雇主所期望的技能上；缺乏对实验课程和实验如何促进本科量子教育的研究。为了开始了解量子实验可能发挥的作用，我们对在本科实验课程中使用单光子和纠缠光子进行实验的教师进行了调查，发现最重要的学习目标之一是“在现实生活中看到量子力学”。为了更好地理解这一目标，我们采访了 15 位接受调查的教师，询问他们了解量子力学对他们意味着什么，以及他们为什么认为这是学生教育的重要组成部分。我们从对这些访谈的定性编码分析中提出了新主题，这些主题开始阐明教师如何看待了解量子力学，以及教师希望了解量子力学（以及更广泛地进行量子实验）将帮助学生实现哪些学习目标。
量子计算机科学的基础教会了我们关于化学的知识
物理上的不可证明** - 随着系统的随着时间的流逝，有突然的，定性的变化无法以任何方式预测，除了时间向前发展并查看它是否发生，并且在有限的时间内没有答案可以表明它永远不会发生（对于所有系统）。