XiaoMi-AI文件搜索系统
World File Search Systemqubit
使用单个量子比特进行量子机器学习的教学方法
摘要本文通过一个具有真实数据集的明确示例，对量子机器学习 (QML) 领域进行了实践介绍。我们重点关注使用数据重新上传技术的单个量子位学习的情况。在讨论了量子计算和机器学习的相关背景之后，我们对我们考虑的数据重新上传模型进行了详尽的解释，并使用 qiskit 量子计算 SDK 在玩具和真实世界数据集中实现了不同的提议公式。我们发现，与经典神经网络一样，层数是决定模型最终准确性的因素。此外，有趣的是，结果表明，在同一组训练条件下，单量子位分类器可以实现与经典分类器相当的性能。虽然这不能理解为量子机器学习优势的证明，但它指出了一个有前途的研究方向，并提出了我们概述的一系列问题。
在公共量子计算机上测试量子比特旋转的准确性
我们分析了 IBM 提供的公共量子计算机上 π /2 量子比特旋转测试的结果。我们测量绕随机轴旋转 π /2 的单个量子比特，并积累了大量结果统计数据。在不同设备上执行的测试表明，与理论预测存在系统性偏差，偏差程度达到 10 – 3 级。由于脉冲生成的非线性，超过 5 个标准差的一些差异无法通过简单的校正来解释。偏差幅度与门的随机基准测试相当，但我们还观察到明显的参数依赖性。我们讨论了偏差的其他可能原因，包括单量子比特空间以外的状态。对于在不同时间使用的各种设备，偏差具有相似的结构，因此它们也可以用作诊断工具，以消除不完善的门实现和对所涉及物理系统的忠实描述。
sub-mw低温INP HEMT LNA用于量子读数
摘要 - 低温磷化物（INP）高电子动力晶体管（HEMT）低噪声放大器（LNA）用于在4 K处的Qubits读数放大，其中冷却能力有限地暗示活性电路的DC功率是一个必不可少的设计约束。在本文中，在4 K处的超功率（ULP）操作下INP HEMT的RF和噪声性能已被表征。 将INP HEMT的小信号和噪声参数模型提取到1 µW。噪声性能和直流功耗之间的权衡是根据排水电流和排水电压分析的。 制造了4–6 GHz混合低温HEMT LNA专为量子读数而设计的，并针对低于1 MW DC功率的最低噪声进行了优化。 在4 K时测量的LNA的测量性能达到23.1 dB平均增益，平均噪声温度为200 µW DC功率。在本文中，在4 K处的超功率（ULP）操作下INP HEMT的RF和噪声性能已被表征。将INP HEMT的小信号和噪声参数模型提取到1 µW。噪声性能和直流功耗之间的权衡是根据排水电流和排水电压分析的。制造了4–6 GHz混合低温HEMT LNA专为量子读数而设计的，并针对低于1 MW DC功率的最低噪声进行了优化。在4 K时测量的LNA的测量性能达到23.1 dB平均增益，平均噪声温度为200 µW DC功率。
通过辅助Qubit探测光质系统的对称破坏
Ultrastrong中的混合量子系统，在深度，耦合方案中甚至更多地表现出异国情调的物理现象，并保证在量子技术中采用新的应用。在这些非驱动性方案中，值 - 谐振系统具有纠缠的量子真空，在谐振器中具有非零的平均光子数，在该谐振器中，光子是虚拟的，无法直接检测到。真空场能够诱导分散耦合探针量子的对称破裂。我们通过实验观察到由一个集体元素超导的谐振器与浮标量子偶联的辅助XMON人工原子的平均对称性破裂。此结果开辟了一种实验探索在深度耦合方面出现的新型量子效应效应的方法。
单次自旋量子比特的稳健且快速的后处理......
建立低误差和快速的量子比特读出检测方法对于有效的量子误差校正至关重要。在这里，我们测试神经网络以对一组单次自旋检测事件进行分类，这些事件是我们的量子比特测量的读出信号。此读出信号包含一个随机峰值，对于该峰值，包括高斯噪声的贝叶斯推理滤波器在理论上是最佳的。因此，我们将通过各种策略训练的神经网络与后一种算法进行了基准测试。使用 10 6 个实验记录的单次读出轨迹训练网络不会提高后处理性能。与贝叶斯推理滤波器相比，由合成生成的测量轨迹训练的网络在检测误差和后处理速度方面表现相似。事实证明，这种神经网络对信号偏移、长度和延迟以及信噪比的波动更具鲁棒性。值得注意的是，当我们使用由合成读出轨迹结合我们设置的测量信号噪声训练的网络时，我们发现 Rabi 振荡的可见性增加了 7%。因此，我们的贡献代表了神经网络的软件和硬件实现在可扩展自旋量子比特处理器架构中可能发挥的有益作用的一个例子。
量子处理器中量子比特数字误差的半经典分析简介
摘要：近年来，量子计算机的发展取得了显著的进展。为进一步发展，阐明量子噪声和环境噪声引起的误差的性质非常重要。然而，随着量子处理器系统规模的扩大，人们指出会出现一种新型的量子误差，如非线性误差。信息论中如何处理这种新效应尚不清楚。首先，应该明确量子比特误差概率的特征，作为信息论中的通信信道误差模型。本文旨在综述信息论者未来可能面临的量子噪声效应的建模进展，以应对上述非平凡误差。本文解释了一个信道误差模型来表示由于新量子噪声引起的误差概率的奇怪性质。通过该模型，给出了由量子递归效应、集体弛豫和外力等引起的误差概率特征的具体例子。因此，我们无需经历复杂的物理现象就能理解经典信息论中不存在的误差概率奇怪特征的含义。
阐明配体场对分子量子比特自旋弛豫的贡献
图 2. 脉冲 EPR 回波检测场扫描 (EDFS) 的模拟取向依赖性。(A) 四方 Cu(II) 复合物的平行和垂直取向定义。(B) 模拟 Cu(II) EDFS 和组成超精细 m I 流形的取向依赖性，自旋哈密顿参数 g ∥ = 2.0912、g " = 2.0218、A ∥ = −500.1 MHz ( − 166.8 × 10 -4 cm -1 )、A " = −116.9 MHz ( − 39.0 × 10 -4 cm -1 )、ν = 9.7 GHz，取自实验 [Cu(mnt) 2 ] 2- CW EPR 光谱的拟合结果。 （C）模拟的 V(IV) EDFS 和自旋哈密顿参数 g ∥ = 1.9650、g " = 1.9863、A ∥ = −478.0 MHz ( − 159.4 × 10 -4 cm -1 )、A " = −167.8 MHz ( − 55.9 × 10 -4 cm -1 )、ν = 9.7 GHz 的方向依赖性，取自实验 VOPc CW EPR 光谱的拟合结果。黑色实线箭头表示 EDFS 中的纯平行方向，而红色实线箭头表示纯垂直方向。
对在网格状态中编码的量子的量子误差校正审查
量子信息可以通过离散系统（例如旋转或连续系统）作为高斯州携带。离散情况下的量子代码通过一般的“稳定器”框架很好地研究了。从离散的耐偏移代码开始，Gottesman，Kitaev和Preskill为连续变量描述的系统构建了量子代码[2]。代码单词是无限挤压状态的叠加，这是正交平面中δ函数的2D网格。实际上，人们与有限的挤压合作。代码，| GKP⟩状态是通过宽度宽度函数宽度Δ -1的高斯函数的高斯函数的叠加来描述的。这是正交平面中的平方代码。还有其他类型的网格状态，例如六角形代码。量子误差校正（QEC）对于网格状态至关重要。最近，耶鲁大学的研究人员提出了QEC方案，并为网格状态进行了实验[1]。在这篇评论中，我将讨论| GKP⟩状态，其分布，网格状态的QEC协议以及人们最近的实验。
在机械振荡器中编码的逻辑量子量
连续变量（CV）系统在实现通用量子计算的实现中引起了越来越多的关注。最近的一些实验表明，使用CV系统将值编码为捕获的离子机械振荡器并执行逻辑门的可行性[C. C. Flühmann等。，自然（伦敦）566，513（2019）]。必不可少的下一步是保护编码的量子函数免受量子反应的影响，例如，由于机械振荡器及其环境之间的相互作用而引起的运动反应性。在这里，我们提出了一种方案，以抑制单模谐波振荡器的量子反应性，该方案是通过引入非逆势泄漏消除操作员（LEO）的特定设计来编码Qubits的。值得注意的是，我们的非扰动狮子座可用于分析无近似值的精确运动方程。它还允许我们证明这些LEO的有效性仅取决于时间域中的脉冲序列的积分，而脉冲形状的详细信息在适当选择时间段时并没有显着差异。此控制方法可以在任意温度和任意系统轴耦合强度下应用于系统，这使其对于一般的开放量子系统非常有用。
集成光子QCCD设备中的Multizone捕获 - 离子量子控制
多路复用操作和对多个陷阱站点的扩展相干控制是大规模体系结构中陷阱离子处理器的基本要求。在这里，我们使用具有积分光子组件的表面电极陷阱来证明这些构建块，这些陷阱可扩展到大量区域。我们在两个区域中使用集成光实施了一个拉姆西序列，分别为375μm，在脉冲之间在200μs中从一个区域转移到另一个区域。为了在运输过程中实现低运动激励，我们开发了用于测量和减轻用于将集成光传递到离子的裸露介电表面的影响的技术。我们还证明了在具有低光学串扰的单独区域中对两个离子的同时控制，并使用它执行同时光谱，以将两个位点之间的场噪声相关联。我们的工作展示了集成光子离子陷阱系统中的第一个运输和连贯的多ZONE操作，这为在被困的离子量子量耦合器件架构中进一步扩展构成了基础。