XiaoMi-AI文件搜索系统
World File Search System下界
大型系统的量子 Fisher 信息评估
量子Fisher信息（QFI）在量子精密测量、量子信息、多体物理等领域发挥着重要作用。通过实验获取某个量子态的QFI可以揭示出某个参数的估计精度极限、纠缠程度、量子态的几何特征等。但QFI的测量复杂度及其下界取决于量子态的维数，因此降低测量复杂度是一项重大挑战。本文提出了一种评估高维系统QFI的方法，即将信息转移到辅助系统并测量其子QFI，同时给出了在不影响辅助系统获取信息量的前提下降低被测辅助系统维数的条件。
无线通信中的定位技术...
二维空间 三维空间 第四代操作系统 到达角 辅助全球定位系统 机载预警和空中指挥系统 加性高斯白噪声 基站 基于集群的路由协议 Cramer-Rao 下界 国防部增强型-119 联邦通信委员会 精度几何稀释 全球定位系统 组重复间隔 分层状态路由 初始作战能力 K-最近邻 局域网 基于位置的服务 视距 远程导航 位置服务中心 移动站 非视距 位置、计时、导航 相对距离 微发现 自组织路由 无线电地图 接收信号强度 接收信号强度指示器 到达时间差 到达时间 飞行时间 世界时协调 超宽带 Wi-Fi 定位系统
2015 年海军科技战略 - 国防创新市场
电磁轨道炮使用高功率电力而非化学推进剂，以超高速发射低成本制导炮弹，射程超过 100 英里。这一概念验证创新型海军原型将于 2016 年在联合高速舰艇 (JHSV) 上进行海上测试。该技术之所以能够实现，是因为对基础研究的投资，旨在了解在极端电磁应力、高相对速度和高温下界面的摩擦、磨损和力学。研究进一步解决了决定炮轨寿命和提高射速的物理挑战和化学过程。随着海军考虑未来全电动舰艇的设计，基础研究已将电磁炮技术从科幻小说推进到现实。
跨度程序和量子空间复杂性
摘要。虽然量子计算机有望显著提高计算速度，但早期量子机的有限尺寸推动了空间有界量子计算的研究。我们将计算具有单侧误差的函数 푓 的量子空间复杂度与其跨度程序大小对实数的对数联系起来，这是一个经典量，在证明公式大小下界的尝试中得到了充分研究。在更自然的有界误差模型中，我们表明，单一量子算法（即直到最后一步才进行测量的算法）计算具有有界（双侧）误差的 푓 所需的空间量至少是其近似跨度程序大小的对数。近似跨度程序已被引入量子算法领域，但尚未进行经典研究。但是，函数的近似跨度程序大小是其跨度程序大小的自然概括。
相互无偏基的熵不确定关系的最优上界
2 | ⟨ ψ | [ A, B ] | ψ ⟩| 取决于初始状态，因此并不固定，以至于当 | ψ ⟩ 的某些选择时它会消失，这些选择不必是可观测量 A 和 B 的同时特征函数。此外，基于偏差的不确定性关系通常不能捕捉可观测量互补方面 [12] 的物理内容和信息内容的传播 [13]。用可观测量的熵来表示不确定性最早是由 Everett [17] 提出的。参考文献 [14] 对此进行了肯定的回答，即位置和动量可观测量的熵之和满足不等式。对于具有连续谱的可观测量，这种熵不确定关系分别在参考文献 [15, 16] 中得到证明和改进。当系统状态为高斯波包时，不等式的下界成立。熵不确定性关系在有限维希尔伯特空间中的可观测量的扩展最早在文献[11]中提出，后来在文献[18]中得到改进。我们希望
个人简历 - CWI 阿姆斯特丹
在撰写本文时（2023 年 10 月）：约 100 篇同行评审期刊和会议出版物，一本书。根据 Google Scholar，我的作品被引用的次数为 9503，我的 h 指数为 39。最新的出版物列表可在 http://homepages.cwi.nl/~rdewolf 上找到。以下是我按时间顺序排列的十篇最佳出版物。此外，我的量子计算讲义被世界各地许多课程用作教学材料。 (a) SH Nienhuys-Cheng 和 R. de Wolf。《归纳逻辑编程基础》，《人工智能讲义》1228，Springer，1997 年 5 月。 (b) R. Beals、H. Buhrman、R. Cleve、M. Mosca、R. de Wolf。多项式的量子下界。 ACM 杂志 48(4): 778-797, 2001。FOCS'98 中的早期版本。(c) H. Buhrman、R. Cleve、J. Watrous、R. de Wolf。量子指纹识别。物理评论快报 87 (16), 167902, 2001。(d) I. Kerenidis、R. de Wolf。通过量子论证实现 2 查询局部可解码代码的指数下界。计算机系统科学杂志 69(3): 395-420, 2004。STOC'03 中的早期版本。(e) H. Klauck、R. Spalek、R. de Wolf。量子和经典强直积定理以及最佳时空权衡。 SIAM Journal on Computing 36(5):1472-1493, 2007。早期版本见 FOCS'04。(f) D. Gavinsky、J. Kempe、I. Kerenidis、R. Raz、R. de Wolf。单向量子通信复杂度的指数分离及其在密码学中的应用。SIAM Journal on Computing 38(5): 1695-1708, 2008。早期版本见 FOCS'07。(g) D. Gavinsky、J. Kempe、O. Regev 和 R. de Wolf。通信复杂度中的有界误差量子态识别和指数分离。SIAM Journal on Computing, 39(1):1-39, 2009。早期版本见 STOC'06。(h) V. Chen、E. Grigorescu 和 R. de Wolf。用于成员资格和多项式评估的高效纠错数据结构。SIAM 计算杂志，42(1):84-111，2013 年。
![arXiv:2306.12416v3 [quant-ph] 2024 年 4 月 26 日](/simg/e\e3c05049086a26234f776a4d9bb8de68c1a892bd.webp)
arXiv:2306.12416v3 [quant-ph] 2024 年 4 月 26 日
我们针对给定的一般量子通道及其一个输出状态，提出了一个量子软覆盖问题，即寻找近似给定通道输出所需的输入状态的最小秩。然后，我们利用量子香农理论的解耦技术，证明了基于平滑最小熵的一次性量子覆盖引理。本文两位作者证明了该覆盖结果等同于后验（逆）通道失真标准下速率失真的编码定理。这两个一次性结果都直接得出关于独立同分布渐近线的推论，即通道的相干信息。我们的量子覆盖引理的强大功能通过另外两个应用得到证明：首先，我们制定了一个量子通道可解析性问题，并提供了一次性以及渐近的上下界。其次，我们对量子通道的无限制和同时识别容量给出了新的上界，特别是首次将同时识别容量与无限制识别容量分开，证明了上一位作者的一个长期猜想。
有向超图的近似紧谱稀疏化
谱超图稀疏化是将众所周知的谱图稀疏化扩展到超图的一种尝试，在过去几年中得到了广泛的研究。对于无向超图，Kapralov、Krauthgamer、Tardos 和 Yoshida (2022) 证明了最佳 O ∗ ( n ) 大小的 ε -谱稀疏器，其中 n 是顶点数，O ∗ 抑制了 ε − 1 和 log n 因子。但对于有向超图，最佳稀疏器大小尚不清楚。我们的主要贡献是第一个为加权有向超图构造 O ∗ ( n 2 ) 大小的 ε -谱稀疏器的算法。我们的结果在 ε − 1 和 log n 因子范围内是最优的，因为即使对于有向图也存在 Ω(n2) 的下限。我们还展示了一般有向超图的 Ω(n2/ε) 的第一个非平凡下界。我们算法的基本思想借鉴了 Koutis 和 Xu (2016) 提出的基于 spanner 的普通图稀疏化。他们的迭代采样方法确实有助于在各种情况下设计稀疏化算法。为了证明这一点，我们还提出了一种类似的无向超图迭代采样算法，该算法实现了最佳大小界限之一，具有并行实现，并且可以转换为容错算法。
用于检测团伙的量子分布式算法
量子计算提供的可能性最近引起了分布式计算社区的关注，一些突破性成果表明量子分布式算法的运行速度比已知最快的经典算法更快，甚至两种模型之间存在差异。一个典型的例子是 Izumi、Le Gall 和 Magniez [STACS 2020] 的成果，他们表明量子分布式算法的三角形检测比三角形列表更容易，而在经典情况下尚不清楚类似的结果。在本文中，我们提出了一个快速量子分布式团伙检测框架。这改进了三角形情况的最新成果，也更通用，适用于更大的团伙规模。我们的主要技术贡献是一种检测团伙的新方法，通过将其封装为可以添加到较小团伙中的节点的搜索任务。为了从我们的方法中提取最佳复杂性，我们开发了一个嵌套分布式量子搜索框架，该框架采用本身就是量子的检查程序。此外，我们展示了一个电路复杂性障碍，证明了对于任何 p ≥ 4 的 K p 检测的形式为 Ω(n3/5+ϵ) 的下界，即使在经典（非量子）分布式 CONGEST 设置中也是如此。
能量启发模型：利用采样器诱导分布进行学习
基于能量的模型 (EBM) 是强大的概率模型 [8, 44]，但由于配分函数的原因，其采样和密度评估难以处理。因此，EBM 中的推理依赖于近似采样算法，导致模型和推理不匹配。受此启发，我们将采样器诱导分布视为感兴趣的模型，并最大化该模型的似然。这产生了一类能量启发模型 (EIM)，它结合了学习到的能量函数，同时仍提供精确样本和可处理的对数似然下限。我们基于截断拒绝抽样、自归一化重要性抽样和汉密尔顿重要性抽样描述和评估了此类模型的三个实例。这些模型的表现优于或相当与最近提出的学习接受/拒绝采样算法 [ 5 ]，并为排序噪声对比估计 [ 34 ， 46 ] 和对比预测编码 [ 57 ] 提供了新的见解。此外，EIM 使我们能够概括多样本变分下界 [ 9 ] 和辅助变量变分推断 [ 1 ， 63 ， 59 ， 47 ] 之间的最新联系。我们展示了最近的变分界限 [ 9 ， 49 ， 52 ， 42 ， 73 ， 51 ， 65 ] 如何与 EIM 统一为变分家族。