XiaoMi-AI文件搜索系统
World File Search System使用量
使用量子设备实现非确定性控制动作选择的安全性
我们之前的工作（Nieman 等人 (2022)）是对量子计算机上控制器实现的初步研究，重点研究量子计算机的独特操作如何影响过程操作和安全性。我们专门研究了基于 Lyapunov 的经济模型预测控制 (LEMPC) 的理论（请注意，可以考虑许多其他控制框架，我们选择 LEMPC 作为本主题的初步研究，因为它在存在干扰的情况下具有闭环稳定性保证）。LEMPC 是一种解决优化问题的控制律，受过程模型和约束的制约（Heidarinejad 等人 (2012)）。在 Nieman 等人 (2022) 中，我们证明了在存在由舍入引入的离散化的情况下（在充分条件下），可以确保闭环稳定性，这可能是由于现代量子计算机的规模有限而引入的。
使用量子储层计算中移动无线网络中的用户轨迹预测
摘要本文采用量子机学习技术来通过使用一种称为量子储层计算（QRC）的方法来预测移动用户在移动无线网络中的传播。移动用户的轨迹预测属于时间信息处理的任务，这是一个移动性管理问题，对于自我组织和自主6G网络至关重要。我们的目标是使用QRC准确预测无线网络中移动用户的未来位置。为此，作者使用真正的世界时间序列数据集来建模移动用户的轨迹。QRC方法具有两个组件：储层计算（RC）和量子计算（QC）。在RC中，训练比简单复发性神经网络的训练更有效，因为在RC中，只有输出层的权重才能训练。RC的内部部分是所谓的储层。为了使RC表现良好，应仔细选择储层的权重以创建高度复杂和非线性动力学。QC用于创建这种动态储层，该储层将输入时间序列映射到由动态状态组成的较高维度计算空间中。获得高维动力状态后，进行简单的线性回归以训练输出权重，因此，可以有效地对移动用户轨迹的预测进行有效形成。在这项研究中，我们根据量子系统的哈密顿时间演变采用QRC方法。作者使用基于IBM Gate的量子计算机模拟了时间演变，并且在实验结果中，它们表明，使用QRC仅使用少数量子器来预测移动用户的轨迹是有效的，并且可以超过经典方法，例如长期短期内存方法和echo -echo state网络接近。
www.comdem.org eISSN：3008-1416 使用量子球面模糊决策模型对医院储能系统进行优化管理
本研究旨在确定优先策略，以提高医院储能投资的有效性。医院的高能耗增加了储能投资的重要性。为此，确定了影响医院储能投资的 5 个基于文献的标准。这些标准由量子球面模糊 DEMATEL 方法加权。另一方面，确定了 4 种不同的可再生能源替代品。用量子球面模糊 TOPSIS 方法对这些替代品的性能进行排名。确定存储容量是提高医院储能系统有效性的最关键因素。同样，技术基础设施是这一过程发展的另一个关键问题。然而，也可以看出安全问题、法律效力和财务状况的权重较低。此外，排名结果表明，风能是最适合医院储能性能的可再生能源类型。地热能也可以考虑用于这种情况。另一方面，太阳能和水力能源类型在此框架中表现较低。
使用量子二分相关器的盲量子机器学习
分布式量子计算是一种很有前途的计算范式，可用于执行超出单个量子设备能力范围的计算。分布式量子计算中的隐私对于在存在不受信任的计算节点的情况下保持机密性和保护数据至关重要。在本信中，我们介绍了基于量子二分相关器算法的新型盲量子机器学习协议。我们的协议减少了通信开销，同时保护了不受信任方的数据隐私。我们引入了强大的特定于算法的隐私保护机制，其计算开销低，不需要复杂的加密技术。然后，我们通过复杂性和隐私分析验证了所提协议的有效性。我们的发现为分布式量子计算的进步铺平了道路，为量子技术时代的隐私感知机器学习应用开辟了新的可能性。
使用量子真空噪声的光子概率机器学习
概率机器学习利用可控的随机性来编码不确定性并启用统计建模。利用量子真空噪声的纯粹随机性，这是由于电磁磁场的流动，已经对高速和能量的随机光子元素表现出了希望。尽管如此，可以控制这些随机元素以编程可能的机器学习算法的光子计算硬件受到限制。在这里，我们实现了由可控的随机光子元件组成的光子概率计算机 - 光子概率神经元（PPN）。我们的PPN在带有真空级注入偏置的偏见的双态光学参数振荡器（OPO）中进行。然后，我们使用电子处理器（FPGA或GPU）进行了一个测量和反馈循环，以解决某些概率机器学习任务。我们展示了MNIST手写数字的概率推断和图像生成，它们是判别和生成模型的代表性示例。在两个实现中，量子真空噪声都用作随机种子来编码样品的分类不确定性或概率生成。此外，我们为通向全光概率计算平台的路径提出了一条路径，估计的采样速率约为1 Gbps，能源消耗约为5 FJ / MAC。我们的工作为可扩展，超快和能量良好的概率机器学习硬件铺平了道路。
使用量子傅里叶变换
量子计算有可能在优化，算术，结构搜索，财务风险肛门，机器学习，图像处理等领域中解决许多复杂算法。为实现这些算法而构建的量子电路通常需要多控制的门作为基础构建块，在该块中，多控制的to to t to t to ^ oli脱颖而出。为了在量子硬件中实施，应将这些门分解为许多基本门，从而导致最深度的最终量子电路。然而，由于抗熔的影响，即使是中等深度的量子电路也具有较低的限制，因此，可能会返回输出结果的几乎完全单一的分布。本文提出了一种使用量子傅立叶变换的有效成本多控制门实现的不同方法。我们展示了如何仅使用几个Ancilla Qubits大幅减少电路的深度，从而使我们的方法可行，可用于应用于嘈杂的中间尺度量子计算机。这种基于量子算术的方法可以有效地用于实现许多复杂的量子门。
使用量子光子振动计探测地雷
地雷和未爆炸弹药 (UXO) 的探测方法千差万别，每种方法都有其固有的优点和缺点。手动探测需要排雷人员使用金属探测器和探测工具，这需要大量劳动力且风险高，在富含金属的土壤中经常导致误报。经过训练的动物（如狗和老鼠）可以快速嗅出爆炸物，但它们面临着与环境条件和安全性相关的道德问题。连枷和挖掘机等机械方法通过接触地雷引爆来快速清理区域，但可能会错过深埋的地雷并破坏土壤结构，因此不适合用于生态区或民用建筑附近。探地雷达 (GPR) 可以探测非金属地雷，但深度穿透和区分爆炸物和杂波方面存在困难，尤其是在潮湿或富含矿物质的土壤中。最后，无人机传感器通过实现远程检测降低了人为风险，但它们受到高成本、操作复杂性和对天气条件的敏感性的限制。
使用量子浓缩咖啡研究ZnO的光学特性
氧化锌（ZnO）粉末已成为白色油漆色素和工业加工化学品的中流型。然而，20世纪中叶对ZnO产生了兴趣，这是由于对其独特和有前途的特性的认可，包括生产第一笔铜管金属，出于医疗目的的纯化ZnO的发展，甚至是早期炼金术士试图将基准金属转换为金。科学界和行业领导者都激发了这种新的兴趣。这些属性具有超出传统用途的不同应用的巨大潜力。Zno已成为下一代电子设备的前进者。对ZnO的研究在1990年和2010年经历了显着的峰值。在2010年，超过5,000个出版物包含标题，摘要或关键词中的ZnO。发生这种情况是因为ZnO具有广泛的特性，具体取决于掺杂，包括从金属到绝缘的电导率，高透明度，压电性，宽带间隙半导体特性，室温铁磁磁性以及明显的磁电磁和化学感应效应。由于这些属性，相关出版物的数量已大大增加。
使用量子虚时间演化求解 MaxCut
摘要 我们介绍了一种基于量子虚时间演化 (QITE) 有效解决 MaxCut 问题的方法。我们采用线性 Ansatz 进行幺正更新和不涉及纠缠的初始状态，以及在给定图和切除两个边的子图之间插值的虚时间相关哈密顿量。我们将该方法应用于数千个随机选择的图，最多有 50 个顶点。我们表明，对于所有考虑的图，我们的算法表现出 93% 及以上的性能，可以收敛到 MaxCut 问题的最大解。我们的结果与贪婪算法和 Goemans-Williamson 算法等经典算法的性能相比毫不逊色。我们还讨论了 QITE 算法的最终状态与基态的重叠作为性能指标，这是其他经典算法所不具备的量子特征。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。