XiaoMi-AI文件搜索系统
World File Search System冯诺
见证负条件熵
具有负条件冯诺依曼熵的量子态在多种信息论协议中提供了量子优势，包括超密集编码、状态合并、分布式私有随机性提炼和单向纠缠提炼。虽然纠缠是一种重要资源，但只有一部分纠缠态具有负条件冯诺依曼熵。在这项工作中，我们将具有非负条件冯诺依曼熵的密度矩阵类描述为凸和紧的。这使我们能够证明存在一个 Hermitian 算子（见证人），用于检测任意维度二分系统中具有负条件熵的状态。我们展示了两种此类见证人的构造。对于其中一种构造，状态中见证人的期望值是状态条件熵的上限。我们提出了一个问题，即获得状态条件熵集的严格上限，其中算子给出相同的期望值。我们对两个量子比特的情况用数字方法解决了这个凸优化问题，发现这提高了我们证人的实用性。我们还发现，对于特定证人，估计的严格上限与 Werner 状态的条件熵值相匹配。我们阐明了我们的工作在检测几个协议中的有用状态方面的实用性。
计算量子熵和距离的新量子算法
我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依熵、量子 R´enyi 熵、迹距离和保真度。所提出的算法在低秩情况下的表现明显优于之前的最佳算法（甚至是量子算法），其中一些算法实现了指数级加速。具体来说，对于秩为 r 的 N 维量子态，我们提出的用于计算加性误差 ε 内的冯·诺依曼熵、迹距离和保真度的量子算法的时间复杂度分别为 ˜ O ( r/ε 2 )、˜ O ( r 5 /ε 6 ) 和 ˜ O ( r 6 . 5 /ε 7 . 5 )。相比之下，先前的冯诺依曼熵和迹距离的量子算法通常具有时间复杂度 Ω( N )，而先前的最佳保真度算法具有时间复杂度 ˜ O ( r 12 . 5 /ε 13 . 5 )。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。这是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。与现有方法相比，我们的技术的优势在于不需要对密度算子进行任何限制；与此形成鲜明对比的是，以前的方法通常需要对密度算子的最小非零特征值有一个下限。
Changying Ding
3. C. Ding，S. Kunnawalkam Elayavalli，论相对双精确群冯诺依曼代数的结构，arXiv:2211.05298，数学物理通讯，第 405 卷，第 104 期，2024 年。
采用混合 CMOS-RRAM 集成的混合信号神经形态计算电路
随着深度神经网络 (DNN) 在嵌入式设备上的广泛应用，硬件的能效和尺寸成为关注焦点。例如，最近基于 Arduino 的 MAIXDuino 套件集成了用于卷积神经网络 (CNN) 的 K210 神经网络处理器，旨在开发嵌入式人工智能 (AI) 和物联网 (IoT) 解决方案 [1]，[2]。在这种 Edge-AI 加速器专用集成电路 (ASIC) 中，DNN 模型在图形处理单元 (GPU) 上使用基于梯度下降的反向传播或 Backprop 算法 [3]–[5] 进行离线训练，然后“传输”到“推理”ASIC。反向传播是计算密集型的，由于冯诺依曼瓶颈，大量数据在内存和 CNN 加速器之间不断穿梭，因此会消耗大量能量。人们越来越重视创新“非冯·诺依曼”架构，即在内存内部执行计算。此类架构有望利用超越摩尔或后 CMOS 非易失性存储器 (NVM) 技术 [6]。这需要对整个设备、电路和算法层次结构中的非冯·诺依曼计算架构进行跨层研究。神经启发或神经形态片上系统 (NeuSoC) 架构将内存计算与基于稀疏尖峰的计算和通信相结合，以实现接近生物大脑能效的超低功耗运行 [7]。基于 NVM 的计算架构采用 1R 或 1T1R 交叉开关或交叉点架构，其中 DNN 权重存储在 NVM 单元的状态中，神经元驻留在
使真正的忆阻内存处理更快且......
摘要 — 忆阻技术是替代传统内存技术的有吸引力的候选技术，并且还可以使用一种称为“状态逻辑”的技术来执行逻辑和算术运算。将数据存储和计算结合在内存阵列中可以实现一种新颖的非冯·诺依曼架构，其中两种操作都在忆阻内存处理单元 (mMPU) 中执行。mMPU 依赖于在不改变基本内存阵列结构的情况下向忆阻内存单元添加计算能力。使用 mMPU 可以缓解冯·诺依曼机器对性能和能耗的主要限制，即 CPU 和内存之间的数据传输。这里讨论了 mMPU 的各个方面，包括其架构和对计算系统和软件的影响，以及检查微架构方面。我们展示了如何改进 mMPU 以加速不同的应用程序，以及如何在 mMPU 操作中改进忆阻器的可靠性差的问题。
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日](/simg/5\5ab1cdb684d543a1dae744e6eda012859bace99e.webp)
arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日
我们提出了一种称为量子互信息神经估计 (QMINE) 的量子机器学习方法，用于估计冯·诺依曼熵和量子互信息，这是量子信息理论的基本属性。这里提出的 QMINE 基本上利用了量子神经网络 (QNN) 技术，以最小化确定冯·诺依曼熵的损失函数，从而确定量子互信息，由于量子叠加和纠缠，人们认为它比传统神经网络更能处理量子数据集。为了创建精确的损失函数，我们提出了一种量子 Donsker-Varadhan 表示 (QDVR)，它是经典 Donsker-Varadhan 表示的量子类似物。通过利用参数化量子电路上的参数移位规则，我们可以有效地实现和优化 QNN，并使用 QMINE 技术估计量子熵。此外，数值观测支持我们对 QDVR 的预测，并证明了 QMINE 的良好性能。
OSMU24：量子基础、粒子物理学和力的统一
代数方式：克利福德、海森堡和狄拉克对量子基础的遗产。BJ Hiley。2024 年 3 月 1 日摘要。罗杰·彭罗斯两周前的演讲得出结论，广义相对论（等效原理）和量子力学（叠加原理）的基本原理之间的冲突导致了两个现实，一个是经典的，一个是量子的。该论点基于薛定谔图景。在这次演讲中，我着手表明，如果使用海森堡图景，那么只有一个现实。论证从海森堡群结构开始，该结构具有经典和量子域的基本正交和辛对称性。克利福德认识到群在古典物理学中的作用，它在产生众所周知的正交泡利、狄拉克和彭罗斯扭子代数方面起着根本性的作用。辛对称性隐藏在冯·诺依曼的一篇被忽视的论文中，而冯·诺依曼实际上发现了 Moyal 星积代数。冯·诺依曼的论文导致了 Stone-von Neumann 定理，该定理表明，各种图像、薛定谔、海森堡、相互作用等在幺正变换下是等价的。我将展示 Bohm 版本的非相对论薛定谔方程是如何从星积代数中产生的。该乘积必然会引入一种新的能量质量，即“量子势能”，DeWitt (1952) 表明其几何起源与标量曲率张量有关。该结构揭示了共形重标度出现背后的原因，希望能够更好地理解静止质量问题。
冯德莱恩主席关于欧盟竞争力指南的声明
今天我们讨论了竞争力指南。首先我想强调一下欧盟的优势。我们拥有非常强大的制造业和工业基础。我们拥有训练有素、受过良好教育的劳动力，即使不是世界上受教育程度最高的劳动力。我们拥有一个大陆大小的单一市场。我们拥有第二大经济体，也是世界上最大的贸易部门。我们拥有稳定和可预测的法律环境。与所有全球竞争对手相比，我们的预期寿命更长，不平等程度更低。但与此同时，欧洲也受到弱点的阻碍。简而言之，在过去的 20 到 25 年里，我们的商业模式基本上依赖于来自中国的廉价劳动力、来自俄罗斯的廉价能源以及部分外包的安全和安全投资。这样的日子已经一去不复返了。我们看到，今天的欧洲在生产力增长方面仍然落后于美国和中国。我们必须弥补我们的弱点，才能重新获得竞争力。