XiaoMi-AI文件搜索系统
World File Search System劳伦斯伯克利
加州大学伯克利分校
随着新生量子处理单元中量子比特数量的增加，第一代实验中使用连接式 RF（射频）模拟电路变得极其复杂。物理尺寸、成本和电气故障率都成为控制系统可扩展性的限制因素。我们开发了一系列紧凑型 RF 混频板来应对这一挑战，通过在具有 EMI（电磁干扰）屏蔽的 40 mm × 80 mm 4 层 PCB（印刷电路板）上集成 I/Q 正交混频、IF（中频）/LO（本振）/RF 功率电平调整和 DC（直流）偏置微调。RF 混频模块设计用于 2.5 至 8.5 GHz 之间的 RF 和 LO 频率。测得的典型镜像抑制和相邻信道隔离分别为 ∼ 27 dBc 和 ∼ 50 dB。通过在环回测试中扫描驱动相位，模块短期幅度和相位线性度通常测量为 5 × 10 − 4 (V pp /V mean ) 和 1 × 10 − 3 弧度 (pk-pk)。通过将 RF 混合板集成到超导量子处理器的室温控制系统中并执行单量子比特门和双量子比特门的随机基准测试表征，验证了 RF 混合板的运行。我们测量了单量子比特过程不保真度为 9 . 3 ( 3 ) × 10 − 4 和双量子比特过程不保真度为 2 . 7 ( 1 ) × 10 − 2 。
加州大学伯克利分校
人类可以从先前的经验中汲取洞察力，以快速适应具有共同底层结构的新环境。在这里，我们结合功能成像和计算建模来识别支持发现和转移分层任务结构的神经系统。人类受试者（男性和女性）完成了强化学习任务的多个部分，该任务包含控制刺激 - 反应动作映射的全局分层结构。首先，行为和计算证据表明人类成功地发现并转移了嵌入在任务中的分层规则结构。接下来，对 fMRI BOLD 数据的分析揭示了整个额顶叶网络的活动，该活动与发现这种嵌入结构特别相关。最后，整个扣带回-岛叶网络的活动支持这种发现结构的转移和实施。总之，这些结果揭示了一种分工，其中可分离的神经系统支持抽象控制结构的学习和转移。
北大-清华-物理所“量子物质科学协同创新中心”
沈志勋教授在凝聚态物理和复杂材料研究中做出了开创性工作，是学术界 公认的 凝聚态物理领域国际一流科学家。他获得物理领域一些最重要的国 际奖项： 2000 年第一个获得世界超导实验物理最重要大奖：卡梅琳 - 昂尼斯 奖（ H. KamerlinghOnnes Prize ） ;2009 年获美国能源部代表美国总统颁发的 科学大奖：欧内斯特 • 奥兰多 • 劳伦斯奖 ;2011 年获美国物理学会凝聚态物理 最高奖：奥利弗 • 伯克莱 (Oliver E. Buckley) 奖； 2013 获中国科学院爱因斯坦 讲席教授称号。从教至今，培养了一大批学生，其中近二十人成为国际知 名大学的教授，包括美国的加州大学伯克利分校 , 康奈尔大学 , 约翰霍普金斯 大学，普林斯顿大学，德州大学，日本的东京大学，英国牛津大学，瑞士 的日内瓦大学。另有三位回到中国，分别担任中科院超导国家重点实验室 主任，复旦大学应用表面国家重点实验室主任，以及中科院上海分院的 “千人计划”教授。拥有多项美国专利 , 涉及新能源，新材料，半导体与纳 米材料度量，传感，与检测。
加州大学伯克利分校
量子计算是解决各种问题的有前途的工具，因为指数级大的希尔伯特空间可以用多项式数量的量子比特来描述。在高能物理学中，量子场论的模拟尤其有前景，其中每个时空点都有量子自由度，但存在用于状态准备和时间演化的多项式算法 [1,2]。然而，并非所有经典硬算法在量子计算机上都更高效。在高能物理学 (HEP) 中，有一类特别受关注的算法是量子机器学习 (QML)。在本文中，QML 指的是在量子计算硬件上执行的机器学习任务。虽然 QML 并不比经典机器学习 (CML) 更高效，但已经有许多实证研究探索 QML 在 HEP 中的潜力 [3-19]（另请参阅参考文献 [20] 的最新综述）。这些研究得出的一个共同结论是，QML 似乎在小型训练数据集上表现优于 CML。1 虽然对这一观察结果没有严格的解释，但可能是因为 QML 提供了更好的归纳偏差和/或使用较少的参数提供了更多的表达能力。在几乎所有的研究中，当有超过 O (100) 个示例时，CML 的表现都优于 QML。在具有如此少量训练事件的对撞机 HEP 中，几乎没有问题。本文的目标是探索近期 QML 在对撞机物理中的实际用例。另请参阅参考文献 [ 21 ] 以了解 QML 与 CML 的更广泛背景。