XiaoMi-AI文件搜索系统
World File Search System压缩器
用于 Gottesmann-Kitaev-Preskill 状态的两个量子比特门
两个量子比特门对于通用量子计算至关重要。对于 Gottesmann-Kitaev 和 Preskill 状态，可以使用光学元件（例如压缩器和分束器）实现像 CZ 和 CNOT 这样的两个量子比特门。然而，它们是为理想化的 GKP 码字设计的，因此在现实环境中会出现有限能量效应。在本文中，我们将提供量化相空间中 GKP 状态中这些有限能量效应的方法。我们将明确计算应用逻辑 CZ 之前和之后计算基础状态的波函数变化。我们观察到 CZ 门在相空间中所有错误都发生在 p 正交中，而 q 正交保持不变。充分了解 CZ 门引起的错误将允许设计精确的纠错方案来纠正错误。我们给出了 GKP CZ 门的新型近似方案，并将其与 GKP CNOT 门的现有方案进行比较。最后，我们将研究纠正有限能量效应的误差修正方案。
MCA：矩通道注意力网络
通道注意机制致力于重新校准通道权重以增强网络的表示能力。然而，主流方法通常仅依赖全局平均池化作为特征压缩器，这显著限制了模型的整体潜力。在本文中，我们研究了神经网络中特征图的统计矩。我们的研究结果强调了高阶矩在增强模型容量方面的关键作用。因此，我们引入了一种灵活而全面的机制，称为广泛矩聚合 (EMA)，以捕获全局空间上下文。基于该机制，我们提出了矩通道注意 (MCA) 框架，该框架通过我们的交叉矩卷积 (CMC) 模块有效地整合了多层基于矩的信息，同时最大限度地降低了额外的计算成本。CMC 模块通过逐通道卷积层捕获多阶矩信息以及跨通道特征。MCA 模块设计为轻量级，可轻松集成到各种神经网络架构中。在经典图像分类、目标检测和实例分割任务上的实验结果表明，我们提出的方法取得了最先进的结果，优于现有的通道注意方法。
为具有可变数据速度的科学探测器 ASIC 设计流数据合并架构
科学探测器是许多学科的关键技术推动因素。许多科学探测器都使用了专用集成电路 (ASIC)。直到最近，像素探测器 ASIC 主要用于传感器层电荷的模拟信号处理和探测器 ASIC 上原始像素数据的传输。然而，随着更先进的 ASIC 技术节点在科学应用中的出现，更多来自计算域的数字功能（例如压缩）可以直接集成到探测器 ASIC 中以提高数据速度。然而，这些计算功能通常具有高且可变的延迟，而科学探测器必须实时运行（即无停顿）以支持采样数据的连续流式传输。本文介绍了一个来自像素探测器领域的示例，该探测器具有片上数据压缩功能，可用于 X 射线科学应用。为了应对来自并行压缩器流的可变大小数据的挑战，我们提出了一种 ASIC 设计架构，用于合并可变长度的数据，以便通过固定位宽的网络接口进行传输。索引术语 — 科学仪器边缘系统、X 射线科学、数据传输技术、流数据压缩、X 射线探测器、ASIC、硬件构造语言
![arxiv：2411.19028v1 [cond-mat.supr-con] 2024年11月28日](/simg/g:\will\search\icon\source\b\bf92de7b0c6d1bc3e0cd18b1c1f633c53d78c6d1.webp)
arxiv：2411.19028v1 [cond-mat.supr-con] 2024年11月28日
富含氢的超导体是有前途的候选者，可以实现室温超导性。但是，稳定这些结构所需的极端压力大大限制了它们的实际应用。降低外部压力的有效策略是添加与H结合的光元M形成MH X单元，充当化学预压缩器。我们通过对AC – H相图进行AC – H相图的审核来体现这一想法，证明AC – H二元的金属化压力在200 GPA时预测高达200 k的临界温度可以通过孢子菌的构度显着降低。我们识别三种热力学稳定（ACBE 2 H 10，ACBEH 8和ACBE 2 H 14）和四种亚稳态化合物（FCC ACBEH 8，ACBEH 10，ACBEH 12，ACBEH 12和ACBE 2 H 16）。所有都是超导体。尤其是FCC ACBEH 8保持动态稳定至10 GPA，在那里表现出181 K的超导转换t t c。be-h键负责这些三元化合物的特性，并使它们保持动态稳定在环境压力上。我们的结果表明，在低压下氢化物中的高t c su-经常性是可以实现的，并且可能刺激三元氢化氢的实验合成。
开始使用 Linux* 版 AI 工具
• 英特尔的 PyTorch* 优化：英特尔是 PyTorch 最大的贡献者之一，定期为 PyTorch 深度学习框架提供上游优化，从而在英特尔架构上提供卓越的性能。AI 工具选择器包括经过测试的最新二进制版本的 PyTorch，可与其他工具配合使用，以及英特尔 PyTorch 扩展，后者添加了最新的英特尔优化和可用性功能。 • 英特尔的 TensorFlow* 优化：与 Google* 合作，TensorFlow 已直接针对英特尔架构进行了优化，使用英特尔 ® oneAPI 深度神经网络库 (oneDNN) 的原语来最大限度地提高性能。AI 工具选择器提供使用支持 CPU 的设置编译的最新二进制版本，以及英特尔 TensorFlow 扩展，可无缝插入到库存版本以添加对新设备和优化的支持。 • 英特尔 ® 神经压缩器：减小模型大小并加快在 CPU 或 GPU 上部署的推理速度。该开源库提供了独立于框架的 API，用于执行量化、修剪和知识提炼等模型压缩技术。 • 英特尔® Tiber™ AI Studio：英特尔 Tiber AI Studio 是一款全方位服务的机器学习操作系统，可让您从一个地方管理所有 AI 项目。 • 英特尔® Scikit-learn 扩展*：使用英特尔® oneAPI 数据分析库 (oneDAL) 无缝加速您的 Scikit-learn 应用程序。
使用分布式二保护振荡器和量子
多模 Gottesman-Kitaev-Preskill (GKP) 码的最新进展在增强离散和模拟量子信息的保护方面显示出巨大的潜力。这种扩大的保护范围为量子计算带来了机会，通过保护压缩——许多量子计量协议中的基本资源——可以使量子传感受益。然而，量子传感使量子纠错受益的潜力尚未得到充分探索。在这项工作中，我们提供了一个独特的例子，其中量子传感技术可以应用于改进多模 GKP 码。受分布式量子传感的启发，我们提出了分布式双模压缩 (dtms) GKP 码，它以最少的主动编码操作提供了纠错优势。事实上，所提出的代码依赖于单个（主动）双模压缩元件和分束器阵列，可有效地将连续变量相关性分配给许多 GKP 辅助元件，类似于连续变量分布式量子传感。尽管构造简单，但使用 dtms-GKP 量子比特码可实现的代码距离与以前通过强力数值搜索获得的结果相当 [PRX Quantum 4, 040334 (2023)]。此外，这些代码能够实现模拟噪声抑制，超越最著名的双模式代码 [Phys. Rev. Lett. 125, 080503 (2020)]，而无需额外的压缩器。我们还为所提出的代码提供了一个简单的两级解码器，对于两种模式的情况，该解码器似乎接近最优，并允许进行分析评估。
基于光频率梳的具有量子多模资源的复杂量子网络模拟 Valentina Parigi J. Nokkala、F. Arzani、F.
使用基于光频率梳的量子多模资源模拟复杂量子网络 Valentina Parigi J. Nokkala、F. Arzani、F. Galve、R. Zambrini、S. Maniscalco、J. Piilo、C. Fabre、N. Treps，我们目前正在开发一个多功能实验光子平台，用于模拟复杂的量子网络。该平台由基于光频率梳泵浦的参数过程的内在多模系统组成。这些激光器的光谱由数十万个频率成分构成。非线性晶体中的参数过程将所有这些光频率耦合起来，并产生非平凡的多模高斯量子态 [1]。这些也可以同样描述为一组不同的光的光谱-时间模式，可以单独寻址并同时被压缩真空占据。这种资源可以被描绘成一个网络，其中每个节点都是一个电磁场模式，连接是涉及场正交的纠缠关系。网络结构将通过在参数化过程中塑造泵和多模同差测量来控制。该策略已部分用于在基于测量的量子计算场景中实现集群状态 [2,3]。多模状态的 Bloch-Messah 简化（对于纯态）将资源描述为单模压缩器和多端口干涉仪的集合，这是我将介绍的建立资源与复杂网络之间映射的方法的核心 [4]。我们将研究复杂结构中量子信息协议的优化，并模拟复杂有限量子环境的动态 [5]。最后，允许波长和时间多路复用的参数化过程的特定实现将模拟表现出社区结构的网络。
基于自成像的可编程自旋波查找表
磁振子电路（利用 SW 的系统）[10,11] 可能由 SW 传播的波导[12–15] 和交叉处的干涉区组成，例如，用于创建多数门。[16–20] 波导还可以与其他波导耦合 [21,22] 以实现逻辑运算。以这种方式，已经有可能演示 32 位磁振子全加器 [21] 和基于 SW 的近似 4:2 压缩器。[23] 另一种策略是使用宽铁磁膜区域进行 SW 操作，并使用窄波导作为 SW 输入。这种方法被用来重定向[24–26] 和处理 SW。[27–32] 这些系统的运行基于传入 SW 的干涉。因此，对 SW 传播的介质（折射率的磁振子当量）的局部修改对于设计和优化其功能至关重要。最近的研究表明，可以通过在所谓的逆向设计方法中引入缺陷[32]、在该区域之上放置可编程磁性元件[30]或利用非共线磁化纹理[33–35]来实现。这种基于干涉的策略似乎也有希望实现在 SW 上运行的物理神经网络。[30,33] 因此，干涉效应为开发基于 SW 的超 CMOS 解决方案开辟了一条有希望的道路。平面波穿过一组周期性间隔的障碍物（衍射光栅或孔）时会发生干涉，在近场产生特征衍射图案，在距输入孔径特定距离处重现光栅图像。这种现象被称为塔尔博特或自成像效应，早在 19 世纪就在光中观察到。[36] 由此产生的干涉图案称为塔尔博特地毯，我们最近从理论上证明这种效应也可以发生在 SW 上。 [37] SW 产生的 Talbot 地毯的性质在很大程度上取决于磁性材料的材料参数、几何形状、类型和厚度，以及波长、方向和外部磁场值等动态参数。在这里，我们利用了薄铁磁多模波导中发生的自成像现象，其中 SW 由周期性间隔的单模输入波导引入。进入多模波导的 SW 具有可控相位。特别是，我们提出了一类可重新编程的磁子块，可实现阵列索引操作。