XiaoMi-AI文件搜索系统
World File Search System变分
feynman-kac公式的变分量子算法
我们提出了一种算法，该算法是基于变异量子假想时间探索的算法，用于求解由随机差异方程的多维系统产生的feynman-kac局部差异方程。为此，我们利用Feynman-KAC局部差异方程（PDE）与Wick-Rot的Schrödinger方程之间的对应关系。然后将通过变异量子算法获得的A（2 + 1）维feynman-KAC系统的结果与经典的ODE求解器和蒙特卡洛模拟进行比较。我们看到了经典的甲基动物与六个和八个量子的说明性示例之间的显着一致性。在PDE的非平凡情况下，它保留了概率分布 - 而不是保留ℓ2-norm - 我们引入了一个代理规范，该规范可以使解决方案在整个进化过程中近似归一化。研究了与该方法相关的算法复杂性和成本，特别是针对溶液的特性提取。还讨论了定量财务和其他类型的PDE领域的未来研究主题。
用变分量子方法制备 SU(3) 格子杨-米尔斯真空
量子色动力学 (QCD) 在从核力将原子核结合在一起到非弹性强子碰撞以及极端条件下物质的行为（如超新星和早期宇宙）等一系列现象中发挥着重要作用。自 20 世纪 70 年代发现以来，已经开发出许多分析和数值工具来研究 QCD。最成功的数值计算方法之一是格点 QCD [1,2]。已经使用格点 QCD 对强子谱 [3 – 5]；电弱矩阵元 [6 – 14]；高温低密度系统和一些多强子系统 [15 – 18] 的性质进行了高精度计算（最近的综述见参考文献 [19,20]）。然而，一些重要可观测量的格点 QCD 计算受到所用随机采样中存在的符号问题的限制。例如，模拟高密度的 QCD [21-25]、与超新星和早期宇宙相关的 QCD，或者带有 θ 项的 QCD，存在符号问题 [26]，超出了经典计算机的大规模能力范围。20 世纪 80 年代，费曼 [27] 和贝尼奥夫 [28] 认识到了经典计算机模拟量子物理的局限性，他们提出使用受控量子系统来模拟感兴趣的量子系统。最近，实验室中对量子系统的控制迅速改进，导致了最初几代量子计算机的诞生。人们已经探索了许多不同的平台，包括但不限于：
研究论文：使用集成迁移学习和量子变分分类器进行脑肿瘤检测的新模型
如果没有正确诊断，脑肿瘤是一种细胞异常增大。早期发现脑肿瘤对于临床实践和生存率至关重要。脑肿瘤有各种形状、大小和特征，治疗方法也各不相同。人工检测肿瘤既困难又耗时，而且容易出错。因此，对计算机诊断系统的需求很大，可以准确检测脑肿瘤。在本研究中，从 inceptionv3 模型中提取深度特征，其中得分向量从 softmax 获取并提供给量子变分分类器 (QVR)，以区分神经胶质瘤、脑膜瘤、无肿瘤和垂体瘤。分类后的肿瘤图像已传递到所提出的 Seg 网络，在该网络中对实际感染区域进行分割以分析肿瘤严重程度。已在三个基准数据集（例如 Kaggle、2020-BRATS 和本地收集的图像）上评估了所报告研究的结果。该模型实现了超过 90% 的检测分数，证明了所提出模型的有效性。
变分量子克隆在实用量子密码分析方面的进展
量子密码系统的密码分析通常涉及寻找针对底层协议的最佳对抗攻击策略。量子攻击建模的核心原则通常归结为对手克隆未知量子态并由此提取有意义的秘密信息的能力。由于电路深度较大或在许多情况下未知，显式最佳攻击策略通常需要大量计算资源。在这里，我们介绍了变分量子克隆 (VarQlone)，这是一种基于量子机器学习的密码分析算法，它允许对手使用混合经典量子技术训练的短深度量子电路获得最佳近似克隆策略。该算法包含具有理论保证的具有操作意义的成本函数、量子电路结构学习和基于梯度下降的优化。我们的方法能够端到端发现硬件高效的量子电路来克隆特定的量子态系列，我们在 Rigetti Aspen 量子硬件上的实现中展示了这一点。我们将这些结果与量子密码原语联系起来，并推导出由 VarQlone 促进的显式攻击。我们期望量子机器学习将成为改进当前和未来量子加密协议攻击的资源。
变分自动编码器用于多系统可靠性优化
摘要 — 多接入边缘计算 (MEC) 被视为未来无线网络不可或缺的一部分，用于支持对服务可靠性和延迟有严格要求的新应用。然而，由于无线链路的不确定性、有限的通信和计算资源以及动态网络流量，保证超可靠和低延迟 MEC (URLL MEC) 非常具有挑战性。启用 URLL MEC 要求考虑到无线和边缘计算系统中端到端 (E2E) 延迟和可靠性的统计数据。在本文中，提出了一种新颖的框架，通过考虑 E2E 服务延迟的分布来优化 MEC 网络的可靠性，包括无线传输和边缘计算延迟。所提出的框架基于相关变分自动编码器 (VAE) 来估计 E2E 服务延迟的完整分布。利用该结果，提出了一个基于风险理论的新优化问题，通过最小化条件风险价值 (CVaR) 作为 E2E 服务延迟的风险度量来最大化网络可靠性。为了解决这个问题，开发了一种新算法，可以有效地将用户的处理任务分配给 MEC 网络上的边缘计算服务器，同时考虑 VAE 学习到的 E2E 服务延迟的统计数据。模拟结果表明，所提出的方案优于几个不考虑 E2E 服务延迟风险分析或统计的基线。
基于卷积变分生成模型的脑肿瘤检测新框架
摘要 脑肿瘤检测可以决定生死。最近，基于深度学习的脑肿瘤检测技术因其更高的性能而受到关注。然而，要获得这种基于深度学习的系统的预期性能，需要大量分类图像来训练深度模型。获取此类数据通常很无聊、耗时，并且很容易受到人为错误的影响，从而阻碍了这种深度学习方法的利用。本文介绍了一种用于脑肿瘤检测和分类的新框架。基本思想是从小型类别不平衡的收集数据集生成一个反映脑部 MRI 图像典型模式的大型合成 MRI 图像数据集。然后使用生成的数据集训练深度模型进行检测和分类。具体来说，我们采用两种类型的深度模型。第一个模型是生成模型，用于捕捉一组小型类别不平衡的脑部 MRI 图像中重要特征的分布。然后，通过利用这种分布，生成模型可以为每个类别合成任意数量的脑部 MRI 图像。因此，系统可以自动将小型不平衡数据集转换为更大的平衡数据集。第二个模型是使用大型平衡数据集训练的分类器，用于检测 MRI 图像中的脑肿瘤。所提出的框架获得了 96.88% 的总体检测准确率，这凸显了所提出的框架作为精确、低开销脑肿瘤检测系统的前景。
用于表示学习的混合量子变分自动编码器
创新的神经网络架构不断涌现，旨在解决有趣的问题 [1]–[3]。当人们专注于学习表示时，这类模型提供了一定的多功能性 [4]。有趣的是，人们往往更喜欢无监督方法，以消除可能引入的、可能不想要的标签偏见。这项研究基于经典的自动编码器架构，并结合了一种新颖的量子变分方法。自动编码器 (AE) 被认为是一种无监督学习模型，它使用神经网络重建输入信号 [5]。AE 因其一些成功的版本而闻名，包括变分自动编码器 (VAE) [6] 和去噪 AE [7], [8]。特别是密集 AE，已被证明在学习数据表示（通常经过压缩）方面非常强大，同时保留了大部分信息 [9]。近年来，营销研究人员对利用机器学习的兴趣日益浓厚。与传统的统计和计量经济学方法相比，机器学习方法可以处理大规模数据、非结构化数据，具有灵活的模型结构并能产生更好的预测。自动编码器开始用于从营销环境中的复杂数据中生成有意义的描述，例如消费者社交网络或消费者产品网络[10]。分析大规模网络的方法论挑战在于高维性。最近一项关于 Facebook 用户参与数据中的用户-品牌网络的研究使用深度自动编码器进行嵌入，并表明品牌的市场结构比标准行业分类所建议的更具流动性和重叠性[11]。此外，变分自动编码器已被开发用于
变分量子问题的噪声贝叶斯优化...
在许多值得关注的科学应用中，量子算法有可能比传统算法快得多。例如量子机器学习 [1]、量子化学 [2] 以及许多其他 [3]。不幸的是，其中许多应用还无法在当前的嘈杂中型量子 (NISQ) 计算机上实现 [4]，需要等到噪声源可以被抑制到阈值，使量子计算机可用于实践，甚至构建容错量子计算机 [5]。然而，许多有趣的 LGT 问题已经可以通过 NISQ 设备进行研究 [6]。特别是，如果以哈密顿量公式研究 LGT，量子算法通常不会受到符号问题的影响 [7,8]。一种重要的现成算法是变分量子特征值求解器 (VQE) [ 9 ]，它是一种混合量子经典算法，利用变分原理寻找给定汉密尔顿量 H 的基态（和激发态）。VQE 的量子部分用于测量给定多量子比特状态中汉密尔顿量的期望值，即能量，而经典部分则在由参数化量子电路生成的多量子比特状态族中搜索使能量最小化的状态。本文提出的算法是一种经典优化器，旨在找到基态的良好近似值，尽可能减少能量测量的次数。这里选择的方法称为贝叶斯全局优化。它的首次应用可以追溯到 20 世纪 60 年代 [ 10 ]，而它的现代实现则基于最近的研究 [ 11 ]。该方法的基础是高斯过程回归 (GPR)，这是一种基于高斯过程贝叶斯推理的插值方法。它使我们能够使用有限量的 (嘈杂) 数据创建黑盒函数的预测模型。在每次优化迭代中，该模型用于确定一组可能接近全局最小点的参数。此步骤按照称为获取函数优化的过程执行。这里提出的优化能量的算法不同于 VQE 中常用的其他替代方法，因为它不仅使用能量的估计值，还使用其统计误差的值。其动机是降低每一步的量子测量次数：即使对于不精确的能量测量，只要它们的误差由于中心极限定理近似为高斯，该过程也是定义良好的。使用噪声设备模拟器将该算法的结果与其他常用的替代方案进行了比较。
变分的安全云量子计算
变异量子算法（VQA）被认为是嘈杂的中间尺度量子（NISQ）设备的有用应用。通常，在VQA中，参数化的ANSATZ电路用于生成试验波函数，并且对参数进行了优化以最大程度地减少成本函数。另一方面，已经研究了盲量量计算（BQC），以便通过使用云网络为量子算法提供安全性。执行量子操作能力有限的客户端希望能够访问服务器的量子计算机，并且BQC允许客户端使用服务器的计算机，而不会泄漏客户端的信息（例如输入，运行量子算法和输出）到服务器。但是，BQC设计用于容差量子计算，这需要许多辅助量子位，这可能不适合NISQ设备。在这里，我们提出了一种有效的方法，可以为客户端提供保证安全性的NISQ计算。在我们的体系结构中，仅需要N +1量子位，假设服务器已知Ansatzes的形式，其中N表示原始NISQ算法中必要的量子数。客户端仅在从服务器发送的辅助量子位上执行单量测量，并且测量角可以指定NISQ算法的ANSATZES的参数。无信号原则可以保证客户端选择的参数或算法的输出都不会泄漏到服务器。这项工作为NISQ设备的新应用程序铺平了道路。
具有动态假设的变分量子线性求解器
变分量子算法在 NISQ 时代取得了成功，因为它们采用了量子-经典混合方法，可以缓解量子计算机中的噪声问题。在我们的研究中，我们在变分量子线性求解器中引入了动态假设，用于线性代数方程组。在这个改进的算法中，硬件高效假设电路的层数不断演变，从少量开始逐渐增加，直到达到解的收敛。我们展示了该算法与标准静态假设相比的优势，即在有和没有量子噪声的情况下，以及在系统矩阵的量子比特数或条件数增加的情况下，使用更少的量子资源和平均较小的量子深度。迭代次数和层数可以通过切换参数改变。该算法在使用量子资源方面的性能由新定义的指标量化。