XiaoMi-AI文件搜索系统
World File Search System变分族
噪声中间量子计算机中多等级几何纠缠的变分确定
纠缠的量子状态[1]被认为是反对量子力学的完整性的论点[2]，如今被认为是该理论的区分特征。纠缠也被广泛认为是量子计算和量子信息研究中的核心资源之一[3]；量子算法（例如Shor算法[4]）的成功与量子计算机中的非局部门的适当实现相关，而量子电视[5]和量子密钥分布等方案[6]依赖于两个或更多各方之间的纠缠状态。纠缠。由于纠缠在量子力学及其许多可行应用中所起的作用，已经开发了几种方法来量化和识别它。基于部分转置映射的负态性的Peres-Horodecki定理[10，11]允许在Qubit-Qubit和Qubit-Qutrit纯或混合量子状态中存在纠缠，但对于较高尺寸的biTemential biatsiate biatsional biatsiate butemential butions of证明。与此一起，部分转置映射对应于非物理操作，因此不能直接实施实验。也可以采用铃铛不平等[12]来检测已知状态的纠缠，这需要解决优化问题。在这里，违规信号
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
变分算法中的量子经典权衡和多控制量子门分解
近期量子计算机的计算能力受到门操作的噪声执行和有限数量的物理量子比特的限制。混合变分算法非常适合近期量子设备，因为它们允许在用于解决问题的量子资源和经典资源数量之间进行广泛的权衡。本文通过研究一个具体案例——将量子近似优化算法 (QAOA) 应用于最大独立集 (MIS) 问题的实例——研究了算法和硬件层面的权衡。我们考虑了 QAOA 的三种变体，它们在算法层面根据所需的经典参数数量、量子门和所需的经典优化迭代次数提供不同的权衡。由于 MIS 是一个受约束的组合优化问题，因此 QAOA 必须尊重问题约束。这可以通过使用许多多控制门操作来实现，这些操作必须分解为目标硬件可执行的门。我们研究了该硬件级别可用的权衡，将不同本机门集的门保真度和分解效率组合成一个称为门分解成本的单一指标。
使用变分量子算法训练迭代协议以提炼 GHZ 状态
我们提出了用于制备 Greenberger-Horne-Zeilinger (GHZ) 状态的优化提炼方案。我们的方法依赖于以受白噪声影响的 GHZ 状态作为输入来训练变分量子电路。通过对该方案进行一次迭代优化，我们发现可以提高 GHZ 状态的保真度，尽管进一步迭代会降低保真度。同样的方案，作用于相干失真的纯态输入，仅在某些特殊情况下有效。然而，我们表明，当在协议的两次迭代后优化输出时，可以实现截然不同的结果。在这种情况下，获得的方案在从受白噪声影响的输入中提炼 GHZ 状态方面更有效。此外，它们还可以纠正几种类型的相干纯态误差。
基于迭代加权范数的机载扫描雷达超分辨成像快速总变分方法
摘要：全变分（TV）方法已被用于实现机载扫描雷达在保持目标轮廓的超分辨成像。迭代重加权范数（IRN）方法是一种通过求解一系列最小加权L2范数问题来处理最小Lp范数问题的算法，已被用于求解TV范数。然而，在求解过程中，IRN方法每次迭代都需要更新权重项和结果项，涉及大矩阵的乘法和求逆，计算量巨大，严重制约了TV成像方法的应用。本文通过分析迭代过程中涉及矩阵的结构特点，提出了一种基于适当矩阵分块的高效方法，将大矩阵的乘法和求逆转化为多个小矩阵的计算，从而加速算法。所提方法称为IRN-FTV方法，比IRN-TV方法更节省时间，尤其适用于高维观测场景。数值结果表明，所提出的IRN-FTV方法具有较好的计算效率，且性能没有下降。
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：
用截断泰勒级数制备变分量子吉布斯态
量子吉布斯态的制备是量子计算的重要组成部分，在量子模拟、量子优化和量子机器学习等各个领域都有广泛的应用。在本文中，我们提出了用于量子吉布斯态制备的变分混合量子-经典算法。我们首先利用截断泰勒级数来评估自由能，并选择截断自由能作为损失函数。然后，我们的协议训练参数化量子电路以学习所需的量子吉布斯态。值得注意的是，该算法可以在配备参数化量子电路的近期量子计算机上实现。通过进行数值实验，我们表明只需一个额外量子位的浅参数化电路就可以训练来制备保真度高于 95% 的伊辛链和自旋链吉布斯态。具体来说，对于伊辛链模型，我们发现仅具有一个参数和一个附加量子位的简化电路假设可以被训练以在逆温度大于 2 时实现吉布斯态制备的 99% 保真度。
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。