XiaoMi-AI文件搜索系统
World File Search System变灰
分类的变分阴影量子学习
量子数据的分类对于量子学习和近期量子技术至关重要。在本文中，我们提出了一个用于监督量子学习的新的混合量子古典框架，我们称之为变分阴影量子学习（VSQL）。我们在特定的方法中利用了量子数据的经典阴影，这些阴影可以根据某些物理可观察到的量子数据的侧面信息来表达量子数据。特别是，我们首先使用各种阴影量子电路以卷积方式提取classial特征，然后利用完全连接的神经网络来完成分类任务。我们表明，这种方法可以大大减少参数的数量，从而更好地促进量子电路训练。同时，由于在这样的阴影电路中使用了较少的量子门，因此噪音将更少。更重要的是，我们证明了贫瘠的高原问题，这是量子机器学习中一个显着的消失问题，可以在VSQL中避免。最后，我们通过数值实验对量子态的分类和识别多标记的手写数字的识别来证明VSQL在量子分类中的效率。尤其是，在手写数字识别的二进制案例中，我们的VSQL AP-在测试准确性中优于现有的变异量子分类器，并且值得注意的是，较少的参数所需的参数。
学习基于能量的模型与变分自动...
由于配分函数难以处理，通过最大似然法训练基于能量的模型 (EBM) 需要马尔可夫链蒙特卡罗 (MCMC) 采样来近似数据和模型分布之间的 Kullback-Leibler 散度的梯度。然而，由于模式混合困难，从 EBM 中采样并非易事。在本文中，我们提出学习变分自动编码器 (VAE) 来初始化有限步长 MCMC，例如从能量函数推导出来的朗之万动力学，以实现 EBM 的有效摊销采样。利用这些摊销的 MCMC 样本，EBM 可以通过最大似然法进行训练，这遵循“综合分析”方案；而 VAE 通过变分贝叶斯从这些 MCMC 样本中学习。我们将这种联合训练算法称为变分 MCMC 教学，其中 VAE 追逐 EBM 朝向数据分布。我们将学习算法解释为信息几何背景下的动态交替投影。我们提出的模型可以生成与 GAN 和 EBM 相当的样本。此外，我们证明了我们的模型可以学习针对监督条件学习任务的有效概率分布。
卵母细胞核移植后的线粒体遗传漂变
摘要：线粒体是一种产生能量的细胞内细胞器，含有线粒体 DNA (mtDNA) 形式的自身遗传物质，mtDNA 编码对线粒体功能至关重要的蛋白质和 RNA。一些 mtDNA 突变可导致线粒体相关疾病。线粒体疾病是一组无法治愈的异质性遗传疾病，其中突变的 mtDNA 通过母体卵细胞质从母亲传递给后代。线粒体置换 (MR) 是一种基因组转移技术，其中携带疾病相关突变的 mtDNA 被假定无病的 mtDNA 取代。这种疗法旨在防止已知致病的线粒体传给下一代。这里介绍了通过基因组编辑专门去除或编辑 mtDNA 疾病相关突变的概念证明。尽管在核移植过程中引入人类卵母细胞的线粒体 DNA 携带量很低，但线粒体 DNA 异质体的安全性仍然令人担忧。对于供体-受体线粒体 DNA 错配 (mtDNA-mtDNA)、受体 nDNA 与供体 mtDNA 混合导致的线粒体 DNA-核 DNA (nDNA) 错配以及线粒体 DNA 复制分离，尤其如此。这些情况可能导致线粒体 DNA 遗传漂变和回复到原始基因型。在这篇综述中，我们讨论了有关通过核移植预防线粒体疾病遗传的当前知识状态。
变分量子编译的噪声抗性
摘要变分混合量子经典算法 (VHQCA) 是利用经典优化来最小化成本函数的近期算法，该算法可以在量子计算机上进行有效评估。最近，VHQCA 已被提出用于量子编译，其中目标幺正 U 被编译成短深度门序列 V。在这项工作中，我们报告了这些算法一种令人惊讶的噪声弹性形式。也就是说，我们发现尽管在成本评估电路中存在各种不相干噪声源，但人们经常会学习正确的门序列 V（即正确的变分参数）。我们的主要结果是严格的定理，指出最佳变分参数不受广泛噪声模型的影响，例如测量噪声、门噪声和泡利通道噪声。此外，我们在 IBM 噪声模拟器上的数值实现在编译量子傅里叶变换、Toffoli 门和 W 态准备时表现出弹性。因此，变分量子编译由于其稳定性，对于噪声较大的中型量子设备具有实际用途。最后，我们推测这种抗噪声能力可能是一种普遍现象，适用于其他 VHQCA，例如变分量子本征解算器。
时变图的开放系统量子热力学
在本文中，我们基于图结构的热力学表示，提出了一种新颖的时间演化网络分析方法。我们展示了如何通过将主要结构变化与热力学相变联系起来来表征随时间变化的复杂网络的演化。具体来说，我们推导出许多不同热力学量（特别是能量、熵和温度）的表达式，并用它们来描述网络系统随时间的演化行为。由于现实世界中没有一个系统是真正封闭的，并且与环境的相互作用通常很强，因此我们假设系统具有开放性。我们采用薛定谔图作为量子系统随时间的动态表示。首先，我们使用图结构的最新量子力学表示来计算网络熵，将图拉普拉斯算子连接到密度算子。然后，我们假设系统根据薛定谔表示演化，但我们允许由于与环境相互作用而导致的退相干，模型类似于环境诱导退相干。我们将模型的动态过程分解为（a）未知的时间相关幺正演化加上（b）观察/相互作用过程，从而简化模型，这是系统密度矩阵特征值变化的唯一原因。这使我们能够通过估计负责演化的幺正部分的隐藏时变汉密尔顿量来获得与环境的能量交换度量。利用能量、熵、压力和体积变化之间的热力学关系，我们恢复了热力学温度。我们评估了该方法在代表金融和生物领域复杂系统的真实世界时变网络上的效用。我们还比较和对比了热力学变量（能量、熵、温度和压力）提供的不同特征。研究表明，时变能量算子的估计可以强烈地表征时间演化系统的不同状态，并成功检测到网络演化过程中发生的关键事件。
模拟量子变分嵌入分类器
量子机器学习有可能为人工智能提供强大的算法。在量子机器学习中追求量子优势是一个活跃的研究领域。对于目前有噪声的中型量子计算机，已经提出了各种量子-经典混合算法。一种先前提出的混合算法是基于门的变分嵌入分类器，它由经典神经网络和参数化的基于门的量子电路组成。我们提出了一种基于模拟量子计算机的量子变分嵌入分类器，其中控制信号随时间连续变化：我们特别关注的是使用量子退火器的实现。在我们的算法中，通过线性变换将经典数据转换为模拟量子计算机的时变哈密顿量的参数。非线性分类问题所需的非线性纯粹由模拟量子计算机通过最终量子态对哈密顿量控制参数的非线性依赖性提供。我们进行了数值模拟，证明了我们的算法对线性不可分数据集（例如同心圆和 MNIST 数字）进行二分类和多类分类的有效性。我们的分类器可以达到与最佳经典分类器相当的准确度。我们发现，通过增加量子比特的数量可以提高分类器的性能，直到性能饱和并波动。此外，我们的分类器的优化参数数量与量子比特的数量成线性关系。因此，当我们的模型大小增加时，训练参数数量的增加速度不如神经网络快。我们的算法提出了使用当前量子退火器解决实际机器学习问题的可能性，并且它还可用于探索量子机器学习中的量子优势。
基于波导 QED 的变分量子模拟器
在本补充材料中，我们提供了更多细节来支持正文中提出的结果。在 SM1 节中，我们回顾了当波导模式具有带隙时光子介导相互作用可调谐性的物理起源。然后，在 SM2 节中，我们总结了变分量子本征求解算法的关键步骤（SM2 A），描述了所考虑的目标模型的属性（SM2 B），解释了文献中通常使用的不同假设的结构（SM2 C），详细介绍了我们用于获得正文结果的优化协议（SM2 D），并评论了其他可能用于对我们的结果进行基准测试的品质因数（SM2 E）。最后，在 SM3 节中，我们讨论了用于获得正文图 3 的误差模型的细节。还请注意，用于重现手稿结果的所有代码都可以在 https://github.com/cristiantlopez/Variational-Waveguide-QED-Simulators 中找到。
二次量子变分蒙特卡罗
本文介绍了二次量子变分蒙特卡罗 (Q 2 VMC) 算法，这是量子化学中的一种创新算法，可显著提高求解薛定谔方程的效率和准确性。受虚时间薛定谔演化的离散化启发，Q 2 VMC 采用了一种新颖的二次更新机制，可与基于神经网络的假设无缝集成。我们进行了大量的实验，展示了 Q 2 VMC 的卓越性能，在跨各种分子系统的波函数优化中实现了更快的收敛速度和更低的基态能量，而无需额外的计算成本。这项研究不仅推动了计算量子化学领域的发展，还强调了离散化演化在变分量子算法中的重要作用，为未来的量子研究提供了一个可扩展且强大的框架。
变分预测编码下的目标导向行为
摘要 — 心理模拟是目标导向行为的关键认知功能，因为它对于评估行为及其后果至关重要。当给定一个自我生成或外部指定的目标时，通过心理模拟从其他候选中选择最有可能实现该目标的一系列动作。因此，更好的心理模拟会带来更好的目标导向行动计划。然而，开发心理模拟模型具有挑战性，因为它需要了解自我和环境。本文研究了如何通过动态组织自上而下的视觉注意力和视觉工作记忆来在心理上生成机器人的充分目标导向行动计划。为此，我们提出了一种基于变分贝叶斯预测编码的神经网络模型，其中目标导向行动计划由潜在意向空间的贝叶斯推理制定。我们的实验结果表明，出现了具有认知意义的能力，例如对机器人末端执行器（手）的自上而下的自主注意以及无遮挡视觉工作记忆的动态组织。此外，我们对比较实验的分析表明，引入视觉工作记忆和使用变分贝叶斯预测编码的推理机制显著提高了规划充分的目标导向行动的表现。