XiaoMi-AI文件搜索系统
World File Search System噪声的
通过形式抽象的非高斯噪声的动态系统的强大控制
在安全 - 关键设置中运行的动态系统的控制器必须解释随机干扰。这种干扰通常被建模为动态系统中的过程噪声，并且常见的假设是潜在的分布是已知和/或高斯。但是，在实践中，这些假设可能是不现实的，并且可能导致真实噪声分布的近似值差。我们提出了一种新型控制器合成方法，该方法不依赖于噪声分布的任何明确表示。特别是，我们解决了计算一个控制器的问题，该控制器可在安全达到目标时提供概率保证，同时避免了状态空间的不安全区域。首先，我们将连续控制系统抽象为有限状态模型，该模型通过离散状态之间的概率过渡捕获噪声。作为关键贡献，我们根据有限数量的噪声样本来调整方案方法的工具，以计算这些过渡概率的近似正确（PAC）。我们在所谓的间隔马尔可夫决策过程（IMDP）的过渡概率间隔中捕获了这些界限。此IMDP具有用户指定的置信度概率，可抵抗过渡概率的不确定性，并且可以通过样本数量来控制概率间隔的紧密度。我们使用最先进的验证技术在IMDP上提供保证，并计算一个保证将这些保证置于原始控制系统的控制器。此外，我们开发了一种量身定制的计算方案，该方案降低了IMDP上这些保证的合成的复杂性。现实控制系统上的基准测试显示了我们方法的实际适用性，即使IMDP具有数亿个过渡。
![[2] Jin-Yi Cai。“Shor 算法在存在噪声的情况下不会分解大整数”。引自：CoRR abs/2306.10072 (2023)。DOI：10.48550/arXiv.2306。](/simg/4/43cb60a445210abf2011bfcbf9093432832f64ee.png)
[2] Jin-Yi Cai。“Shor 算法在存在噪声的情况下不会分解大整数”。引自：CoRR abs/2306.10072 (2023)。DOI：10.48550/arXiv.2306。
该量在式 (1) 中作为 exp { 2 πi [ ... . . ] } 指数的子和出现。主要证明是证明指数和 (1) 中指数的和 (2) 在指数多项式中的典型情况下表现为足够随机的。然后我们使用以下引理引理[2]设 σ > 0 且 ξ m = e 2 πi/m 。设 X i ∼ N (0 , 1) ，其中 i = 1 , 2 , ... , n 是 iid 的，设 { S k ⊆ [ n ] | 1 ≤ k ≤ K } 是集合的有限集合。假设除了至多 δ 部分的成对对称差 S j ∆ S k 之外，所有差集的基数均为 ≥ ( m/σ ) 2 t （其中 j ̸ = k ）。令 Σ k = φ k + σ P i ∈ S k X i ，其中 φ k ∈ [0 , 2 π ) 。然后，期望
b"摘要：Dicke 态是具有汉明权重 k 的 n 个量子比特的叠加，表示为 | D nk \xe2\x9f\xa9 。Dicke 态经常用于为量子搜索算法（例如，Grover 搜索和量子行走）准备输入叠加，这些算法解决具有一定数量 nk 个候选解的组合问题。B\xc2\xa8artschi 和 Eidenbenz 提出了一种具体的量子电路，用于使用多项式量子门构造 Dicke 态 | D nk \xe2\x9f\xa9，并且他们根据汉明权重 k 对该电路进行了推广，以准备 Dicke 态的叠加。随后，Esser 等人提出了另一种量子电路，用于使用多项式门和一些辅助量子比特生成 Dicke 态 | D nk \xe2\x9f\xa9。在本文中，我们推广了 Esser 的状态准备电路以构造一个Dicke 态的叠加。我们对两个广义 Dicke 态准备电路进行了具体的比较。我们使用来自 IBM 量子体验服务 (IBMQ) 的真实量子机器进行噪声模拟和实验。这两个电路都使用噪声中尺度量子 (NISQ) 设备成功构建了广义 Dicke 态叠加，尽管受到噪声的影响。”
b"摘要：Dicke 态是具有汉明权重 k 的 n 个量子比特的叠加，表示为 | D nk \xe2\x9f\xa9 。Dicke 态经常用于为量子搜索算法（例如，Grover 搜索和量子行走）准备输入叠加，这些算法解决具有一定数量 nk 个候选解的组合问题。B\xc2\xa8artschi 和 Eidenbenz 提出了一种具体的量子电路，用于使用多项式量子门构造 Dicke 态 | D nk \xe2\x9f\xa9，并且他们根据汉明权重 k 对该电路进行了推广，以准备 Dicke 态的叠加。随后，Esser 等人提出了另一种量子电路，用于使用多项式门和一些辅助量子比特生成 Dicke 态 | D nk \xe2\x9f\xa9。在本文中，我们推广了 Esser 的状态准备电路以构造一个Dicke 态的叠加。我们对两个广义 Dicke 态准备电路进行了具体的比较。我们使用来自 IBM 量子体验服务 (IBMQ) 的真实量子机器进行噪声模拟和实验。这两个电路都使用噪声中尺度量子 (NISQ) 设备成功构建了广义 Dicke 态叠加，尽管受到噪声的影响。”
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
在特殊点工作的光放大器中量子噪声的非普适性
1 密歇根理工大学物理系，美国密歇根州霍顿 49931 2 密歇根理工大学 Henes 量子现象中心，美国密歇根州霍顿 49931 3 宾夕法尼亚州立大学工程科学与力学系和材料研究所，美国宾夕法尼亚州大学公园 16802 4 马克斯普朗克复杂系统物理研究所，Nöthnitzer Strasse 38，01187 德累斯顿，德国 5 柏林自由大学达勒姆复杂量子系统和物理专业中心，14195 柏林，德国 6 卡尔斯鲁厄理工学院凝聚态理论研究所，76131 卡尔斯鲁厄，德国 7 卡尔斯鲁厄理工学院量子材料与技术研究所，76344 埃根施泰因-利奥波德港，德国
量子计算机噪声的时间研究
摘要 — 在过去的几年中，量子计算 (QC) 引起了计算机科学家的兴趣，因为它具有量子加速、解决 NP 难题的可能性以及实现更高的计算能力。然而，减轻每个量子设备内部噪声的影响是一个迫在眉睫的挑战。这些变化为研究校准参数对每个量子比特的个体特征的影响提供了新的机会。在本文中，我们基于校准数据和单个设备的特性研究了嘈杂的中型量子 (NISQ) 计算机的时间行为。具体来说，我们收集了过去两年 IBM-Q 机器的校准数据，并将量子误差鲁棒性与 IBM-Q 机器的处理器类型、量子拓扑和量子体积进行比较。索引术语 — 量子计算、量子特性、量子时间研究、量子误差
量子景观中的非平凡对称性及其对量子噪声的弹性
对参数化量子电路（PQC）的成本景观知之甚少。然而，PQC在量子神经网络和变异量算法中都采用，这可能允许接近量子的优势。此类应用需要良好的优化器来培训PQC。重点的工作重点是专门针对PQC量身定制的量子意见的操作器。但是，对成本景观的无知可能会阻碍这种优化者的进步。在这项工作中，我们在分析中证明了PQC的两个结果：（1）我们在PQC中找到了指数较大的对称性，在成本景观中产生了最小值的指数较大的变性。另外，可以将其作为相关超级参数空间体积的指数减少。（2）我们研究了噪声下对称性的弹性，并表明虽然在噪声下是保守的，但非积极通道可以打破这些对称性并提高最小值的脱位，从而导致多个新的局部最小值。基于这些结果，我们引入了一种称为基于对称的最小值（SYMH）的优化方法，该方法利用了PQC中的基础对称性。我们的数值模拟表明，SYMH在存在与当前硬件相当的级别的情况下提高了整体优化器性能。总的来说，这项工作从局部门传输中得出了大规模电路对称性，并使用它们来构建噪声知识优化方法。
ECG 信号 PQRS 检测和信号噪声的综合估计 Hemant Amhia 博士研究学者，电气工程 MITS Gwalior MP。
摘要 --- 自动化生物电信号分析在智慧医疗中有着重要的应用。在本文中，我们专注于心电信号，并提出一种心律失常疾病分类的新方法。我们设计了一种新颖的分析框架，从心电信号中提取不同的特征变换。并且我们训练了多特征的 ANN 模型以获得预测。最后，我们在 MIT-BIH 心律失常的公共数据库上测试了我们的方法。数据库上的实验结果表明我们的模型比其他方法具有更好的分类性能。关键词 --- 心电信号、心电去噪、希尔伯特变换、同步检测、固有模态函数、瞬时频率、本振。介绍心电图 (ECG) 作为心脏活动记录提供了有关心脏状态的重要信息 [1]。心电图心律失常检测对于心脏病患者的早期诊断是必要的。一方面，医生很难在有限的时间内分析记录时间较长的心电图 [1]。另一方面，如果没有工具的支持，人们也几乎无法识别心电信号的形态变化，因此需要一个有效的计算机辅助诊断系统来解决这一问题。大多数心电图分类方法主要基于一维心电图数据，这些方法通常需要提取波形特征、相邻波的间隔以及每个波的幅度和周期作为输入，它们之间的主要区别在于分类器的选择[2,3]。
