XiaoMi-AI文件搜索系统
World File Search System噪声的
RF 和 PLL 设计
学生熟悉加性噪声的起源、影响和对 PLL 行为的分析。他/她能够基于 Neeson 公式和 Hajimiri 提出的线性时变噪声模型以及使用脉冲灵敏度函数来分析噪声性能。(MK1)(MK2)(MI1)(MG3)
通过噪声谱评估硅量子点自旋量子比特环境
保持足够长时间的相干性以执行有意义的计算是实现大规模量子计算机的主要挑战之一。从环境中耦合的噪声是导致退相干的主要因素，但可以通过工程设计和控制解决方案来缓解。然而，这只有在彻底了解主要噪声源及其频谱后才有可能。在本文报告的工作中，我们使用硅量子点自旋量子位作为计量设备来研究量子位所经历的噪声环境。我们将此量子位对电噪声的敏感度与相同环境和测量设置中植入的硅供体量子位的敏感度进行比较。我们的结果表明，正如预期的那样，由于斯塔克位移较大，量子点自旋量子位对电噪声的敏感度高于供体自旋量子位，噪声光谱数据显示中频（2-20 kHz）的电荷噪声贡献明显。
C HARTER：通过放大门可逆性识别量子电路中最关键的门操作
摘要 — 当量子程序在嘈杂的中型量子 (NISQ) 计算机上执行时，它们会受到硬件噪声的影响；因此，程序输出通常是错误的。为了减轻硬件噪声的不利影响，有必要了解硬件噪声对程序输出的影响，更重要的是，了解硬件噪声对量子程序内特定区域的影响。识别和优化对噪声更敏感的区域是扩展 NISQ 计算机功能的关键。为了实现这一目标，我们提出了 C HARTER ，这是一种新技术，用于精确定位量子程序中受硬件噪声影响最大、对程序输出影响最大的特定门和区域。使用 C HARTER 的方法，程序员可以精确了解其代码的不同组件如何影响输出，并优化这些组件，而无需在传统计算机上进行不可扩展的量子模拟。索引术语 — 量子计算、NISQ 计算、量子误差检测、量子误差缓解
Mac
消息身份验证代码或MAC是一个经过良好研究的加密原始原始词，用于对共享秘密密钥的两个当事方之间的通信进行身份验证。令牌化的Mac或TMAC是由Ben-David＆Sattath（QCrypt'17）介绍的相关密码原始的，它允许通过使用单使用量子签名令牌将有限的签名授权委派给第三方。这些令牌可以使用秘密键发出，以便每个令牌可用于在最多一个文档上签名。我们为基于BB84州的TMAC提供了基础结构。我们的构造可以忍受高达14％的噪声，使其成为第一个耐噪声的TMAC结构。我们结构所需的量子状态的简单性，结合其噪声的耐受性，使其几乎比以前的TMAC构造更可行。提出的TMAC对具有签名和验证词的副本（即，它类似于MAC的EUF-CMA安全性），这是不可生存的。
使用张量网络解码器对泡利噪声进行量子编码的随机 Clifford 电路
其中 p I + p X + p Y + p Z = 1。我们主要考虑去极化噪声的情况 p X = p Y = p Z = p / 3，p I = (1 − p )。▶ 众所周知 1 使用随机 Clifford 单位向量进行编码，可以实现称为哈希界限的速率
NISQ 的复杂性
近年来，NISQ 设备的激增使得了解它们的计算能力变得势在必行。在这项工作中，我们定义并研究了复杂度类 NISQ ，旨在封装可由能够访问 NISQ 设备的经典计算机有效解决的问题。为了对现有设备进行建模，我们假设设备可以 (1) 有噪声地初始化所有量子位，(2) 应用许多有噪声的量子门，以及 (3) 对所有量子位执行有噪声的测量。我们首先通过展示基于 Simon 问题的修改的三个类别之间的超多项式 oracle 分离，给出 BPP ⊊ NISQ ⊊ BQP 的证据。然后，我们考虑 NISQ 对三个经过充分研究的问题的能力。对于非结构化搜索，我们证明 NISQ 无法比 BPP 实现类似 Grover 的二次加速。对于 Bernstein-Vazirani 问题，我们表明 NISQ 只需要 BPP 所需查询数量的对数。最后，对于量子态学习问题，我们证明 NISQ 比使用无噪声恒定深度量子电路的经典计算弱得多。
错误校正的量子传感
量子计量学在科学和技术中具有许多重要的应用，从频率表格到引力波检测。量子力学对测量精度施加了基本限制，称为Heisenberg限制，这是无噪声量子系统可以实现的，但通常无法实现遇到噪声的系统。在这里，我们研究了如何通过量子误差校正来提高测量精度，这是一种保护量子系统免受噪声影响影响的一般方法。我们发现，假设可以使用噪音无噪声的Ancilla系统，并且可以执行这种快速，准确的量子处理，则可以使用受马尔可夫噪声的量子探针来实现Heisenberg极限。当满足功能的条件时，可以通过求解半有限的程序来找到达到最佳精度的量子误差校正代码。我们还表明，当Hamiltonian和错误操作员通勤时，不需要噪音无噪音。最后，我们提供了两个明确的量子传感器的原型示例：量子量和有损失的骨气模式。
使用高斯过程因子模型识别神经种群活动中的信号和噪声结构
神经数据集通常包含在重复刺激或行为的多个试验中测量神经活动的测量。对此类数据集的分析中的一个重要问题是表征神经活动的系统方面，这些方面携带有关重复刺激或感兴趣的行为的信息，这些刺激或行为可以视为“信号”，并将它们与在活动到试验中的频率分开，而这些活动的刺激时间却不是时间到刺激，而这些分析可以被视为“噪声”。高斯过程因子模型为识别高维神经数据中的共享结构提供了强大的工具。但是，它们尚未适应多试验数据集中信号和噪声的问题。在这里，我们通过提出“信号 - 噪声”泊松泊式高斯过程因子分析（SNP-GPFA）来解决这一缺点，这是一种可浮动的潜在可变模型，可在神经种群尖峰活动中解析信号和噪声潜在结构。为了了解模型的参数，我们引入了一个傅立叶黑框变分推理方法，该方法迅速识别平滑的潜在结构。最终的模型可靠地发现了大规模记录中的潜在信号和试验到试验噪声相关的闪光。我们使用此模型表明，在猴子V1中，噪声闪烁在子空间正交中对信号活动的扰动神经活动，这表明逐审噪声不会干扰信号表示。最后，我们扩展了模型以捕获多区域数据中大脑区域的统计依赖性。我们表明，在鼠标Visual Cortex中，在大脑区域之间具有共享噪声的模型超过具有独立每个区域噪声的模型。
博士Janak Kapoor 照片名称
自适应算法应用于噪声消除技术”，2018 年工程与科学计算与表征技术国际会议 (CCTES)，印度勒克瑙，2018 年，第 258-261 页，doi：10.1109/CCTES.2018.8674070。8. J. Kapoor、G. Mishra 和 M. Rai，“音频信号和噪声的特性和属性
使用相...
高位率无线通信要求高频率[1]，例如24-GHz WLAN [2]，IEEE802.11AD [3]和24-29 GHz 5G手机[4]。高频无线系统中的必需电路块之一是电压控制的振荡器（VCO）。进行正交信号处理[5,6,7,8,9]的[5,6,7,8,9] [10，11，12，12，12，13，14，15，16，17]，但是，高频率VCO通常需要一个非常非常高的CMOS技术和/或特殊QMOS技术和特殊的QMOS技术阶段[18] 噪音。 因此，他们的过程成本可能很高。 在这封信中，提出了使用相调整架构来抑制相位噪声的正交VCO。 可以在不增加过程成本的情况下实现此体系结构。进行正交信号处理[5,6,7,8,9]的[5,6,7,8,9] [10，11，12，12，12，13，14，15，16，17]，但是，高频率VCO通常需要一个非常非常高的CMOS技术和/或特殊QMOS技术和特殊的QMOS技术阶段[18] 噪音。因此，他们的过程成本可能很高。在这封信中，提出了使用相调整架构来抑制相位噪声的正交VCO。可以在不增加过程成本的情况下实现此体系结构。