XiaoMi-AI文件搜索系统
World File Search System基态
使用量子退火器计算分子的基态特性
量子退火器是量子计算的替代方法，它利用绝热定理有效地找到了可实现的哈密顿量的基态。此类设备当前可商购，并已成功应用于多个组合和离散优化问题。然而，由于难以将分子系统映射到伊辛模型汉密尔 - 汉密斯尼亚人，因此将量子试剂应用于化学问题仍然是一个相对稀疏的研究领域。在本文中，我们回顾了使用基于ISING模型的量子退火器找到分子哈密顿量的基础状态的两种不同的方法。另外，我们通过计算H + 3和H 2 O分子的结合能，键长和键角并映射其势能曲线的相对有效性。我们还通过确定使用各种参数值模拟每个分子所需的量子数和计算时间来评估每种方法的资源要求。虽然这些方法中的每一种都能够准确预测小分子的基态特性，但我们发现它们仍然超过现代经典算法的表现，并且资源需求的扩展仍然是一个挑战。
使用量子退火器计算分子的基态特性
量子退火器是量子计算的另一种方法，它利用绝热定理有效地找到物理上可实现的哈密顿量的基态。此类设备目前已在市场上销售，并已成功应用于多个组合和离散优化问题。然而，由于难以将分子系统映射到伊辛模型哈密顿量，量子退火器在化学问题中的应用仍然是一个相对稀少的研究领域。在本文中，我们回顾了两种使用基于伊辛模型的量子退火器寻找分子哈密顿量的基态的不同方法。此外，我们通过计算 H + 3 和 H 2 O 分子的结合能、键长和键角并映射它们的势能曲线来比较每种方法的相对有效性。我们还通过确定使用各种参数值模拟每个分子所需的量子比特数和计算时间来评估每种方法的资源需求。虽然每种方法都能够准确预测小分子的基态特性，但我们发现它们仍然不如现代经典算法，并且资源需求的扩展仍然是一个挑战。
利用人工神经网络进行量子启发基态近似回火
大量研究表明，参数化人工神经网络 (ANN) 可以有效描述众多有趣的量子多体汉密尔顿量的基态。然而，用于更新或训练 ANN 参数的标准变分算法可能会陷入局部极小值，尤其是对于受挫系统，即使表示足够具有表现力。我们提出了一种并行调节方法，有助于摆脱这种局部极小值。这种方法涉及独立训练多个 ANN，每个模拟由具有不同“驱动器”强度的汉密尔顿量控制，类似于量子并行调节，并且它将更新步骤纳入训练中，允许交换相邻的 ANN 配置。我们研究了两类汉密尔顿量的实例，以证明我们使用受限玻尔兹曼机作为参数化 ANN 的方法的实用性。第一个实例基于置换不变汉密尔顿量，其地形阻碍了标准训练算法，使其逐渐陷入假局部最小值。第二个实例是四个氢原子排列成一个矩形，这是使用高斯基函数离散化的第二个量化电子结构哈密顿量的一个实例。我们在最小基组上研究了这个问题，尽管问题规模很小，但它表现出了假最小值，可以捕获标准变分算法。我们表明，通过量子并行回火来增强训练对于找到这些问题实例基态的良好近似值非常有用。
金属离子控制电子基态中光诱导电子自旋极化。
摘要：通过改变金属离子的性质可以控制发色团-自由基复合物电子基态 ( 2 S 0 /D 0 ) 中光诱导电子自旋极化 (ESP) 的符号和强度。该复合物由一个有机自由基 (硝基氮氧化物，NN) 通过一个间位亚苯基桥与一个供体受体发色团共价连接而成，( bpy)M(CAT- m -Ph-NN ) ( 1 ) (bpy = 4,4'-二叔丁基-2,2'-联吡啶，M = Pd II ( 1-Pd) 或 Pt II ( 1-Pt )，CAT = 3-叔丁基儿茶酚酸酯，m -Ph = 间位亚苯基)。在这两种复合物中，可见光的光激发都会产生初始交换耦合、3 自旋（bpy•-、CAT+• = 半醌 (SQ) 和 NN•）、电荷分离双线 2 S 1（S = 发色团激发自旋单线态）激发态，该激发态通过 2 T 1（T = 发色团激发自旋三线态）态迅速衰减到基态。该过程预计不会具有自旋选择性，并且对于 1-Pd 仅发现非常弱的发射 ESP。相反，在 1-Pt 中产生强吸收 ESP。推测零场分裂引起的发色 2 T 1 态与 4 T 1 态（1-Pd 和 1-Pt）之间的跃迁，以及自旋轨道引起的 2 T 1 态与 NN 基四重态（1-Pt）之间的跃迁，导致了极化差异。
公钥伪enentanglement和学习基态纠缠结构的硬度
鉴于当地的哈密顿量，确定其基态的纠缠结构有多困难？我们表明，即使一个人只是试图决定基态是否是vs vs vs nake nake纠缠的尺寸，我们也表明这个问题在计算上是可悲的。我们通过在公钥环境中构建强大形式的伪enentangrement来证明这一点，在该环境中，用于准备国家的电路是公共知识。特别是，我们构建了两个量子电路家族，这些量子回路与近距离纠缠的状态相比，但在学习误差（LWE）假设下，对电路的经典描述仍无法区分。电路的难以区分，然后使我们能够将自己的建筑转化为哈密顿人。我们的工作打开了哈密顿复杂性的新方向，例如，学习某些物质阶段是否难以学习。
用于计算分子基态能量的混合量子-经典神经网络
量子计算在推动量子化学研究方面显示出巨大的潜力[1]。许多量子算法已被提出来解决量子化学问题[2-4]，如相位估计算法；Aspuru-Guzik等人[5-8]计算简单分子本征态能量的算法；变分量子本征求解器（VQE）[9-11]解决电子结构问题；开放量子动力学的量子算法[12]；以及在量子计算机上进行的双电子分子基准计算[13]。使用量子计算技术执行机器学习任务[14]最近也受到了广泛关注，包括量子数据分类[15，16]、量子生成学习[17，18]和近似非线性函数的量子神经网络[19]。到目前为止，将各种量子机器学习技术应用于量子化学是一个自然的延伸 [ 20 ， 21 ]。然而，之前的研究仅仅关注只有少数非线性操作的量子电路，这些非线性操作是通过数据编码 [ 19 ， 22 ] 或重复测量直到成功 [ 23 ] 引入的。此外，最近 Sim 等人 [ 24 ] 表明，增加参数化量子电路 (PQC) 的层数将达到饱和，并且当层数足够大时可能无法提高性能。此外，非线性是经典神经网络中最重要的部分 [ 25 ]，它使神经网络能够产生复杂的结果 [ 23 ， 26 ， 27 ]。因此，量子机器学习不应只关注 PQC，量子神经网络需要非线性操作。为了解决这个问题，我们在这里引入一种新的混合量子经典神经网络，将量子计算和经典计算与参数化量子电路之间的测量相结合。本文首先详细描述了混合量子-经典神经网络的整体结构。然后，我们利用新的混合量子-经典神经网络进行了数值模拟，计算了不同分子的基态能量。
激光冷却中间膜系统，使其从室温冷却至接近量子基态
量子科学和技术中的许多协议都需要在纯量子态下初始化系统。在大规模谐振器的运动状态背景下，这使得研究难以捉摸的量子-经典跃迁的基本物理成为可能，并以增强的灵敏度测量力和加速度。激光冷却一直是制备量子基态机械谐振器的首选方法，量子基态是最简单的纯态之一。然而，为了克服热浴的加热和退相干，这通常必须与低温冷却相结合。在这里，我们直接从室温激光冷却超相干、软夹紧机械谐振器，使其接近量子基态。为此，我们实施了多功能中间膜装置，该装置具有一个光纤镜和一个声子晶体镜，在室温下已经达到了接近 1 的量子协同性。此外，我们引入了相干和基于测量的量子控制技术的强大组合，这使我们能够减轻热互调噪声。我们达到的最低占用率是 30 个声子，受测量不精确的限制。消除低温冷却的必要性应该会进一步促进光机械量子技术的传播。© 2023 Optica Publishing Group 根据 Optica 开放获取出版协议的条款
包含 100 多个离子的二维捕获离子晶体的近基态冷却
我们通过实验研究了平面二维阵列鼓面模式的电磁感应透明冷却，其中 Penning 阱中存储了多达 N ≈ 190 Be + 离子。对于所有 N 个鼓面模式都观察到了显著的亚多普勒冷却。对质心模式的定量测量表明接近基态冷却，运动量子数为 ¯ n ¼ 0 。3 � 0 。2 在 200 μ s 内获得。 测得的冷却速度比单粒子理论预测的要快，与量子多体计算一致。对于较低频率的鼓面模式，定量温度测量受到频率不稳定性的限制，但强烈建议全带宽接近基态冷却。这项进展将极大地提高大型捕获离子晶体在量子信息和计量应用中的性能。
Ali Abu - Nada* 有限资源下氢分子基态能量的量子计算模拟
摘要：本文采用基于量子变分原理的算法计算了氢分子基态能量。由于本研究的系统（即氢分子）相对较小，因此使用模拟器可以有效地经典模拟该分子的基态能量，因此通过模拟器计算得到了氢分子基态能量。本文阐述了该算法的完整细节。为此，本文给出了费米子 - 量子比特和分子哈密顿量 - 量子比特哈密顿量变换的完整描述。作者寻找产生系统最小能量的量子比特系统参数（θ 0 和 θ 1 ），并研究了基态能量与分子键长的关系。与 Kandala 等人的电路相比，本文提出的电路很简单，不包含很多参数，作者只控制两个参数（θ 0 和 θ 1 ）。
量子谢灵顿-柯克帕特里克模型基态的变分假设
简介 — 自旋玻璃是统计物理学中的一个重要范式。除了它们在描述无序经典磁体方面的相关性 [1,2] 之外，研究还表明，优化任务（例如旅行商问题）可以映射到求解自旋玻璃系统的基态 [1,3,4] 。通过引入横向场，可以将经典自旋玻璃提升为量子模型。由此产生的量子自旋玻璃本身就构成了研究无序和挫折与量子效应相互作用的重要场所 [5] 。此外，有证据表明，可以利用量子性来简化优化任务，例如通过量子退火 [6 – 10] 。量子自旋玻璃模型的教科书例子是量子 Sherrington-Kirkpatrick (QSK) 模型，它是经典 Sherrington-Kirkpatrick (SK) 模型的推广 [11,12] 。QSK 模型已在文献中得到了广泛的分析研究 [12 – 18] 和数值研究 [19 – 30] 。虽然著名的 Parisi 解 [31,32] 为经典 SK 模型提供了完整的解，但量子 SK 模型仍有许多悬而未决的问题。