XiaoMi-AI文件搜索系统
World File Search System如变分
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。
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。
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。
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。
变分的安全云量子计算
变异量子算法（VQA）被认为是嘈杂的中间尺度量子（NISQ）设备的有用应用。通常，在VQA中，参数化的ANSATZ电路用于生成试验波函数，并且对参数进行了优化以最大程度地减少成本函数。另一方面，已经研究了盲量量计算（BQC），以便通过使用云网络为量子算法提供安全性。执行量子操作能力有限的客户端希望能够访问服务器的量子计算机，并且BQC允许客户端使用服务器的计算机，而不会泄漏客户端的信息（例如输入，运行量子算法和输出）到服务器。但是，BQC设计用于容差量子计算，这需要许多辅助量子位，这可能不适合NISQ设备。在这里，我们提出了一种有效的方法，可以为客户端提供保证安全性的NISQ计算。在我们的体系结构中，仅需要N +1量子位，假设服务器已知Ansatzes的形式，其中N表示原始NISQ算法中必要的量子数。客户端仅在从服务器发送的辅助量子位上执行单量测量，并且测量角可以指定NISQ算法的ANSATZES的参数。无信号原则可以保证客户端选择的参数或算法的输出都不会泄漏到服务器。这项工作为NISQ设备的新应用程序铺平了道路。
变分量子态特征求解器
洛斯阿拉莫斯国家实验室是一家采取平权行动/提供平等机会的雇主，由 Triad National Security, LLC 为美国能源部国家核安全局运营，合同编号为 89233218CNA000001。通过批准本文，出版商承认美国政府保留非独占的、免版税的许可，可以为了美国政府的目的出版或复制本文的已发表形式，或允许他人这样做。洛斯阿拉莫斯国家实验室要求出版商将本文注明为在美国能源部的支持下完成的工作。洛斯阿拉莫斯国家实验室坚决支持学术自由和研究人员的发表权利；但是，作为一个机构，实验室并不认可出版物的观点，也不保证其技术上的正确性。
公告 第120号 分任
（6）其他 a.须在投标开始前提交《资格审查结果通知书》副本。若您已经提交过，则无需再次提交。 若申请人由代表人或其他代理人代为竞投，则其须于竞投开始前提交《授权委托书》。 邮寄投标应清楚写明公司名称、投标日期和时间、投标主题，并用红色写明“投标书已附上”，并于7月17日星期三下午5点之前邮寄至下述地址。此外，投标人还将提前通过邮件收到投标意向通知。 如果您希望参加投标，您必须于7月12日星期五下午1:00之前通过传真或其他方式提交市场价格调查文件。 投标者在参与前必须同意《驻军使用标准合同》和《投标及合同指南》（在东部陆军会计司令部网站（https://www.easternarmy.gov/gsdf/eae/kaikei/eafin/index html）或在泷原驻军会计司令部办公室公布）。 通过提交您的出价，您将被视为承诺遵守“关于排除有组织犯罪集团的承诺”。投标文件中应当包含下列声明作为接受的表示： “本公司（本人（若为个人），本组织（若为组织））承诺遵守有关排除有组织犯罪的书面承诺事项。”此外，如果您拒绝提交有关上述“有关排除有组织犯罪的书面承诺事项”，则您将无法参与投标。（k）如果在最初的投标中已有通过邮寄方式提交投标的投标人，则重新投标的时间如下。