XiaoMi-AI文件搜索系统
World File Search System如变分
具有动态假设的变分量子线性求解器
变分量子算法在 NISQ 时代取得了成功，因为它们采用了量子-经典混合方法，可以缓解量子计算机中的噪声问题。在我们的研究中，我们在变分量子线性求解器中引入了动态假设，用于线性代数方程组。在这个改进的算法中，硬件高效假设电路的层数不断演变，从少量开始逐渐增加，直到达到解的收敛。我们展示了该算法与标准静态假设相比的优势，即在有和没有量子噪声的情况下，以及在系统矩阵的量子比特数或条件数增加的情况下，使用更少的量子资源和平均较小的量子深度。迭代次数和层数可以通过切换参数改变。该算法在使用量子资源方面的性能由新定义的指标量化。
变分量子算法中噪声引起的荒芜高原
变分量子算法 (VQA) 可能是在嘈杂的中型量子 (NISQ) 计算机上实现量子优势的一条途径。一个自然的问题是 NISQ 设备上的噪声是否会对 VQA 性能造成根本限制。我们严格证明了嘈杂的 VQA 的一个严重限制，即噪声导致训练景观出现贫瘠高原（即梯度消失）。具体而言，对于考虑的局部泡利噪声，我们证明如果假设的深度随 n 线性增长，则梯度会在量子比特数 n 中呈指数消失。这些噪声引起的贫瘠高原 (NIBP) 在概念上不同于无噪声贫瘠高原，后者与随机参数初始化有关。我们的结果是为通用假设制定的，其中包括量子交替算子假设和酉耦合簇假设等特殊情况。对于前者，我们的数值启发式方法证明了现实硬件噪声模型的 NIBP 现象。
用于表示学习的混合量子变分自动编码器
创新的神经网络架构不断涌现，旨在解决有趣的问题 [1]–[3]。当人们专注于学习表示时，这类模型提供了一定的多功能性 [4]。有趣的是，人们往往更喜欢无监督方法，以消除可能引入的、可能不想要的标签偏见。这项研究基于经典的自动编码器架构，并结合了一种新颖的量子变分方法。自动编码器 (AE) 被认为是一种无监督学习模型，它使用神经网络重建输入信号 [5]。AE 因其一些成功的版本而闻名，包括变分自动编码器 (VAE) [6] 和去噪 AE [7], [8]。特别是密集 AE，已被证明在学习数据表示（通常经过压缩）方面非常强大，同时保留了大部分信息 [9]。近年来，营销研究人员对利用机器学习的兴趣日益浓厚。与传统的统计和计量经济学方法相比，机器学习方法可以处理大规模数据、非结构化数据，具有灵活的模型结构并能产生更好的预测。自动编码器开始用于从营销环境中的复杂数据中生成有意义的描述，例如消费者社交网络或消费者产品网络[10]。分析大规模网络的方法论挑战在于高维性。最近一项关于 Facebook 用户参与数据中的用户-品牌网络的研究使用深度自动编码器进行嵌入，并表明品牌的市场结构比标准行业分类所建议的更具流动性和重叠性[11]。此外，变分自动编码器已被开发用于
学习优化变分量子电路来解决组合问题
量子计算是一种计算范式，在解决各种问题时有可能超越经典方法。最近提出的量子近似优化算法 (QAOA) 被认为是近期展示量子优势的主要候选算法之一。QAOA 是一种变分混合量子-经典算法，用于近似解决组合优化问题。QAOA 针对给定问题实例获得的解决方案的质量取决于用于优化变分参数的经典优化器的性能。在本文中，我们将寻找最优 QAOA 参数的问题表述为一项学习任务，其中可以利用从解决训练实例中获得的知识来为看不见的测试实例找到高质量的解决方案。为此，我们开发了两种基于机器学习的方法。我们的第一种方法采用强化学习 (RL) 框架来学习策略网络以优化 QAOA 电路。我们的第二种方法采用核密度估计 (KDE) 技术来学习最佳 QAOA 参数的生成模型。在这两种方法中，训练过程都是在可以在传统计算机上模拟的小型问题实例上执行的；然而，学习到的 RL 策略和生成模型可用于有效地解决更大的问题。使用 IBM Qiskit Aer 量子电路模拟器进行的大量模拟表明，与其他常用的现成优化器相比，我们提出的基于 RL 和 KDE 的方法将最优差距缩小了 30 倍。15 倍。
使用纵向变分自动编码器对图像数据进行进展模型
摘要。疾病进展模型对于理解退行性疾病至关重要。混合效应模型一直用于模拟临床评估或从医学图像中提取的生物标志物，允许在任何时间点进行缺失数据的填补和预测。然而，这种进展模型很少用于整个医学图像。在这项工作中，变分自动编码器与时间线性混合效应模型相结合，以学习数据的潜在表示，使得各个轨迹随时间遵循直线，并以一些可解释的参数为特征。设计了一个蒙特卡罗估计器来迭代优化网络和统计模型。我们将此方法应用于合成数据集，以说明时间依赖性变化与受试者间变异性之间的分离，以及该方法的预测能力。然后，我们将其应用于来自阿尔茨海默病神经影像计划 (ADNI) 的 3D MRI 和 FDG-PET 数据，以恢复大脑结构和代谢改变的详细模式。
利用自适应变分量子动力学计算多体格林函数
摘要：我们提出了一种使用自适应变分量子动力学模拟方法计算多体实时格林函数的方法。实时格林函数涉及带有一个额外电子的量子态相对于基态波函数的时间演化，该波函数首先表示为状态向量的线性 - 线性组合。通过将各个状态向量的动态组合成线性组合，可以获得实时演化和格林函数。使用自适应协议使我们能够在运行模拟时即时生成紧凑的假设。为了提高光谱特征的收敛性，应用了 Pade 近似值来获得格林函数的傅里叶变换。我们在 IBM Q 量子计算机上演示了格林函数的评估。作为我们错误缓解策略的一部分，我们开发了一种分辨率增强方法，并成功地将其应用于来自实量子硬件的噪声数据。
变分量子克隆在实用量子密码分析方面的进展
量子密码系统的密码分析通常涉及寻找针对底层协议的最佳对抗攻击策略。量子攻击建模的核心原则通常归结为对手克隆未知量子态并由此提取有意义的秘密信息的能力。由于电路深度较大或在许多情况下未知，显式最佳攻击策略通常需要大量计算资源。在这里，我们介绍了变分量子克隆 (VarQlone)，这是一种基于量子机器学习的密码分析算法，它允许对手使用混合经典量子技术训练的短深度量子电路获得最佳近似克隆策略。该算法包含具有理论保证的具有操作意义的成本函数、量子电路结构学习和基于梯度下降的优化。我们的方法能够端到端发现硬件高效的量子电路来克隆特定的量子态系列，我们在 Rigetti Aspen 量子硬件上的实现中展示了这一点。我们将这些结果与量子密码原语联系起来，并推导出由 VarQlone 促进的显式攻击。我们期望量子机器学习将成为改进当前和未来量子加密协议攻击的资源。
噪声中间量子计算机中多等级几何纠缠的变分确定
纠缠的量子状态[1]被认为是反对量子力学的完整性的论点[2]，如今被认为是该理论的区分特征。纠缠也被广泛认为是量子计算和量子信息研究中的核心资源之一[3]；量子算法（例如Shor算法[4]）的成功与量子计算机中的非局部门的适当实现相关，而量子电视[5]和量子密钥分布等方案[6]依赖于两个或更多各方之间的纠缠状态。纠缠。由于纠缠在量子力学及其许多可行应用中所起的作用，已经开发了几种方法来量化和识别它。基于部分转置映射的负态性的Peres-Horodecki定理[10，11]允许在Qubit-Qubit和Qubit-Qutrit纯或混合量子状态中存在纠缠，但对于较高尺寸的biTemential biatsiate biatsional biatsiate butemential butions of证明。与此一起，部分转置映射对应于非物理操作，因此不能直接实施实验。也可以采用铃铛不平等[12]来检测已知状态的纠缠，这需要解决优化问题。在这里，违规信号
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
变分算法中的量子经典权衡和多控制量子门分解
近期量子计算机的计算能力受到门操作的噪声执行和有限数量的物理量子比特的限制。混合变分算法非常适合近期量子设备，因为它们允许在用于解决问题的量子资源和经典资源数量之间进行广泛的权衡。本文通过研究一个具体案例——将量子近似优化算法 (QAOA) 应用于最大独立集 (MIS) 问题的实例——研究了算法和硬件层面的权衡。我们考虑了 QAOA 的三种变体，它们在算法层面根据所需的经典参数数量、量子门和所需的经典优化迭代次数提供不同的权衡。由于 MIS 是一个受约束的组合优化问题，因此 QAOA 必须尊重问题约束。这可以通过使用许多多控制门操作来实现，这些操作必须分解为目标硬件可执行的门。我们研究了该硬件级别可用的权衡，将不同本机门集的门保真度和分解效率组合成一个称为门分解成本的单一指标。