XiaoMi-AI文件搜索系统
World File Search System局部误差
在分布式量子计算机上模拟时间演化
我们研究了 Trotter-Suzuki 分解的变体，其中哈密顿指数由两个量子比特算子指数的有序乘积近似，使得 Trotter 步长在少数项中得到增强。这种分解直接反映了分布式量子计算机的硬件约束，其中单片量子设备上的操作与使用互连在不同节点之间进行纠缠分布相比更快。我们模拟了横向场 Ising 和 XY 自旋链模型的非平衡动力学，并研究了与量子互连越来越稀疏的使用相关的局部增加的 Trotter 步长的影响。我们发现近似的整体质量平稳地取决于局部稀疏性，并且局部误差的扩散很慢。因此，我们表明，即使在使用互连成本高昂的分布式量子计算机上，也可以利用单片设备上的快速局部操作来获得整体改进的结果保真度。
机器学习驱动的基于指标的网状改编
网格适应在CFD中至关重要，对于动态完善并优化计算网格，增强了捕获复杂流动特征的精度。基于度量的网格适应性，虽然在数学上健壮，但通常依赖于伴随解决方案来进行误差估计，这可以显着增加计算需求。为了应对这一挑战，这项研究旨在开发一种机器学习驱动的方法来改编CFD，从而消除了对计算强度密集的伴随解决方案的需求。在追求此目标时，我们采用集合模型和图形卷积网络（GCN）来预测在适应过程中每个单元格的局部误差估计器。我们的发现表明，GCNS胜过各向同性网格的集合模型，而两个模型在各向异性网格中产生相似的结果。这些结果表明，我们的机器学习驱动的方法消除了求解伴随方程的误差估计的需要，为在复杂的流动方案中为更有效的CFD模拟铺平了道路。
检测量子信息处理器中的串扰错误
串扰发生在大多数具有多个量子的量子系统中。它可能导致各种相关和非局部串扰误差，这可能特别有害于耐断层的Quantum误差校正，这通常是局部误差且相对可预测的。缓解串扰错误需要理解，建模和定义它们。在本文中，我们介绍了一个用于串扰错误的综合框架，以及用于检测和本地化的协议。我们给出了严格的串扰误差的偏见，该错误捕获了被称为“ Crosstalk”的各种不同的物理杂物，以及用于无串扰量子处理器的混凝土模型。违反此模型的错误是串扰错误。接下来，我们给出了串扰错误的等效但纯粹的（独立于模型的）定义。使用此定义，我们构建了一种协议，用于通过发现观察到的实验概率之间的条件依赖性来检测多Quit处理器中的一大批串扰误差。这是高度有效的，从某种意义上说，独特的实验数量最多可以在立方体上重新提出尺度，而且通常是四边形的量子数。我们使用2量和6 Quibit Process的模拟演示了协议。
开放量子系统中的算子增长 - CDN
引言：传统上，量子多体系统的研究集中于预测少体可观测量，如局部相关函数。最近，受量子热化和混沌[1]、量子系统的经典模拟[2]和量子引力[3]中基本问题的启发，物理学家们转向了一项互补的研究：量化多体动力学本身的复杂性。这一研究的核心是量子信息扰乱的概念；在几乎所有相互作用的多体量子系统中，最初在局部算子中编码的信息会逐渐变得高度非局部[4-6]。值得注意的是，最近的实验进展使得直接测量扰乱成为可能——这项任务最常见的是利用时间倒退演化[7-14]，但也可以使用系统的多个副本[15-17]或随机测量[18,19]来执行。在这样的系统中，扰乱动力学、外部退相干和实验噪声之间的相互作用引发了一个基本问题：开放量子系统中量子信息扰乱的本质是什么[13,16,20 – 31]？在本文中，我们引入了一个基于算子尺寸分布的通用框架[32 – 35]，用于捕捉局部误差对扰乱动力学的影响。具体来说，我们推测混沌多体系统中误差的传播从根本上受时间演化算子的尺寸分布控制，与微观误差机制无关。我们的框架立即为 Loschmidt 回声[36 – 38] 和非时序相关 (OTOC) 函数 [39,40] 提供了预测。具体来说，我们预测 Loschmidt 回声的衰减（用于测量与时间向后演化相关的保真度）发生在