XiaoMi-AI文件搜索系统
World File Search System张量
具有张量处理单元的大规模量子化学
在基于量子的计算方法领域，密度泛函理论 (DFT) 尤其引人注目，因为它能够以相对较低的计算成本为广泛的系统产生准确的结果。8 因此，每年都有大量的计算研究利用 DFT 计算。例如，美国国家能源研究科学计算中心 (NERSC) 报告称，2018 年其超级计算机资源的近 30% 仅用于 DFT 计算。9 广泛的研究和开发工作不断致力于优化 DFT 计算的性能和准确性，从而产生了大量开源和商业 DFT 软件包。10 一些软件包可以利用专用硬件（例如通用图形处理单元 (GPU)）来承担大部分工作负载。 11 − 17 然而，在传统的 DFT 实现中，即没有对密度矩阵或哈密顿矩阵进行特定的稀疏性假设，计算成本与描述系统所用轨道数量 N 的三次方成比例（在本文中称为 O(N3) DFT），并且这种立方缩放通常使模拟大型系统（如蛋白质−配体复合物或金属−有机框架）18 的成本变得非常昂贵。
论文提案：张量网络解决量子多
本论文的目标是在张量网络领域取得进展，这是一种强大的压缩方法，然后解决理论物理学中最困难的一些问题。具体来说，目标之一是攻克强耦合量子场论，这些网络具有（最近引入的）连续极限。这篇论文将主要涉及理论，但目标是最终获得有形的数值输出。这篇论文由 PSL jeune équipe 启动基金资助。它的实际位置将位于 Inria Paris，在 Inria 团队 QUANTIC 内，这是 Inria、Mines 和 ENS Paris 的合资企业。感兴趣的候选人应尽快与我们联系，理想情况下可以先从实习开始（也可能获得资助）以熟悉该主题，然后再考虑 3 年的承诺。
量子电路和张量网络之间的协同作用
虽然最近的突破已经证明了嘈杂的中型量子 (NISQ) 设备能够在经典的难处理采样任务中实现量子优势，但使用这些设备解决更实际相关的计算问题仍然是一个挑战。实现实际量子优势的提案通常涉及参数化量子电路 (PQC)，其参数可以进行优化以在整个量子模拟和机器学习中找到解决各种问题的解决方案。然而，训练 PQC 以解决实际问题仍然是一个重大的实际挑战，这主要是由于随机初始化的量子电路的优化景观中存在贫瘠高原现象。在这项工作中，我们引入了一种可扩展的程序，用于利用经典计算资源来确定 PQC 的任务特定初始化，我们表明这显著提高了 PQC 在各种问题上的可训练性和性能。对于特定的优化任务，该方法首先利用张量网络 (TN) 模拟来识别有希望的量子态，然后通过高性能分解过程将其转换为 PQC 的门参数。我们表明，这种特定于任务的初始化避免了贫瘠的高原，并有效地将经典资源的增加转化为训练量子电路的增强性能和速度。通过展示一种使用经典计算机来提升有限量子资源的方法，我们的方法说明了量子计算中量子和量子启发模型之间的这种协同作用的前景，并开辟了利用现代量子硬件的力量实现实际量子优势的新途径。
2D Pauli代码的一般张量网络解码
在这项工作中，我们为2D代码开发了一个通用张量网络解码器。具体而言，我们构成了一个解码器，该解码器近似于2D稳定器和子系统代码，但受Pauli噪声的影响。对于由N量表组成的代码，我们的解码器的运行时间为O（n log n +Nχ3），其中χ是近似参数。我们通过在三种噪声模型下研究四类代码，即规则的表面代码，不规则的表面代码，子系统表面代码和颜色代码，在钻头滑唇，相移，相动式噪声下，通过研究四类代码来证明该解码器的功能。我们表明，我们的解码器所产生的阈值是最新的，并且在数值上与最佳阈值一致，这表明在所有这些情况下，张量网络解码器很好地近似于最佳解码。对我们解码器的小说是任意2D张量网络的有效有效的近似收缩方案，这可能具有独立的关注。我们还发布了该算法的实现，作为独立的朱莉娅软件包：sweepContractor.jl [1]。
来自纠缠态几何的张量网络表示
如何控制系统规模增大时复杂性的指数增长是量子多体系统理论的主要问题之一。过去二十年，量身定制的 Ansatz 类（如张量网络态）在数值计算 [ 1 – 4 ] 和分析工作 [ 5 , 6 ] 方面取得了巨大进展。这些成果包括基态性质 [ 7 – 9 ]、量子相分类 [ 10 , 11 ]、无序系统 [ 12 – 16 ]、开放量子多体系统的行为 [ 17 , 18 ]、临界系统 [ 19 ]，以及与 AdS / CFT 对应相关的研究 [ 20 ]。此类张量网络方法的核心是通过应用局部线性运算从底层资源状态中获得一类感兴趣的物理状态，这可看作是应用随机局部运算和经典通信 [21]。对于矩阵积态 (MPS) 和投影纠缠对态 (PEPS)，这些状态由最大纠缠态网络给出。对于某些应用，已经引入了其他张量网络结构，如树张量网络 [22, 23] 和多尺度重正化假设 (MERA) [24, 25]，后者捕获了临界系统的基态属性。最近探索的另一种推广 MPS 和 PEPS 的途径允许除了 EPR 对之外的更一般的资源状态 [26-28]。它们基于在多个格点之间共享的多部分量子态，例如 GHZ 态 [27]。在本研究中，我们通过扩展底层资源状态或纠缠结构以及允许的操作类别，进一步推广了这种方法。更准确地说，我们允许单参数近似表示系列，它们可以以任意精度再现感兴趣的状态。我们展示了如何将这些近似表示转换为中等数量张量网络状态的线性叠加的精确表示。这种方法为某些类别的状态提供了更有效的张量网络表示，并产生了一种有效的算法来忠实地重建期望值。此外，我们获得的结果允许以普通 PEPS 的形式模拟或重新表达基于多部分资源状态的张量网络状态，从而能够通过针对 PEPS 的高度优化的方法对这些状态进行数值处理。作为一个具体的例子，我们表明，基于 [ 27 ] 中引入的 GHZ 态的二维方晶格上的半注入 PEPS 具有键维数 D ，可以表示为键维数为 2 D 的正常 PEPS。作为我们结果应用的一个例子，我们考虑共振价键 (RVB) 状态，最初被认为是自旋液体的基态 [ 29 ]，在高温超导理论中也具有重要意义 [ 30 ]。RVB 态也在 PEPS 的背景下得到了广泛的研究 [ 31 – 33 ]。在 [ 31 ] 中引入了该状态的第一个张量网络表示，即键维数等于 3 的 PEPS。我们提出了两种新的状态表示：具有非均匀键维数的 PEPS
使用张量网络制备量子态制备
抽象的量子状态制备是许多量子算法中的重要常规，包括方程式线性系统，蒙特卡洛模拟，量子采样和机器学习的解决方案。迄今为止，还没有将经典数据编码为基于门的量子设备的既定框架。在这项工作中，我们提出了一种通过将分析函数采样到量子电路中获得的矢量的编码方法，该量子电路具有相对于量子数的多项式运行时，并且提供了> 99。9％的精度，比最先进的两个Quibit Gate Fidelity更好。我们采用硬件有效的变分量子电路，这些电路使用张量网络模拟，以及向量的矩阵乘积状态表示。为了调整变化门，我们利用了融合自动梯度计算的Riemannian优化。此外，我们提出了一种“一次切割，测量两次”方法，该方法使我们在大门更新期间避免了贫瘠的高原，将其基准为100 Qubit的电路。值得注意的是，任何具有低级别结构（不受分析功能的限制）的向量都可以使用呈现的方法编码。我们的方法可以轻松地在现代量子硬件上实现，并有助于使用混合量子计算体系结构。
量子电路表示的基于张量的网络决策图
摘要 - 数十年来，已成功应用于量子物理系统的模拟网络。最近，它们也用于量子计算的经典模拟，特别是随机量子电路。本文提出了一个名为TDD（张量决策图）的决策模式数据结构，以实现张量网络的更多原则和方便的应用。这种新的数据结构为量子电路提供了紧凑而规范的表示。通过利用电路分区，可以有效地计算量子电路的TDD。此外，我们表明，张量网络在其应用中必不可少的操作（例如加法和收缩）也可以在TDD中有效地实现。提出了TDD的概念验证实施，并在一组基准量子电路上评估了其效率。预计TDD将在与量子电路有关的各种设计自动化任务中发挥重要作用，包括但不限于等效检查，错误检测，合成，仿真和验证。
用于量子机器学习的张量网络
张量网络 (TN) 曾为量子理论而开发，现已成为一种成功的机器学习 (ML) 范式。现在，它们已被移植回量子领域，即新兴的量子 ML 领域，以评估传统计算机无法有效解决的问题。它们位于物理学和 ML 之间的接口，这使得 TN 易于部署在量子计算机上。在这篇评论文章中，我们阐明了被认为注定要用于变分量子 ML 的主要架构之一。特别是，我们讨论了如何将矩阵积状态、投影纠缠对状态、树张量网络和多尺度纠缠重正化假设等布局映射到量子计算机，如何将它们用于 ML 和数据编码，以及哪些实现技术可以提高它们的性能。
有效的张量网络状态的绝热制备
尽管PARP抑制剂（PARPI）现在构成了治疗同源重组有缺陷的癌症的护理标准的一部分，但从头开始并获得了抗性限制了其整体效率。以前，BRCA1-δ11Q剪接变体的过表达已显示出引起PARPI抗性。癌细胞如何实现增加的BRCA1-δ11Q表达尚不清楚。使用具有不同BRCA1突变的同基因细胞，我们表明HuWe1的降低会导致BRCA1-δ11Q和PARPI抗性的水平增加。这种效果是针对能够表达BRCA1-δ11Q的细胞（例如BRCA1外显子11突变细胞），在无法表达BRCA1-δ11Q的BRCA1突变体中也没有看到，也没有在BRCA2突变细胞中看到。以及增加外显子11突变细胞中BRCA1-δ11Q蛋白的水平，Huwe1沉默还恢复了RAD51核灶和铂盐耐药性。HuWe1催化结构域突变。这些结果表明，如何达到BRCA1-δ11Q和PARPI耐药性的水平升高，将HuWe1识别为PARPI耐药性的候选生物标志物，以评估未来的临床试验，并说明某些PARPI耐药机制如何仅在具有特定BRCA1突变的患者中起作用。