XiaoMi-AI文件搜索系统
World File Search System成功概率
用CRISPR-CAS9（Fab-Crispr）Petia Adarska 1,7，Eleanor Fox 1,7,2，Joshua Heyza 3
玻色子的非高斯量子状态是量子信息科学中的关键资源，其应用从量子计量学到易于故障的量子计算。产生的光子非高斯资源状态，例如Schrödinger的CAT和Gottesman-Kitaev-Preskill（GKP），这是具有挑战性的。在这项工作中，我们扩展了现有的被动体系结构，并探索了一系列自适应方案。我们的数值结果表明，具有等效资源的这些非高斯量子状态的成功概率和保真度的一致性。我们还探讨了损失作为主要限制因素的影响，并观察到自适应方案在成功和损失公差的总体概率方面会导致更理想的结果。我们的工作为非高斯资源状态生成提供了一种多功能框架，有可能指导未来的实验实现。
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素
b'one 在某种意义上用 O \xe2\x88\x9a \xf0\x9d\x91\xa1 步量子行走代替经典随机游走的 \xf0\x9d\x91\xa1 步。需要注意的是，量子快进只能以非常小的成功概率产生最终状态。然而，在我们的应用中，它以概率 e \xce\xa9 ( 1 ) 成功。这通过一个富有洞察力的论点表明，该论点根据经典随机游走来解释量子快进的成功概率。也就是说，它对应于经典随机游走从一个随机的未标记顶点开始，在 \xf0\x9d\x91\xa1 步后访问一个标记顶点，但在 \xf0\x9d\x91\xa1 个额外步骤后返回到未标记顶点的概率。我们表明，通过调整游走的插值参数，可以将该概率调整为 e \xce\xa9 ( 1 )。在第 2 节中描述了一些准备工作之后，我们在第 3 节中讨论了算法 1 和主要结果，并在第 4 节中提供了分析的细节。在第 5 节中，我们表明 HT + 和 HT 之间的差距确实可能非常大。我们在 \xf0\x9d\x91\x81 \xc3\x97 \xf0\x9d\x91\x81 网格上构造标记元素的排列，其中 HT + = \xce\xa9 ( \xf0\x9d\x91\x81 2 ) 但 HT = O( \xf0\x9d\x91\x93 ( \xf0\x9d\x91\x81 ))，其中 \xf0\x9d\x91\x93 任意缓慢地增长到无穷大。这表明当有多个标记元素时，Krovi 等人的算法可能严重不理想。原因是他们的算法实际上解决了一个更难的问题：它从限制在标记顶点的平稳分布中采样（在网格的情况下为均匀分布）。因此，当从该分布中采样比仅仅找到一些标记元素困难得多时，他们的算法可能会很慢。在第 6 节中，我们介绍了第二种更简单的新算法，我们推测 2 可以在 O \xe2\x88\x9a' 时间内找到一个标记元素
量子网络中多部分状态分布的多径路由
许多量子应用都利用共享的多部分状态，例如分布式量子计算[1]。，由于难以纠缠遥远的Qubits和短暂的记忆分解时间，因此在网络上分发纠缠是具有挑战性的[2]。以前关于两个用户之间纠缠分布的工作表明，多路由路由通过利用更多网络能力来提高长距离纠缠率（ER）[3]。在本文中，我们首次提出了多部分状态分布的多路径路由。结果 - 与单个路径路由相比，针对不同的双分部分，量子存储器分解时间和网络尺寸获得的网络大小 - 表明多径路由指数增加了网格拓扑上的多部分分布率。单个路径上的多径路由的改进最高，模拟的6000×ER加速度为低纠缠的成功概率和短的分解时间。结果还表明，通过尝试在多个时间步中尝试纠缠而改进的协议，这在先前的工作中未实现。
量子划分和计算：探索不同噪声源的效果
摘要我们最近的工作（Ayral等人。在IEEE计算机协会的会议记录中，ISVLSI，第138–140页，2020年。 Qubits和较浅的深度。这适应量子处理器的量子数量有限和短相干时间。本文研究了QDC过程的成功概率，研究了不同噪声源的影响 - 阅读错误，门错误和反应性。我们在ATOS量子学习机上执行详细的噪声建模，使我们能够理解权衡折衷方案，并提出有关哪些硬件噪声源的建议优先优化。我们还详细描述了我们用于在IBM的约翰内斯堡处理器上重现实验运行的噪声模型。本文还包括QDC程序中使用的方程式的详细推导，以从其片段的输出分布计算原始量子电路的输出分布。最后，我们通过张量 - 网络考虑分析了QDC方法的QDC方法的计算复杂性，并使用张量 - 网络模拟方法详细介绍了QDC方法的关系。
新一代战斗机初步设计流程
如今，复杂系统的设计遵循基于能力的方法。手头的问题是：给定一组需求（例如性能、成本等），哪个系统最能满足这些需求？当这个逆问题得到解决后，人们可以根据整体能力选择系统及其架构。在这种方法中，有必要在代表系统预期性能的需求和设计参数之间建立联系。这种参数化方法允许同时融合需求和系统设计。项目开始时做出的决策对项目的成功起着重要作用。为决策者提供帮助是一个真正的挑战，使他们能够更好地管理多个且往往相互冲突的标准，以及复杂系统设计中决策始终存在的不确定性。在项目的早期阶段，有必要了解需求如何相互作用、它们对设计有何影响、满足这些需求的设计选项是什么以及它们相关的成功概率。
带有量子频率处理器的高维离散傅里叶变换门
摘要：离散傅里叶变换 (DFT) 是光子量子信息的基础，但将其扩展到高维的能力在很大程度上取决于物理编码，而频率箱等新兴平台缺乏实用方法。在本文中，我们表明，d 点频率箱 DFT 可以用固定的三分量量子频率处理器 (QFP) 实现，只需在 d 每次增量增加时向电光调制信号添加一个射频谐波即可。我们在数值模拟中验证了门保真度 FW > 0.9997 和成功概率 PW > 0.965，最高 d = 10，并通过实验实现了 d = 3 的解决方案，利用并行 DFT 的测量来量化纠缠并对多个双光子频率箱状态进行层析成像。我们的结果为量子通信和网络中的高维频率箱协议提供了新的机会。
组成量子算法
构图是我们在经典算法设计中认为是理所当然的，并且在特殊的情况下，我们将其视为基本公理，即构成“有效”算法的基本公理应该导致“有效”的算法，即使使用这种直觉来证明我们对“有效效率”的定义合理。组成量子算法比组成经典的算法更为微妙。早就知道，零元量子算法并未构成，但事实证明，使用右算法透镜，有界元素量子算法。实际上，在界面设置中，量子算法甚至可以避免编写有限的纠错随机算法所需的对数因子，这些算法来自通过多数投票来扩增成功概率的界限。在本文中，针对一般计算机科学的听觉，我们试图为这些结果提供一些直觉：为什么组成量子算法很棘手，尤其是在零错误的环境中，但是为什么它在界限环境中比经典构图更好。
![arxiv：2401.05499v2 [Quant-ph] 2024年6月26日](/simg/g:\will\search\icon\source\8\80a945729d93f746947e680c915e9f3dee7cb815.webp)
arxiv：2401.05499v2 [Quant-ph] 2024年6月26日
我们研究了相关的非马克维亚通道的域，探索了由于非马克维亚动力学而引起的固有记忆的相关作用引起的潜在记忆。使用不同的非马克维亚性指标和措施研究了通道相关性的影响。此外，还探索了相关的非马克维亚通道的动力学方面，包括纠缠动态以及可访问状态量的变化。对Unital和非青立相关通道进行了分析。还提出和探索了一个新的使用修改后的Ornstein-Uhlenbeck噪声构建的相关通道。此外，通过研究可访问状态量的变化的研究，讨论了相关非马克维亚通道的非马克维亚性的几何影响。相关因子与误差校正成功概率之间的链接被突出显示。
![arXiv:2501.02681v1 [quant-ph] 2025 年 1 月 5 日](/simg/g:\will\search\icon\source\8\8ab98ed939b0aea654626d33b40aa484507e2024.webp)
arXiv:2501.02681v1 [quant-ph] 2025 年 1 月 5 日
相干伊辛机 (CIM) 是一个光学参量振荡器 (OPO) 量子网络，旨在找到伊辛模型的基态。这是一个 NP 难题，与几个重要的最小化问题有关，包括最大割图问题和许多类似的问题。为了提高其潜在性能，我们在高度量子状态下分析了 CIM 的相干耦合策略。为了探索这个极限，我们采用了精确的数值模拟。由于系统固有的复杂性，最大网络规模是有限的。虽然可以使用主方程方法，但对于较大的系统，它们的可扩展性会迅速降低。相反，我们使用蒙特卡洛波函数方法，该方法随着波函数维度而扩展，并使用大量样本。这些模拟涉及超过 $10^{7}$ 维的希尔伯特空间。为了评估成功概率，我们使用正交概率。我们通过使用量子叠加和时变耦合来增强量子效应，展示了通过在低耗散状态下改善模拟时间和成功率来实现量子计算优势的潜力。
基于创造复杂性的量子状态表征
量子状态的创建复杂性是从基本初始状态创建它所需的基本门的最小数量。量子状态的创建复杂性与量子电路的复杂性密切相关，量子电路的复杂性对于开发可以胜过经典算法的效率量子算法至关重要。到目前为止，尚未解决的一个主要问题是，可以使用许多基本门可以与Qubits数量缩放哪些基本门。在这项工作中，首先表明，对于完全通用的量子状态，这是指数级的（需要多个步骤，以指数为量子数的数量）以确定创建复杂性是否是多项式的。然后，可以证明，具有多项式创造复杂性的大型量子状态可以具有共同的系数特征，以便鉴于任何候选量子状态，可以设计出有效的系数采样过程，以确定状态是否属于班级或不属于较高的成功概率。因此，获得了量子状态创造复杂性的部分知识，这对于设计涉及这种状态的量子电路和算法很有用。