XiaoMi-AI文件搜索系统
World File Search System目标状态
实时强化学习的复杂性分析
本文分析了在线增强学习算法的复杂性，即Q学习和价值意识的异步实时版本，应用于确定性域中达到目标状态的问题。先前的工作得出的结论是，在许多情况下，Tabula Rasa强化学习是针对此类问题的指定的，或者只有在增强学习算法时才可以处理。我们表明，相反，算法是可以处理的，而任务表示或初始化的模拟更改。我们在最坏情况的复杂性上提供了紧密的界限，并显示出复杂性是如何较小的，如果系统性学习算法对状态空间或域具有某些特殊属性的初始了解。我们还提出了一种新颖的双向Q学习算法，以从所有状态到目标状态找到最佳路径，并表明它不比其他算法更复杂。
使用零均值高斯态和部分光子数分辨检测无法产生任意非高斯态
高斯状态和测量值加在一起不足以成为量子计算的强大资源，因为任何高斯动力学都可以用经典方法高效模拟。然而，众所周知，任何一种非高斯资源（状态、幺正运算或测量）与高斯幺正值一起构成通用量子资源。光子数分辨 (PNR) 检测是一种易于实现的非高斯测量，已成为尝试设计非高斯状态以进行通用量子处理的常用工具。在本文中，我们考虑对零均值纯多模高斯状态的子集进行 PNR 检测，以此作为在未检测到的模式上预示目标非高斯状态的一种手段。这是因为使用压缩真空和被动线性光学系统可以轻松可扩展地制备具有零均值的高斯状态。我们计算了实际预示状态和目标状态之间的保真度上限。我们发现，当目标状态是多模相干猫基簇状态时，该保真度上限为 1/2，这对于通用量子计算来说是一种足够的资源。这证明了存在无法通过此方法产生的非高斯状态。我们的保真度上限是一个简单的表达式，仅取决于光子数基中表示的目标状态，它可以应用于其他感兴趣的非高斯状态。
从概率幅度计算量子力学演化的复杂性
编辑：Hubert Saleur 我们研究在配备 Fubini-Study 度量的 Bloch 球面上连接任意源状态和目标状态的时间最优和时间次优量子哈密顿演化的复杂性。这项研究分多个步骤进行。首先，我们通过路径长度、测地线效率、速度效率和连接源状态和目标状态的相应动态轨迹的曲率系数来描述每个幺正薛定谔量子演化。其次，从经典的概率设置开始，在仅对系统物理有部分了解的情况下，可以使用所谓的信息几何复杂性来描述弯曲统计流形上熵运动的复杂性，然后我们过渡到确定性量子设置。在这种情况下，在提出量子演化的复杂性定义之后，我们提出了量子复杂性长度尺度的概念。具体来说，我们讨论了这两个量的物理意义，即布洛赫球面上指定从源状态到目标状态的量子力学演化的区域的可访问（即部分）和可访问（即全部）参数体积。第三，在计算了两个量子演化的复杂性测量和复杂性长度尺度之后，我们将我们的测量行为与路径长度、测地线效率、速度效率和曲率系数的行为进行比较。我们发现，一般来说，高效的量子演化比低效的演化复杂度要低。然而，我们还观察到复杂性不仅仅是长度。事实上，弯曲程度足够的长路径可以表现出比曲率系数较小的短路径更简单的行为。
耗散量子比特的时间最优控制 - UA 存储库。
应用基于庞特里亚金最大值原理的形式化方法来确定时间最优协议，该协议通过具有有限控制的哈密顿量将一般初始状态驱动到目标状态，即存在具有有界振幅的单个控制场。浴槽和量子比特之间的耦合由林德布拉德主方程建模。耗散通常会将系统驱动到最大混合状态，因此通常存在一个最佳演化时间，超过该时间，退相干将阻止系统接近目标状态。然而，对于某些特定的耗散通道，最佳控制可以使系统无限长时间地远离最大熵状态。详细讨论了这种特定情况出现的条件。描述了构建时间最优协议的数值程序。特别是，这里采用的形式化方法可以有效地评估时间相关的奇异控制，这对于控制孤立或耗散量子比特至关重要。
引用文献 Cong S, Tang YR, Harraz S 等. 基于连续弱测量和压缩感知的在线量子状态估计. 中国科学信息科学
量子状态估计 (QSE) 是量子信息处理和量子反馈控制中最重要的工作，通常通过对一组信息完备的测量算子和相应可观测量进行强测量来实现。然而，强测量会破坏原始量子态，必须重新准备集合，并且每一步都必须重新配置测量装置。弱测量 (WM) [1] 为获取量子测量和估计量子态提供了一种替代方法。在测量过程中，通过使用连续弱测量 (CWM)，可以在不对目标状态进行实质性干扰的情况下获得目标状态信息，并且通过计算集合平均可以获得 CWM 中恢复的值。压缩感知 (CS) [2] 已被引入量子领域，以减少 QSE 所需的测量次数 [3,4]。然而，使用 CWM 和部分测量进行在线量子态估计的统一有效方案是否可行仍然未知。
使用基于估计的非线性控制律对无人机进行 3-D 目标跟踪
摘要：本文介绍了一种基于估计的反步控制律设计，用于无人驾驶飞行器 (UAV) 跟踪 3-D 空间中的移动目标。地面传感器或机载导引头天线为追踪无人机提供距离、方位角和仰角测量，追踪无人机实施扩展卡尔曼滤波器 (EKF) 来估计目标的完整状态。然后，非线性控制器利用该估计的目标状态和追踪者的状态为追踪无人机提供速度、飞行路径和航向/航向角命令。针对三种情况评估与测量不确定性有关的追踪性能：(1) 平稳白噪声；(2) 平稳有色噪声和 (3) 非平稳（距离相关）白噪声。此外，为了提高跟踪性能，通过考虑测量中与范围相关的不确定性，使测量模型更加真实，即当追逐者接近目标时，EKF 中的测量不确定性会降低，从而为无人机提供更准确的控制命令。这些情况的仿真结果显示了目标状态估计和轨迹跟踪性能。
eLandaloussi，Yannis等。了解小脑结构与社会能力之间的关系。在：分子自闭症，2023年，第1卷。 14，n°
在潜在的长距离上分发纠缠状态为量子通信和量子加密中许多协议提供了关键资源。理想情况下，应该以预言的方式实施。从四个单光子状态开始，我们在正交极性izations中级联两个单光子路径键入状态，以在单个量子中继器链接结构中分发和先驱极化纠缠。通过调整输入状态以最大程度地减少（本地）损失，理论上可以实现的忠诚度在没有选择后方法1的情况下，同时牺牲了先驱率。我们实现了选择后的目标状态超过95％的目标状态，为实验控制提供了基准，并允许首次演示与设备无关的量子键分布架构，能够在相关距离上运行。我们表明，没有选择后量表的预言状态的忠诚度也可以预测，并确定了特定于该体系结构的各种实际挑战和错误来源，并将其对生成状态的影响建模。我们的实验使用基于自发参数下调的概率光子对来源，但其中许多问题也与使用确定性光子源的变体有关。
![arXiv:2002.02242v1 [quant-ph] 2020 年 2 月 6 日](/simg/g:\will\search\icon\source\6\6402defd7676ce92d03679d2c22f8ec453819ca7.webp)
arXiv:2002.02242v1 [quant-ph] 2020 年 2 月 6 日
量子计算中的一个相关问题涉及，根据由合适的驱动汉密尔顿量指定的薛定谔量子力学演化，源状态可以多快被驱动到目标状态。在本文中，我们详细研究了在由多参数广义时间无关汉密尔顿量定义的连续时间量子搜索问题中计算从源状态到目标状态的转换概率所需的计算方面。具体来说，为了量化量子搜索在速度（最短搜索时间）和保真度（最大成功概率）方面的性能，我们考虑了从广义汉密尔顿量中出现的各种特殊情况。在最佳量子搜索的背景下，我们发现在最短搜索时间方面，它可以胜过著名的 Farhi-Gutmann 模拟量子搜索算法。相反，在近乎最佳的量子搜索的背景下，我们表明，只要寻求足够高的成功概率，就可以识别出能够胜过最佳搜索算法的次优搜索算法。最后，我们简要讨论了速度和保真度之间的权衡的相关性，重点强调了对量子信息处理具有理论和实际重要性的问题。
