XiaoMi-AI文件搜索系统
World File Search System相邻节点
分布式Merlin-Arthur量子态合成及其应用
量子态的生成和验证是量子信息处理的基本任务，最近由 Irani、Natarajan、Nirkhe、Rao 和 Yuen [CCC 2022]、Rosenthal 和 Yuen [ITCS 2022]、Metger 和 Yuen [QIP 2023] 在状态合成这一术语下进行了研究。本文从量子分布式计算，特别是分布式量子 Merlin-Arthur (dQMA) 协议的角度研究了这一概念。我们首先在线上介绍一项新任务，称为具有分布式输入的状态生成 (SGDI)。在这个任务中，目标是在线的最右边节点生成量子态 U | ψ ⟩，其中 | ψ ⟩ 是在最左边节点给出的量子态，U 是一个酉矩阵，其描述分布在线的各个节点上。我们为 SGDI 提供了一个 dQMA 协议，并利用该协议为 Naor、Parter 和 Yogev [SODA 2020] 研究的集合相等问题构建了一个 dQMA 协议，并通过展示该问题的经典下限来补充我们的协议。我们的第二个贡献是基于 Zhu 和 Hayashi [Physical Review A, 2019] 的最新研究的 dQMA 协议，用于在没有量子通信的情况下在网络的相邻节点之间创建 EPR 对。作为此 dQMA 协议的一个应用，我们证明了一个通用结果，该结果展示了如何将任意网络上的任何 dQMA 协议转换为另一个 dQMA 协议，其中验证阶段不需要任何量子通信。
Q-FiRM：基于保真度的量子网络速率最大化路由
摘要 — 端节点之间的高效信息路由是安全量子网络和量子密钥共享的关键推动因素，这依赖于随时间推移创建和维持纠缠态。然而，这种成对纠缠会由于通道损耗和网络节点上纠缠光子的存储而退化。纠缠态反过来会影响保真度，保真度是量化一对量子态相似程度的指标。在本文中，我们提出了一种路由解决方案，该解决方案可满足接收器对从多个发射器节点接收的量子信息施加的阈值保真度要求。我们的解决方案从网络内的此类节点池中选择中间中继器，以最大化量子信息传输的总速率。为此，我们首先提供相邻节点之间保真度损失以及端到端量子数据速率的表达式。然后，我们提出了一种新颖的两阶段路由解决方案，该解决方案（i）使用保真度作为成本度量来确定每个发射器的 k 条最短路径，以及（ii）（启发式地）根据中继器节点是否具有单个或多个可用内存单元为每个发射器分配一条路径。模拟结果表明，我们提出的基于保真度的路由解决方案满足广泛的保真度要求 [0.6-0.79]，同时最大化量子信息传输速率，优于现有的基于距离和跳跃的路由方法。索引术语 — 量子网络、量子中继器、量子路由、量子通信、纠缠
AI和大型模型的基础
近年来，基于深度卷积网络的对象重新识别（REID）的性能已达到很高的水平，并且取得了不错的进步。现有方法仅着眼于特征和分类精度的鲁棒性，而忽略了不同特征之间的关系（即画廊 - 壁画对之间的关系或探测 - 探针对之间的关系）。特别是，位于决策边界的探针是抑制对象REID性能的关键。我们将此探针视为硬样本。最近的研究表明，图形卷积网络（GCN）显着改善了特征之间的关系。但是，将GCN应用于对象REID仍然是一个悬而未决的问题。本文提出了两个可学习的GCN模块：特征聚合图卷积网络（FA-GCN）和评估连接图卷积网络（EC-GCN）。具体来说，预处理选择一个任意特征提取网络来提取对象REID数据集中的功能。给定探针，FA-GCN通过画廊集的亲和力图聚集了相邻节点。之后，EC-GCN使用随机概率库采样器来构建子图，以评估探针 - 壁画对的连通性。最后，我们将节点特征和连接比共同汇总为一个新的距离矩阵。对两个人REID数据集（Market-1501和Dukemtmc-Reid）和一个车辆REID数据集（VERI-776）的实验结果表明，所提出的方法可实现最先进的性能。