XiaoMi-AI文件搜索系统
World File Search System线性组合
![arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日](/simg/g:\will\search\icon\source\1\19db740cce0245b08c148ebef75956b87001d07d.webp)
arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日
我们提出了用于经典模拟高斯幺正和应用于非高斯初始状态的测量的有效算法。这些构造基于将非高斯状态分解为高斯状态的线性组合。我们使用协方差矩阵形式的扩展来有效地跟踪高斯状态叠加中的相对相位。我们得到了一个精确的模拟算法，其成本与表示初始状态所需的高斯状态数成二次方关系，以及一个近似模拟算法，其成本与与叠加相关的系数的 l 1 范数成线性关系。我们定义了量化此模拟成本的非高斯性度量，我们将其称为高斯秩和高斯范围。从量子资源理论的角度，我们研究此类非高斯性测度的性质，并计算与连续变量量子计算相关的状态的最佳分解。
云端的量子计算硬件
图 1 (A) 来自参考文献 [23] 的同心 transmon 量子比特设计及其等效电路图（插图）。两个超导岛（绿色和蓝色）由一个小的约瑟夫森结桥（橙色）分流。使用共面波导谐振器（红色）读出量子比特状态。该读出谐振器电感耦合到信号线（黑色）。（B）transmon 量子比特的状态由约瑟夫森结的正弦电位（黑色实线）决定。在相位基（Δφ）中求解，特征能量（实线）可以用谐振子（虚线，相应颜色）来近似，其简并性通过结上的电容充电能量的一阶校正来消除[24 – 26]。（C）布洛赫球面图。基态 j 0 i 和第一个激发态 j 1 i 用于定义量子比特的逻辑状态 j ψ i ，它是 j 0 i 和 j 1 i 的线性组合，具有各自的复振幅 α 和 β 。j ψ i 可以通过电压脉冲和门控操作进行操纵，并通过投影到指定的测量基础上进行读出
通过逐层优化脑外科医生学习修剪深度神经网络
如何开发精简而准确的深度神经网络对于实际应用至关重要，尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果，但是大多数现有方法要么无法显著压缩训练有素的深度网络，要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中，我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中，每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明，修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差，只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验，以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在：https://github.com/csyhhu/L-OBS 。
矩阵问题和机器学习的量子算法
1使用LCU方法11 1.1简介的Hermitian矩阵实施功能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.2预序。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 1.3光谱法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 1.4单位方法（LCU）方法的线性组合。。。。。。。。。。。。。。16 1.5 qubitisation或块编码方法。。。。。。。。。。。。。。。。。。。18 1.6使用LCU方法实现平滑功能。。。。。。。。。。。。20 1.6.1 Chebyshev系列。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 1.6.2算法描述和复杂性。。。。。。。。。。。。。。。。。。23 1.7特殊功能类。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>26 1.8讨论。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>28 div>
使用...对开放量子系统进行量子模拟
现实物理和化学系统中的电子传输通常涉及与大环境进行非平凡的能量交换，这需要定义和处理开放量子系统。由于开放量子系统的时间演化采用非幺正算子，因此开放量子系统的模拟对于仅由幺正算子或门构成的通用量子计算机提出了挑战。这里，我们提出了一种通用算法，用于实现任何非幺正算子对量子设备上任意状态的作用。我们表明，任何量子算子都可以精确分解为最多四个幺正算子的线性组合。我们在零温度和有限温度振幅阻尼通道中的两级系统中演示了这种方法。结果与经典计算一致，显示出在模拟中期和未来量子设备上的非幺正操作方面的前景。
线性规划中心路径法量子加速方法的实证评估
线性规划 (LP) 是理论和实践科学与工程领域的重要工具。它被广泛应用于解决各个领域的优化问题，包括运筹学、工程学、经济学，甚至组合学等更抽象的数学领域。LP 可应用于机器学习和数值优化。LP 的一些应用示例包括ℒ1 正则化支持向量机 (SVM) [1]、基追踪 (BP) 问题 [2]、稀疏逆协方差矩阵估计 (SICE) [3]、非负矩阵分解 (NMF) [4]、MAP 推理 [5] 和对抗性深度学习 [6,7]。Fung 等人 [8] 介绍了一种学习核函数的技术，该核函数是其他半正定核的线性组合。他们展示了如何利用对角优势约束通过线性规划获得近似核。此方法可用于使用混合核进行特征选择。这是线性规划在计算支持向量机核中的一个重要用途。本段中提到的结果说明了线性规划在解决优化问题中的实用性
![arXiv:2001.07671v1 [cond-mat.mes-hall] 2020 年 1 月 21 日](/simg/g:\will\search\icon\source\5\5fca82bc5641f68f1287c784cea762d6a2c5d072.webp)
arXiv:2001.07671v1 [cond-mat.mes-hall] 2020 年 1 月 21 日
静电定义的半导体量子点阵列为量子计算和量子模拟提供了一个有前途的平台。然而，栅极电压与点电位和点间隧道耦合的串扰使器件参数的调整变得复杂。到目前为止，点电位的串扰通常使用所谓的虚拟门来有效地补偿，虚拟门是物理栅极电压的特定线性组合。然而，由于隧道耦合对栅极电压呈指数依赖性，目前通过缓慢的迭代过程来补偿隧道屏障的串扰。在这项工作中，我们表明，可以利用相同的指数依赖性适用于所有栅极这一事实，有效地表征和补偿隧道屏障上的串扰。我们展示了四重量子点阵列中串扰的有效校准，并定义了一组虚拟屏障门，通过它们我们展示了对所有点间隧道耦合的正交控制。我们的方法标志着大规模量子点阵列调谐过程的可扩展性迈出了关键一步。
近期量子设备上的维格纳态和过程断层扫描
摘要 我们提出了一种用于近期量子设备的基于扫描的实验断层扫描方法。该方法的基础方法之前已在基于集合的 NMR 设置中引入。在这里，我们提供了教程式的解释以及合适的软件工具，以指导实验人员将其适应近期的纯态量子设备。该方法基于量子态和算子的 Wigner 型表示。这些表示使用由球谐函数的线性组合组装而成的形状提供了量子算子的丰富可视化。这些形状（以下称为液滴）可以通过测量旋转轴张量算子的期望值进行实验断层扫描。我们提出了一个用于实现基于扫描的断层扫描技术的实验框架，用于基于电路的量子计算机，并展示了 IBM 量子经验的结果。我们还提出了一种从实验断层扫描的 Wigner 函数（液滴）估计密度和过程矩阵的方法。可以使用基于 Python 的软件包 DROPStomo 直接实现此断层扫描方法。
SU(2) 离散子群的原始量子门
格点规范理论 (LGT) 中量子效用的可能性非常大 [1 – 4] 。也许最重要的是，它为符号问题提供了一个优雅的解决方案，从而导致经典计算资源的指数级扩展 [5] ，从而无法在有限费米子密度和存在拓扑项的情况下进行大规模动力学模拟。为了研究这些基础物理主题，需要许多量子子程序。第一项任务是准备感兴趣的强耦合态，包括基态 [6 – 12] 、热态 [13 – 23] 和碰撞粒子 [24 – 34] 。对于动力学应用，时间演化算子 UðtÞ¼e−iHt 必须近似，并且存在许多不同的选择；特罗特化 [35,36]、随机编译 [37,38]、泰勒级数 [39]、量子比特化 [40]、量子行走 [41]、信号处理 [42]、幺正的线性组合 [38,43] 和变分方法 [44 – 47]，每种方法都有自己的权衡。除了状态准备和演化之外，重要的是需要开发有效的技术 [48 – 51] 和公式 [52 – 63] 来测量物理可观测量。为实现这一点，可以进一步使用算法改进，如误差缓解和校正
一种用于多传感器故障弹性位姿估计的分散传感器融合方案
摘要：本文提出了一种新型的分散式两层多传感器融合架构，用于建立一种新型的弹性姿态估计方案。正如将要介绍的那样，融合架构的第一层考虑一组分布式节点。来自不同传感器的所有可能的姿态信息组合被整合在一起，以获得通过涉及多个扩展卡尔曼滤波器获得的各种估计姿态可能性。基于从第一层获得的估计姿态，在第二层引入了故障弹性最佳信息融合 (FR-OIF) 范式以提供可信的姿态估计。第二层将每个节点（在第一层构建）的输出合并为加权线性组合形式，同时明确考虑最大似然融合标准。此外，在测量不准确的情况下，所提出的 FR-OIF 公式通过嵌入内置故障隔离机制实现了自我弹性。此外，FR-OIF 方案还能够在传感器故障或错误测量的情况下解决精确定位问题。为了证明所提出的融合架构的有效性，已经对微型飞行器进行了广泛的实验研究，该飞行器配备了各种机载姿态传感器，例如 3D 激光雷达、实感摄像头、超宽带节点和 IMU。所提出的新框架的效率是可扩展的