XiaoMi-AI文件搜索系统
World File Search System范数
![arXiv:2210.14892v1 [quant-ph] 2022 年 10 月 26 日](/simg/3\3109eccc3a013ca1b4a857c0ee89cd697acda038.webp)
arXiv:2210.14892v1 [quant-ph] 2022 年 10 月 26 日
我们介绍了一种通用方法来准备振幅由某个已知函数给出的量子态。与现有方法不同，我们的方法不需要手工制作的可逆算术电路或量子内存负载来编码函数值。相反，我们使用模板量子特征值变换电路将低成本的正弦函数块编码转换为所需函数。我们的方法仅使用 4 个辅助量子比特（如果近似多项式具有确定奇偶性，则为 3 个），与最先进的方法相比，量子比特数减少了一个数量级，同时如果函数可以很好地用多项式或傅里叶近似表示，则使用类似数量的 Toffili 门。与黑盒方法一样，我们方法的复杂性取决于函数的“L2 范数填充分数”。我们证明了我们的方法在准备量子算法中常用的状态（例如高斯和凯泽窗口状态）方面的效率。
![arXiv:2210.02403v2 [quant-ph] 2023 年 5 月 15 日](/simg/2\23e593cd4180b2d7acab65e6a44c5d3f112c7241.webp)
arXiv:2210.02403v2 [quant-ph] 2023 年 5 月 15 日
在本文中，我们提出了一种量子算法，用于在误差修正量子计算机上计算周期性固体的基态能量。该算法基于二次量化中的稀疏量子比特化方法，并针对 Bloch 和 Wannier 基组开发。我们表明，与 Bloch 函数相比，Wannier 函数所需的计算资源较少，因为：(i) 哈密顿量的 L 1 范数要低得多，(ii) 可以利用 Wannier 函数的平移对称性来减少必须加载到量子计算机中的经典数据量。针对 NiO 和 PdO 等周期性固体，我们估算了量子算法的资源需求。这些过渡金属氧化物因其催化性能而与工业相关。我们发现，使用 200-900 个自旋轨道近似的哈密顿量的基态能量估计需要大约 10 10 –10 12 个 T 门和最多 3 · 10 8 个物理量子比特，物理错误率为 0.1%。
附录
对于所有实验，源解析器都是一个神经 PCFG [64]，具有 20 个非终结符和 20 个前终结符。所有实验共享的其他模型设置包括：（1）Adam 优化器，学习率 = 0.0005、β1 = 0.75、β2 = 0.999，（2）梯度范数剪裁为 3，（3）L2 惩罚（即权重衰减）为 10-5，（4）Xavier Glorot 均匀初始化，以及（5）训练 15 个 epoch，并在验证集上提前停止（大多数模型在 15 个 epoch 之前就收敛得很好）。SCAN 和风格迁移数据集的批次大小为 4，机器翻译数据集的批次大小为 32。由于内存限制，在实践中我们使用批次大小 1，并通过梯度累积模拟更大的批次大小。我们观察到训练有些不稳定，一些数据集（例如 SCAN 和机器翻译）需要使用 4 到 6 个随机种子进行训练才能表现良好。一般来说，我们发现过度参数化语法和使用比必要更多的非终结符是可以的 [13]。
表征连续变量高斯量子门的性能
通用连续变量量子计算所需的操作集可分为两个主要类别：高斯操作和非高斯操作。此外，任何高斯操作都可以分解为相空间位移和辛变换序列。尽管高斯操作在量子光学中无处不在，但它们的实验实现通常是理想高斯幺正的近似值。在这项工作中，我们研究了不同的性能标准，以分析这些实验近似值模拟理想高斯幺正的程度。特别是，我们发现这些实验近似值都没有均匀收敛到理想高斯幺正。但是，收敛发生在强意义上，或者如果判别策略是能量有界的，那么在 Shirokov-Winter 能量约束钻石范数中收敛是均匀的，我们在后一种情况下给出了明确的界限。我们指出了如何使用这些能量约束边界来对这些高斯幺正进行实验以实现任何所需的精度。
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
通过倾斜信息量化基于量子相干性的量子非马尔可夫性
基于非相干完全正映射和迹保持映射下量子相干性通过倾斜信息的非增性，我们提出了一种开放量子过程的非马尔可夫性测度。作为应用，通过将所提出的测度应用于一些典型的噪声信道，我们发现它等价于先前针对相位衰减和振幅衰减信道的三个非马尔可夫性测度，即基于量子迹距离、动态可分性和量子互信息的测度。对于随机酉信道，它等价于一类输出态基于相干性l 1 范数的非马尔可夫性测度，并且不完全等价于基于动态可分性的测度。我们还利用修正的Tsallis相对α相干熵来检测量子开放系统动力学的非马尔可夫性，结果表明，当α较小时，修正的Tsallis相对α相干熵比原始的Tsallis相对α相干熵更加合适。
如何引用这篇文章：江KK，唐·DJ，张PW，huo G，Yin Z（2025）ZIF-67衍生的多孔碳微结构修饰的高 -
必须加速绿色和可再生能源的发展才能达到零碳排放。代表性的可再生能源（如风能和太阳能）正在波动，并且容易受到多个环境参数的影响[1]。为了应对这些挑战，大规模储能系统的开发是必不可少的，以构建能量周期。全范数氧化还原流量电池（VRFB）由于其高能量效率，足够的安全性和长期使用寿命而脱颖而出[2]。然而，增强功率密度仍然是进一步提高VRFB经济可行性的关键目标。在各种研究方向上，越来越多的研究人员着重于改善电极的电化学性能。VRFB系统的功率密度从根本上取决于在电极 - 电解质界面上发生的氧化还原反应的速率。电极的微结构和表面特征起着确定反应速率的关键作用。通过改善电极的电化学性能，可以显着提高VRFB系统的功率密度[3]。因此，必须开发具有较高催化活性和大特定表面积的新电极材料。
优化量子电路通常很困难
为了使量子计算尽可能高效地完成，优化底层量子电路中使用的门数量非常重要。在本文中，我们发现许多近似通用量子电路的门优化问题都是 NP 难的。具体来说，我们通过将问题简化为布尔可满足性，证明了优化 Clifford+T 电路中的 T 计数或 T 深度（它们是执行容错量子计算的计算成本的重要指标）是 NP 难的。通过类似的论证，我们证明了优化 Clifford+T 电路中的 CNOT 门或 Hadamard 门的数量也是 NP 难的。同样改变相同的论证，我们还确定了优化可逆经典电路中 Toffoli 门数量的难度。我们找到了 NP NQP 的 T 计数和 Toffoli 计数问题的上限。最后，我们还证明，对于任何非 Clifford 门 G，在 Clifford+ G 门集上优化 G 计数是 NP 难题，其中我们只需要在运算符范数中的某个小距离内匹配目标单元。
基于 LPV 模型的 eVTOL 飞机自适应 MPC 运行过程中...
摘要：本文将新颖的 LPV（线性参数变化）模型和 MPC（模型预测控制）方法应用于电动垂直起降飞机的倾斜过渡过程，该飞机具有六个分布式电动旋翼和固定翼，用于平飞，其中两个旋翼可倾斜以在从悬停到稳态平飞的倾斜过渡期间产生可变推力矢量，其余四个旋翼不能倾斜。在平飞过程中，固定翼引起的气动升力保持飞行高度。基于由倾转旋翼角位置和故障旋翼速度预定的标称倾斜轨迹，通过沿倾斜轨迹线性化非线性 eVTOL 飞机模型，基于显著减少的线性时不变模型数量构建了离散时间 LPV 模型，其中倾转旋翼角度和故障旋翼速度可以实时测量。提出了一种基于σ移位H 2 范数的LPV建模误差评估方法，并设计了具有动态参考补偿的自适应模型预测控制器。仿真研究表明，基于转子故障倾斜过渡LPV模型的自适应MPC策略是成功的。
最优量子电路切割及其在聚类汉密尔顿模拟中的应用
我们研究在量子计算中用随机局部操作取代纠缠操作的方法，但代价是增加所需的执行次数。首先，我们考虑“类空间切割”，其中纠缠单元被随机局部单元取代。我们提出了一种量子动力学的纠缠测度，即乘积范围，它基于两份 Hadamard 检验来限制此替换程序的成本。用先前工作的术语来说，此过程在许多情况下产生具有最小 1 范数的准概率分解，这解决了 Piveteau 和 Sutter 的一个悬而未决的问题。作为应用，我们给出了一种改进的聚类汉密尔顿模拟算法。具体而言，我们表明可以以相互作用的代价消除相互作用，该代价是它们强度乘以演化时间之和的指数，而在弱相互作用的极限下为零。我们还给出了使用“类时间切割”用测量和准备通道替换导线的成本的改进上限。我们证明了估计输出概率时匹配的信息理论下限。