XiaoMi-AI文件搜索系统
World File Search System误差
用BATH对蛋白质编码DNA的敏感且耐误差的注释
我们提出了Bath，这是一种基于该DNA与蛋白质序列数据库的直接比对或对蛋白质序列的数据库的直接比对或蛋白质序列或profe file file file隐藏的马尔可夫模型（PHMMS）的高度敏感注释的工具。BATH建立在HMMER3代码库的顶部，并通过提供直接的输入接口和易于解释的输出来简化基于PHMM的注释的注释工作。BATH还引入了新型的Frameshift感知算法，以检测诱导核苷酸插入和缺失（Indels）。BATH匹配HM-MER3对于包含误差的序列注释的准确性，并产生与所有经过测试的工具相比，用于含有核苷酸indels的序列的所有测试工具。这些结果表明，当需要高注释灵敏度时，应使用浴缸，尤其是当预期的移码误差被期望中断蛋白质编码区域时，与长期读取的数据和假基因的背景下一样。
误差相关电位变异性：探索对分类和可转移性的影响
摘要 — 脑机接口 (BCI) 允许从大脑到外部应用程序直接通信，以自动检测认知过程，例如错误识别。错误相关电位 (ErrPs) 是当一个人犯下或观察到错误事件时引发的一种特殊大脑信号。然而，由于大脑和记录设备的噪声特性，ErrPs 会因各种其他大脑信号、生物噪声和外部噪声的组合而有所不同，这使得 ErrP 的分类成为一个不简单的问题。最近的研究揭示了导致 ErrP 变化的特定认知过程，例如意识、体现和可预测性。在本文中，我们探索了在通过改变给定任务的意识和体现水平而生成的不同 ErrP 变化数据集上进行训练时分类器可迁移性的性能。特别是，我们研究了当由相似和不同的任务引发时观察性和交互性 ErrP 类别之间的转移。我们的实证结果从数据角度对 ErrP 可转移性问题进行了探索性分析。
始终在量子误差跟踪中，连续奇偶校验测量
我们研究了连续奇偶校验测量的量子误差校正，以用三量码纠正比率误差。连续监视错误带来了连续信息流的好处，这有助于实时被动错误跟踪。它从基于标准的门的方法中降低了开销，该方法定期纠缠并测量其他Ancilla Qubit。但是，连续平价测量的嘈杂模拟信号要求更复杂的信号处理来准确解释综合征。我们分析了几种实践过滤方法的性能，以进行连续误差纠正，并证明它们是基于标准Ancilla的方法的可行替代方案。作为一种最佳过滤器，我们讨论了一种不正常的（线性）贝叶斯过滤器，并且与Mabuchi引入的相关WONHAHHAMELTER相比，具有改进的构成效率[New J. Phys。11，105044（2009）]。 我们将这种相当的连续滤波器与最简单的周期性盒车平衡和阈值过滤器的两个实际变化进行了比较，以低延迟电路为目标实时硬件实现。 作为变体，我们引入了一个非马克维亚“半盒车”过滤器和带有可调节阈值的马尔可夫过滤器；这些滤波器消除了盒装填充中的主要误差源，并与最佳过滤器相比有利。 对于每个滤波器，我们在平均值中得出衰减的分析结果，并通过数值模拟对其进行验证。11，105044（2009）]。我们将这种相当的连续滤波器与最简单的周期性盒车平衡和阈值过滤器的两个实际变化进行了比较，以低延迟电路为目标实时硬件实现。作为变体，我们引入了一个非马克维亚“半盒车”过滤器和带有可调节阈值的马尔可夫过滤器；这些滤波器消除了盒装填充中的主要误差源，并与最佳过滤器相比有利。对于每个滤波器，我们在平均值中得出衰减的分析结果，并通过数值模拟对其进行验证。
测量量子计算机上的相关量子比特误差
缺乏纠错能力是阻碍科学家开发全尺寸量子计算机的障碍之一。纠正相关错误需要庞大而复杂的纠错方案，这些方案难以实施且成本高昂。在我的实验中，我研究了真实 IBM 量子计算机上量子计算中相关错误的普遍性，以提高对纠错的理解。我假设量子位在相邻时会出现相关错误，但在非相邻时不会出现相关错误。
用于缓解量子误差的开销基准测试管道
零噪声外推 (ZNE) 是一种量子经典混合技术。它运行噪声水平不断增加的量子电路，提取每个电路的期望值，然后使用经典拟合外推无噪声环境中的理想期望值。在 Mitiq 的 ZNE 实现中，有两个相关的经典变量：(1) 用于查找 y 截距（理想期望值）的外推或拟合类型和 (2) 噪声缩放值，它们决定了噪声在运行的每个附加电路中如何增长 [3]。
提高量子误差校正的变异量子算法的速度
我们考虑为作用在量子电路上的通用量子噪声设计合适的量子误差校正程序（QEC）程序的问题。通常，没有分析通用程序来获得编码和校正统一门，如果噪声未知并且必须重建噪声，问题甚至更难。现有过程依赖于变分的量子算法（VQA），并且由于成本函数的梯度的大小随量子数而衰减，因此很难训练。我们使用基于量子1（QW 1）的量子Wasserstein距离的成本函数来解决此问题。在量子信息处理中通常采用的其他量子距离方面，QW 1缺少单一不变性属性，这使其成为避免被困在本地最小值中的合适工具。专注于一个简单的噪声模型，该模型已知确切的QEC解决方案，并且可以用作理论基准，我们进行了一系列数值测试，这些测试表明如何通过QW 1指导VQA搜索，确实可以显着提高成功培训的可能性，并在使用恢复状态的情况下，以实现的态度来实现会议的方法。
用于设计和验证量子误差校正的图形结构
摘要我们引入了一个高级图形框架，用于设计和分析量子误差校正代码，该代码为中心，以我们称为相干奇偶校验检查（CPC）。图形公式基于量子可观察物的ZX -Calculus的示意工具。最终的框架导致了稳定器代码的构造，该框架使我们能够根据经典的框架设计和验证广泛的量子代码，这提供了一种使用分析和数值方法来发现大量代码的方法。我们特别关注较小的代码，这将是近期设备首次使用的代码。我们展示了CSS代码如何形成CPC代码的子集，更一般而言，如何计算CPC代码的稳定器。作为此框架的明确示例，我们提供了一种将几乎所有经典[N，K，3]代码转换为[[2 N -K + 2，K，3]] CPC代码的方法。此外，我们提供了一种简单的机器搜索技术，该技术产生了数千个潜在的代码，并演示了距离3和5代码的操作。最后，我们使用图形工具来说明如何在CPC代码中执行Clifford计算。由于我们的框架提供了一种新的工具，用于构建具有相对较高代码速率的中小型代码，因此它为可能适合新兴设备的代码提供了新的源，而其ZX-钙库基础则可以自然地与图形编译器工具链进行自然误差校正。它还提供了一个有力的框架，用于推理所有尺寸的所有稳定器量子误差校正代码。
全息量子计算：一种可扩展且误差较小的... - OSF
这项工作引入了全息量子计算，这是一种利用全息原理和 AdS/CFT 对应来解决量子信息处理中的关键挑战（例如可扩展性和纠错）的新范式。通过在高维空间的边界上全息编码量子信息，我们提出了一个框架，与传统的基于量子比特的方法相比，该框架在可扩展性和错误恢复方面有显著的改进。我们用于全息量子计算的综合理论模型包括构建全息量子纠错码，该码具有内在的纠错特性和较低的容错开销。我们提出了利用信息几何编码的新算法，例如弯曲空间上的量子行走和双曲图中的路径查找，展示了潜在的加速和资源效率。此外，我们还探索了在全息框架内实现标准量子算法，例如量子傅里叶变换 (QFT)。本文还详细介绍了使用模拟量子模拟器、超导量子比特阵列和混合经典量子系统的物理实现策略，重点介绍了实现全息量子计算机的实用途径。我们的结果表明，全息量子计算不仅增强了量子计算的能力，而且还深入了解了量子信息、时空和引力之间的基本联系。这种跨学科方法开辟了量子计算和基础物理学的新领域，为后量子密码学、量子模拟和加速科学发现提供了潜在的突破。
超导量子处理器上的统计阶段估计和误差缓解
量子相估计（QPE）是一种关键量子算法，已广泛研究它作为对未来易耐故障量子计算机进行化学和固态计算的方法。最近，几位作者提出了QPE的统计替代方法，这些替代方案对早期容忍设备有好处，包括较短的电路和更好的减轻误差技术的适用性。然而，缺乏对实际量子处理器算法的实验研究。在这里，我们对Rigetti超导处理器实施统计阶段估计。特别是，我们使用Lin和Tong [Prx Quantum 3，010318（2022）]算法的修改，并改善了Wan等人的傅立叶近似。[物理。修订版Lett。 129，030503（2022）]并应用一项变分兼容技术来减少电路深度。 然后，我们结合了减轻错误的策略，包括零噪声外推和减轻读数的读数和读数。 我们提出了一种从统计阶段估计数据中估算能量的新方法，发现相对于先前的理论界限，最终能量估计的准确性提高了1-2个数量级，从而降低了执行准确的相位估计计算的成本。 我们将这些方法应用于四个轨道中多达四个电子的活性空间的化学问题，包括应用量子嵌入方法，并使用它们在化学精度中正确估计能量。Lett。129，030503（2022）]并应用一项变分兼容技术来减少电路深度。然后，我们结合了减轻错误的策略，包括零噪声外推和减轻读数的读数和读数。我们提出了一种从统计阶段估计数据中估算能量的新方法，发现相对于先前的理论界限，最终能量估计的准确性提高了1-2个数量级，从而降低了执行准确的相位估计计算的成本。我们将这些方法应用于四个轨道中多达四个电子的活性空间的化学问题，包括应用量子嵌入方法，并使用它们在化学精度中正确估计能量。我们的工作表明，统计阶段估计具有自然的弹性，尤其是在缓解相干错误之后，并且可以达到比以前分析所建议的要高得多的准确性，这表明其作为早期耐故障设备的有价值的量子算法的潜力。
非平衡量子动力学缓解量子误差
我将重点关注基于超导量子位的量子计算机（请参阅史蒂文·吉尔文（Steven Girvin）的介绍），因为Crystal Noel在BSS讲座中涵盖了其他硬件平台（Next！），Immanuel Bloch（本周），Giulia Semeghini（较早）和更早的讲座 - 并且有很多一般相似之处。