XiaoMi-AI文件搜索系统
World File Search System误差
用于量子误差缓解的通用采样下限
出于抑制噪声对中型量子设备影响的迫切需求，已经提出了许多量子误差缓解协议。然而，它们的普遍潜力和局限性仍然难以捉摸。特别是，要了解量子误差缓解的最终可行性，必须表征基本采样成本——任意缓解协议必须运行多少次有噪声的量子设备。在这里，我们建立了量子误差缓解采样成本的通用下限，以高概率实现所需的精度。我们的界限适用于一般的缓解协议，包括涉及非线性后处理的协议和尚未发现的协议。结果表明，对于各种噪声模型，缓解误差的广泛协议所需的采样成本必须随着电路深度呈指数增长，揭示了有用的有噪声的近期量子设备可扩展性的基本障碍。
任意大小黑盒量子的误差抑制...
对于 NISQ 设备的应用而言，在不进行完全纠错的情况下有效抑制错误至关重要。错误缓解使我们能够在提取期望值时抑制错误，而无需任何纠错码，但其应用仅限于估计期望值，无法为我们提供作用于任意量子态的高保真量子操作。为了应对这一挑战，我们建议将错误过滤 (EF) 用于基于门的量子计算，作为一种实用的错误抑制方案，而无需诉诸完全量子纠错。结果是一个通用的错误抑制协议，其中抑制错误所需的资源与量子操作的大小无关，并且不需要对操作进行任何逻辑编码。只要遵守错误层次结构，即当辅助 cSWAP 操作的噪声小于要纠正的操作时，该协议就会提供错误抑制。我们进一步分析了 EF 在量子随机存取存储器中的应用，其中 EF 提供了硬件高效的错误抑制。
用于将过程分布到多个温度层的量子误差校正的量子计算机体系结构
摘要 — 量子计算机能够比传统的经典计算机在更短的时间内完成大规模计算。由于量子计算机是在微观物理系统中实现的，因此由于环境之间的相互作用，量子态不可避免地会发生意外变化，从而导致计算错误。因此，需要量子误差校正来检测和纠正已发生的错误。在本文中，我们提出了用于量子误差校正的量子计算机架构，考虑到硅量子点量子计算机的组件在稀释制冷机内外分为多个温度层。控制量子位的模拟信号在稀释制冷机内的 4 K 台上精确生成，而实时数字处理在稀释制冷机外进行。然后，我们通过实验演示了用于量子误差校正的数字控制序列，并结合了在量子计算过程中模拟量子态的模拟器。包括确定前馈操作和传输前馈操作命令在内的实时处理由稀释制冷机外的 FPGA 在 0.01 毫秒内进行，以进行位翻转误差校正。与假设的弛豫时间相比，这是一个足够短的时间，而假设的弛豫时间是量子态可以保留的近似时间，这意味着我们提出的架构适用于量子误差校正。索引术语——量子计算机、量子计算、架构、量子误差校正、前馈
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。
表面代码中的相干误差和读出误差
我们考虑了读出误差和相干误差（即确定性相位旋转）对表面代码的综合影响。我们使用一种最近开发的数值方法，通过将物理量子位映射到马约拉纳费米子。我们展示了如何在存在读出误差的情况下使用这种方法，在现象学层面上进行处理：完美的投影测量，可能记录错误的结果，以及多次重复的测量。我们发现这种错误组合的阈值，其错误率接近相应非相干错误通道（随机 Pauli-Z 和读出误差）的阈值。使用最坏情况保真度作为逻辑错误的度量，阈值错误率的值为 2.6%。低于阈值，扩大代码会导致逻辑级错误的相干性迅速丧失，但错误率高于相应非相干错误通道的错误率。我们还分别改变了相干和读出误差率，发现表面代码对相干误差比对读出误差更敏感。我们的工作将最近关于完美读出的相干误差的结果扩展到实验上更现实的情况，即读出误差也会发生的情况。
EEG 误差相关电位编码误差大小和个体感知阈值
摘要 错误相关电位 (ErrPs) 是绩效监控的重要脑电图 (EEG) 相关因素，对于学习和调整我们的行为至关重要。人们对 ErrPs 是否编码了除错误意识之外的更多信息知之甚少。我们报告了一项有 16 名参与者参加的实验，该实验分为三个环节，在执行光标到达任务期间偶尔会发生不同程度的视觉旋转。我们设计了一个脑机接口 (BCI) 来检测提供实时反馈的 ErrPs。单个 ErrP-BCI 解码器在各个环节之间表现出良好的传输性能，并且在错误幅度上具有可扩展性。ErrP-BCI 输出与错误幅度之间的非线性关系可预测个人感知阈值以检测错误。我们还揭示了与所需调整幅度共同变化的 θ-γ 振荡耦合。我们的研究结果为探索和扩展当前的绩效监控理论开辟了新途径，通过结合连续的人机交互任务和对 ErrP 复合物而非单个峰值的分析。
量子误差校正和大n
玻璃具有既不是整合也不完全混乱的有趣特征。它们在子空间内迅速热量，但由于高自由能屏障，将配置空间划分为分节器，因此在整个空间中热量较慢。过去的作品已将Rosenzweig-Porter（RP）模型视为一种最小的Quantum模型，该模型从本地化到混乱行为过渡。在这项工作中，我们以这样的方式将RP模型融为一体，使其成为一个最小模型，从玻璃状行为转变为混乱行为，我们将其称为“块Rosenzweig-Porter”（BRP）模型。我们在所有时间尺度上计算出大于逆光谱宽度的所有模型的光谱形式因子。虽然RP模型在无情的时间范围内表现出从本地化到神性行为的交叉，而新的BRP模型则从玻璃状到完全混乱的行为跨越了，这是从光谱形式坡道陡峭的变化所看到的。
量子误差校正和高能量理论
位flip x | a⟩= | a +1⟩相位翻转z | a⟩=（ - 1）a | a bit＆phase flip y | a⟩= i（ - 1）a | A + 1⟩
多体纠缠与量子误差识别...
如果任何 m 个量子比特的约化密度矩阵被最大程度地混合，则称纠缠态为 m -均匀。这与纯量子纠错码 (QECC) 密切相关，后者不仅可以纠正错误，还可以识别错误的具体性质和位置。在这里，我们展示了如何使用局域门或相互作用创建 m -均匀状态，并阐明了几种 QECC 应用。我们首先表明 D 维簇状态是 m -均匀的，其中 m = 2 D 。这种零相关长度簇状态对其 m = 2 D 均匀性没有有限大小校正，这对于无限和足够大但有限的晶格都是精确的。然而，在每个 D 维度中晶格扩展的某个有限值（我们将其限制）下，由于有限支撑算子缠绕在系统周围，均匀性会降低。我们还概述了如何使用准 D 维簇状态实现更大的 m 值。这为使用簇状态对量子计算机上的错误进行基准测试提供了可能性。我们在超导量子计算机上展示了这种能力，重点关注一维团簇状态，我们表明，它可以检测和识别 1 量子比特错误，区分 X、Y 和 Z 错误。
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。