XiaoMi-AI文件搜索系统
World File Search System近似
来自长虫洞的近似量子码
我们讨论了近似量子纠错码系列，它们作为某些由非交换项组成的量子多体哈密顿量的近简并基态出现。对于精确码，纠错条件可以用低温热场双态中双边互信息的消失来表示。我们考虑了近似码的距离概念，该概念通过要求这种互信息很小而获得，并且我们评估了 SYK 模型和一族低秩 SYK 模型的这种互信息。在外推到接近零温度后，我们发现这两种模型都产生了具有恒定速率的费米子码，因为费米子的数量 N 趋于无穷大。对于 SYK，距离按 N 1 / 2 缩放，对于低秩 SYK，距离可以任意接近线性缩放，例如 N . 99，同时保持恒定速率。我们还考虑了无低能平凡状态性质的类似物，我们将其称为无低能绝热可及状态性质，并表明这些模型确实具有可以在与系统大小 N 不成比例的时间内绝热制备的低能状态。我们讨论了这些代码的全息模型，其中较大的代码距离是由于在一个简单的量子引力模型中出现了长虫洞几何。
应用程序意识近似同质加密
完全同态加密（FHE）是在加密数据上执行计算的强大工具。Cheon-Kim-Kim-Song（CKKS）方案是近似FHE的实例化，对于具有真实和复数的机器学习应用程序特别有效。al-尽管CKK具有明确的效率优势，但混乱始终围绕着准确描述图书馆中的应用，并安全地实例化了这些问题的计划，尤其是在Li和Micciancio（Eurocrypt'21）的关键恢复攻击之后，用于IND-CPA D设置。目前在IND-CPA D的应用程序不合时宜的，通用的定义以及软件库中CKK的高效，特定于应用程序的实例之间存在差距，这导致了Guo等人的最新攻击。（USENIX SECurity'24）。要缩小此差距，我们介绍了应用程序意识到的同构加密（AAHE）的概念，并设计了相关的安全性定义。该模型更紧密地与实践中的方案实施和使用的方式更加紧密，同时还可以识别和解决流行库中潜在的漏洞。然后，我们提供了一种应用程序规范语言（ASL），并制定指南，以实现AAHE模型，以实现CKKS实际应用的IND-CPA D安全性。我们在OpenFhe库中提出了ASL的概念证明实现，以显示Guo等人的攻击方式。可以反驳。更重要的是，我们表明我们的新模型和ASL可用于确切方案的安全有效实例化，并应对Cheon等人最近的IND-CPA D攻击。（CCS'24）和Checri等。（加密24）。
物理化学、近似组成和微生物质量
摘要 随着对健康食品的需求不断增长，酸奶的配方也更多地转向活性益生菌发酵剂牛奶发酵和添加植物性食品成分来改善风味和营养成分。用益生菌发酵并添加益生元食品成分的合生元酸奶因其经科学证明的生物活性化合物可促进人体肠道健康并缓解菌群失调而成为非常受欢迎的功能性食品。因此，本研究的目的是评估添加富含花青素和生物活性多酚的新型紫叶茶 (Camelias sinensis) 泥的配制酸奶中益生菌的理化、营养近似组成和活力。全脂牛奶用 CH Hansens Limited 的益生菌发酵剂（嗜酸乳杆菌 (LA-5)、动物双歧杆菌乳亚种 -ABT 5）发酵。随后，在肯尼亚卡拉蒂纳大学食品与茶科学研讨会上，酸奶被一种新型紫茶泥强化。对配制的益生菌酸奶（PYFPT）和不含茶泥的对照酸奶的近似组成和理化性质（pH 值和矿物盐谱）进行了分析。使用 De Man、Rogosa 和 Sharpe (MRS) 厌氧菌选择性培养琼脂培养基确定益生菌菌落形成微生物的活力。即使在冷藏 28 天后，PYFPT 的 pH 值结果（4.24 ± 0.04）与对照酸奶也没有显著差异（p<0.05）。然而，除粗纤维含量（0.01 ± 0.01%）外，近似组成记录了显著差异。对照酸奶的水分含量和粗脂质含量（88.18±0.01 和（2.11±0.02）高于 PYFPT（78.14±0.04 和 1.33±0.09）。相反，配制的 PYFPT 中粗蛋白、碳水化合物和粗矿物盐的百分比（7.96±0.27、11.17±0.25；0.81±）高于对照酸奶（4.23±0.01、5.44±0.04、0.59±0.01）。添加的紫茶泥的灰分含量曲线记录了 16 种不同的矿物盐。大分子矿物质是主要的，其中钾含量最高（282 ppm），其次是钠（121 ppm）、镁（97.2 ppm）和钙（96.4 ppm）。微生物冷藏 28 天后，PYFPT 酸奶和对照酸奶的厌氧益生菌计数（6.14 - 6.80 log CFU/ml）没有统计学和显著差异。总之，该研究表明，使用紫叶茶泥配制营养强化益生菌酸奶是可行的，具有商业化的潜力。关键词：益生菌酸奶、紫叶茶、理化性质、近似值
培训数据归因与近似展开
1。它可以为多阶段培训管道（例如，基础模型和持续学习）提供TDA分析。2。它可以将算法选择纳入分析中（例如SGD与Adam）。3。即使隐式分化假设失败（例如，非构成参数），它也保持与反事实预测的密切联系。•与以前的展开方法不同，来源可以实现这些好处，同时仅需要少量的模型检查点C（例如，C = 5），而不是存储整个训练轨迹。
多角度量子近似优化算法
量子近似优化算法 (QAOA) 使用由量子演化的参数化层定义的变分拟设电路来生成组合优化问题的近似解。理论上，随着拟设深度的增加，近似度会提高，但门噪声和电路复杂性在实践中会损害性能。在这里，我们研究了一种 QAOA 的多角度拟设，它通过增加经典参数的数量来减少电路深度并提高近似率。即使参数数量增加，我们的结果表明，对于我们考虑的测试数据集，可以在多项式时间内找到好的参数。与 QAOA 相比，这种新的拟设使无限系列 MaxCut 实例的近似率提高了 33%。最佳性能的下限由传统拟设确定，我们针对八个顶点的图给出了经验结果，即多角度拟设的一层与 MaxCut 问题上传统拟设的三层相当。类似地，在 50 个和 100 个顶点图上的 MaxCut 实例集合上，多角度 QAOA 在相同深度下比 QAOA 产生更高的近似率。许多优化参数被发现为零，因此可以从电路中移除它们相关的门，从而进一步降低电路深度。这些结果表明，与 QAOA 相比，多角度 QAOA 需要更浅的电路来解决问题，使其更适合近期的中型量子设备。
线性代数难题的量子近似优化
Farhi 等人提出的量子近似优化算法 (QAOA) 是一种用于解决量子或经典优化任务的量子计算框架。在这里，我们探索使用 QAOA 解决二元线性最小二乘 (BLLS)；这个问题可以作为线性代数中其他几个难题的构建块，例如非负二元矩阵分解 (NBMF) 和非负矩阵分解 (NMF) 问题的其他变体。之前在量子计算中解决这些问题的大部分努力都是使用量子退火范式完成的。就这项工作的范围而言，我们的实验是在无噪声量子模拟器、包括设备真实噪声模型的模拟器和两台 IBM Q 5 量子比特机器上进行的。我们重点介绍了使用 QAOA 和类似 QAOA 的变分算法解决此类问题的可能性，其中试验解决方案可以直接作为样本获得，而不是在量子波函数中进行幅度编码。我们的数值结果表明，即使步骤数很少，对于采样基态的概率，模拟退火在 QAOA 深度 p ≤ 3 的情况下也能胜过 BLLS 的 QAOA。最后，我们指出了目前在基于云的量子计算机上实验实施该技术所面临的一些挑战。
维度表达力分析、最佳近似...
푎 麻省理工学院理论物理中心、量子优势联合设计中心和 NSF AI 人工智能与基本相互作用研究所，77 Massachusetts Avenue, Cambridge, MA 02139, USA 푏 Perimeter 理论物理研究所，31 Caroline Street North, Waterloo, ON N2L 2Y5, Canada 푐 巴斯大学数学科学系，4 West, Claverton Down, Bath, BA2 7AY, UK 푑 塞浦路斯研究所基于计算的科学与技术研究中心，20 KavafiStreet, 2121 Nicosia, Cyprus 푒 德国电子同步加速器 DESY，Platanenallee 6, 15738 Zeuthen 푓 柏林洪堡大学物理研究所，Newtonstraße 15, 12489 柏林，德国 푔 ICFO，巴塞罗那科学技术研究所，Av. Carl Friedrich Gauss 3，08860 Castelldefels（巴塞罗那），西班牙 电子邮件：lfuncke@mit.edu，tobias.hartung@desy.de，s.kuehn@cyi.ac.cy，karl.jansen@desy.de，manuel.schneider@desy.de，paolo.stornati@desy.de
64 位近似乘法器的实现...
第一作者 Ragini Singh 是电子和通信工程师，目前正在印度博帕尔 (MP) RGPV 攻读微电子和 VLSI 设计硕士学位。第二作者 Sandip Nemade 教授拥有 VLSI 设计学位，目前担任印度博帕尔 (MP) 技术学院电子和通信系助理教授。
量子程序的近似关系推理
摘要：量子计算在实现过程中不可避免地会存在缺陷。这些缺陷来自各种来源，包括硬件级别的环境噪声以及量子算法设计者引入的近似实现，例如低深度计算。鉴于关系逻辑在程序推理中的显著优势以及评估量子程序在其理想规范和不完美实现之间的稳健性的重要性，我们设计了一个证明系统来验证量子程序的近似关系性质。我们通过对著名的量子傅里叶变换低深度近似进行首次形式化验证，证明了我们方法的有效性。此外，我们验证了重复直到成功算法的近似正确性。从技术角度来看，我们开发了近似量子耦合作为研究量子程序近似关系推理的基本工具，这是概率程序中广泛使用的近似概率耦合的新颖概括，回答了先前提出的射影谓词的开放性问题。
Q功能近似与径向基础...
马尔可夫决策过程（MDP）是我们解决强化学习问题的框架。一组状态s，动作A和奖励有限元素构成了框架的主要组成部分。在时间步骤t上，环境具有状态s，代理商根据其观察结果选择了动作。环境现在更改为新状态S t +1，代理接收R t +1。这将继续t = 0，1，。。。，t时终端状态在时间t处发生。由于国家和奖励的有限要素，我们可以根据先前的状态建立对它们的概率分布，并在等式（1）中显示的动作。