XiaoMi-AI文件搜索系统
World File Search System近似
QIAD：二次插值近似分数
摘要计算性能与功耗之间的平衡是计算系统中的关键限制，集成电路技术带有瓶颈。近似计算可以将准确性或误差方案的功率改善进行权衡。分裂具有很高的计算需求和延迟，是计算效率的瓶颈。我们提出了一个基于乘法性能的二次插值近似分隔线（QIAD），该分裂具有较高的统计性能。在TSMC 65NM过程中模拟和合成该设计，并根据图像颜色量化进行了测试，显示了使用诸如PSNR，MSE和SSIM等评估指标的最佳量化效果。关键词：近似计算，分隔线，硬件设计。分类：集成电路（逻辑）
量子近似优化算法（QAOA）
Farhi 等人 [ 17 ] 证明，在某些条件（难以满足）下，QAOA 可以找到组合优化问题的近似解。该算法的潜力和挑战引起了许多研究人员的注意，其中包括 [ 6 ， 29 ， 44 ] 等。QAOA 的灵感来自量子绝热算法 (QAA)，该算法旨在找到 Hermitian 矩阵的最小特征值，该特征值称为基态能量 [ 17 ， 19 ， 20 ]。QAA 从一个 Hermitian 矩阵（具有已知基态）开始，在追踪基态的同时逐渐演化为另一个具有未知基态的 Hermitian 矩阵。QAA 的演化时间可能是指数级的，因此计算成本很高 [ 17 ]。此外，QAA 的成功概率通常不是运行时间的单调函数，而 QAOA 具有最优参数的性能会随着迭代次数（称为级别）的增加而提高 [ 17 ]。
量化近似隐形传态的性能......
量子隐形传态的理想实现依赖于获得最大纠缠态；然而，在实践中，这种理想状态通常是无法获得的，人们只能实现近似隐形传态。考虑到这一点，我们提出了一种量化使用任意资源状态时近似隐形传态性能的方法。更具体地说，在将近似隐形传态任务定义为对单向局部操作和经典通信 (LOCC) 信道上的模拟误差的优化之后，我们通过对更大的两 PPT 可扩展信道集进行优化来建立此优化任务的半确定松弛。我们论文中的主要分析计算包括利用身份信道的酉协方差对称性来显著降低后者优化的计算成本。接下来，通过利用近似隐形传态和量子误差校正之间的已知联系，我们还应用这些概念来建立给定量子信道上近似量子误差校正性能的界限。最后，我们评估各种资源状态和渠道示例的界限。
优化近似凸函数的量子加速及其在对数遗憾随机凸老虎机中的应用
贡献。在本文中，我们系统地研究了近似凸函数优化的量子算法，并将其应用于零阶随机凸老虎机。量子计算是一项快速发展的技术，量子计算机的能力正在急剧提升，最近谷歌 [ 6 ] 和中国科学技术大学 [ 42 ] 已经达到了“量子至上”。在优化理论中，半定规划 [ 3 ， 4 ， 11 ， 12 ]、一般凸优化 [ 5 ， 15 ]、优化中的脱离鞍点问题 [ 41 ] 等问题的量子优势已被证明。然而，据我们所知，近似凸优化和随机凸优化的量子算法是广泛开放的。在本文中，我们使用量子零阶评估预言机 OF 来考虑这些问题，这是先前量子计算文献中使用的标准模型 [ 5 ， 14 ， 15 ， 41 ]：
神经元动力学的一维近似揭示了计算策略
神经元活动与其所体现的计算之间的关系仍然是一个悬而未决的问题。我们开发了一种新颖的方法，该方法将观察到的神经元活性凝结成一种定量准确，简单且可解释的模型，并在从秀丽隐杆线虫中的单个神经元到人类fMRI的各种系统和尺度上验证它。该模型将神经元活性视为互锁一维轨迹的集合。尽管它们具有同步性，但这些模型还是准确地预测了人类参与者做出的未来神经元活动和未来的决策。此外，由互连轨迹形成的结构（脚手架）与系统的计算策略密切相关。我们使用这些SCAF-folds比较了在同一任务上训练的灵长类动物和人工系统的计算策略，以识别人造代理人学习与灵长类动物相同策略的特定条件。使用我们的方法论提取的计算策略预示了新型刺激的特定错误。这些结果表明，我们的方法是研究各种系统之间计算与神经元活动之间关系的强大工具。
量子游戏理论和近似量子nash平衡的复杂性
游戏理论是与计算机科学，经济学和社会科学以及其他学科的联系的有趣的研究主题。本文重点介绍了量子信息和组合背景下游戏理论的复杂性理论方面。量子游戏理论始于David Meyer [1]和Jens Eisert，Martin Wilkens和Maciej Lewenstein [2]的工作。1这些作品调查了涉及量子信息的游戏，突出了量子玩家比古典玩家具有优势的示例。随后分析了许多其他量子游戏示例，主要基于Meyer和Eisert，Wilkens和Lewenstein提出的框架。（例如，请参见有关摘要和参考的调查[6]。）这一工作的各个方面因多种原因而受到批评。对许多（但并非全部）量子游戏理论论文的批评的共同点是他们对经典行为的动机概念。尤其是，量子游戏理论论文中的古典参与者通常仅限于标准基础状态的连贯排列，或者是统一操作的类似限制类别，而量子播放器可以访问一组较少受限的单一操作集，可能是所有操作。这种古典性的概念，这是Meyer和Eisert，Wilkens和Lewenstein的原始例子中的关键要素，本质上邀请了量子玩家的剥削。量子信息理论中对clase行为的更标准的解释假定经典播放器操纵的任何量子系统的完全反应性。
贝叶斯网络结构学习的量子近似优化算法
摘要 贝叶斯网络结构学习是一个 NP 难问题，近几十年来许多传统方法都面临着这一问题。目前，量子技术提供了广泛的优势，可用于解决使用传统计算方法无法有效解决的优化任务。在本文中，一种特定类型的变分量子算法，即量子近似优化算法，用于解决贝叶斯网络结构学习问题，采用 3 n (n − 1)/ 2 量子比特，其中 n 是要学习的贝叶斯网络中的节点数。我们的结果表明，量子近似优化算法方法可提供与最先进方法相媲美的结果，并且对量子噪声具有定量的弹性。该方法被应用于癌症基准问题，结果证明了使用变分量子算法解决贝叶斯网络结构学习问题的合理性。
量子最大割近似的难度
一些正振幅，因此它们总体上相互抵消。通常，量子程序的输入和输出是经典字符串，因此我们输入一个基向量并在最后进行测量，以上述规则给出的概率获得每个状态。“量子程序”只是这些操作的有序列表，以及每个操作所作用的量子位，而有效的量子可计算函数是具有有效量子算法的函数（即至少有 2/3 的概率得到正确答案）。有效的量子程序是有效经典程序的超集，因为它们的门集中包含 CX 和 X 门（从我们给出的集合来看，这并不明显；但确实如此）。此外，如果我们考虑将 H 应用于纯量子位，然后立即进行测量，我们会得到一个随机输出。这样，我们可以看到有效的量子程序也是有效随机程序的超集。它们比随机程序更强大这一点可能并不明显，因为迄今为止讨论的唯一新颖的能力是破坏性干扰。我们将在后面的章节中看到如何利用此属性来提高计算速度。当向量 | ψ ⟩ 具有许多非零项时，它被称为“相干叠加”，重要的是要理解这与概率混合有着根本的不同。以下状态
通过ϵ -greedy探索了解强化学习中的深神经功能近似
本文提供了对强化学习（RL）深处神经功能近似（RL）的理论研究。此问题设置是由属于该制度的成功深Q-Networks（DQN）框架所激发的。在这项工作中，我们从函数类别和神经网络体系结构（例如宽度和深度）的角度从“线性”制度之外的角度提供了对理论理解深度RL的初步尝试。是具体的，我们专注于基于价值的算法，分别通过BESOV（和Barron）函数空间赋予的深（和两层）神经网络进行了to -greedy探索，旨在近似D -Dimensional特征空间中近似α -Smooth Q -unction。我们证明，随着t发作，缩放宽度m = e O（t d2α + d），而神经网络的深度l = o（log t）的深度RL足以在Besov空间中以sublinear遗憾地学习。此外，对于由Barron空间赋予的两层神经网络，缩放宽度ω（√