XiaoMi-AI文件搜索系统
World File Search System量子数
使用量子数据联合学习的量子
Quantum机器学习（QML）已成为一个有前途的领域，它依靠量子计算中的发展来探索大型复杂的机器学习问题。最近，提出了一些纯量子机学习模型，例如量子卷积神经网络（QCNN），以对量子数据进行分类。但是，所有现有的QML模型都取决于对大规模和分布式量子网络无法很好地扩展的集中解决方案。因此，考虑到针对新兴的量子网络体系结构量身定制的更实用的量子联合学习（QFL）解决方案是一种方法。的确，鉴于计算量子的脆弱性质以及传输它们的困难，为量子网络开发QFL框架至关重要。在其实际的重要性之上，QFL可以通过利用现有的无线通信基础架构来分发量子学习。本文提出了第一个完全量子联合学习框架，该框架可以通过量子数据运行，因此以分散的方式共享量子电路参数的学习。首先，鉴于文献中缺少现有的量子联合数据集，提出的框架开始于生成具有分布式量子网络的第一个量子联合数据集，具有层次数据格式。然后，为共享QCNN模型的客户提供量子数据以执行分类任务。随后，服务器从客户端汇总了可学习的量子电路参数并执行联合平均。进行了广泛的实验，以评估和验证所提出的QFL溶液的有效性。这项工作是将Google的TensorFlow联合和TensorFlow量子组合到实际实现中的第一个。
光子量子数据锁定
1 量子数据锁定是一种量子现象，它使我们能够使用具有信息论安全性的小密钥加密长消息。这与经典信息论形成了鲜明对比，根据香农的说法，经典信息论中的密钥至少需要与消息一样长。在这里，我们探索了用于量子数据锁定的光子架构，其中信息以多光子状态编码并使用多模线性光学和光检测进行处理，目的是将初始密钥扩展为更长的密钥。密钥消耗取决于所采用的模式和光子的数量。在无碰撞极限下，光子聚束的可能性受到抑制，密钥消耗在系统维度上呈对数关系。我们的协议可以看作是玻色子采样物理学在量子密码学中的应用。实验实现具有挑战性，但使用最先进的技术是可行的，因为最近用于展示玻色子采样的技术可以适应我们的方案（例如，Phys. Rev. Lett. 123, 250503, 2019）。
1量子数据处理不等式
经典随机通道是映射φ：p（x）→p（y），该概率测量在集合x上发送到集合y上的概率度量。在离散设置中，通过将每个x∈X映射到概率度量νxx∈P（y），然后φ（µ）（y）（y）（y）íx∈XνXx（y）来指定这样的通道。在样本方面，每个元素x∈X映射到y的随机元素y（x）。因此，如果x是x中的随机变量，则通过通道后，则结果随机变量为y（x）。请注意，可以将经典通道视为线性映射φ：r x→r y，可保留概率度量，并且可以将其分解为两个属性：
通过量子数据总线进行变分量子态准备
我们提出了一种变分量子算法来制备一维格子量子哈密顿量的基态，该算法专门为可编程量子设备量身定制，其中量子位之间的相互作用由量子数据总线 (QDB) 介导。对于具有轴向质心 (COM) 振动模式作为单个 QDB 的捕获离子，我们的方案使用共振边带光脉冲作为资源操作，这可能比非共振耦合更快，因此不易退相干。状态准备结束时 QDB 与量子位的分离是变分优化的副产品。我们用数值模拟了离子中 Su-Schrieffer-Heeger 模型的基态制备，并表明我们的策略是可扩展的，同时能够容忍 COM 模式的有限温度。