XiaoMi-AI文件搜索系统
World File Search System量子计
使用量子卷积神经网络检测乳腺癌：量子计算机上的演示
1 印度理工学院德里分校，新德里，印度 2 物理系，科学学院，Chouaib Doukkali 大学，El Jadida，摩洛哥 3 印度教育学院管理科学学院，加尔各答 700097，西孟加拉邦，印度 4 布巴内斯瓦尔国际信息技术学院，Gothapatna，布巴内斯瓦尔 751003，奥里萨邦，印度 5 贾坎德邦中央大学，Brambe，兰契，印度 6 Bikash's Quantum (OPC) Private Limited，Balindi，Mohanpur 741246，西孟加拉邦，印度 7 物理科学系，印度科学教育与研究学院加尔各答，Mohanpur 741246，西孟加拉邦，印度 8 物理科学系，印度科学教育与研究学院加尔各答，Mohanpur 741246，西孟加拉邦，印度 9 计算机科学与工程系，Maulana阿布尔卡拉姆阿扎德科技大学，加尔各答 700064，印度
量子比特上的图形：演示量子计算机上的三种图形算法
用于数据库和数据管理的量子计算是一个新兴的研究领域，近年来取得了长足的发展 [35,46]。该领域旨在满足对更复杂的优化方法的需求，这些方法至关重要，因为数据量和复杂性继续以越来越快的速度增长。该领域的主要愿景是未来数据库的优化可能部分在量子计算机上进行。之前的大部分研究集中于利用各种二次无约束二元优化公式来优化关系数据库 [4、11、15、17、25、33、34、36、37、44、45、49、53]。第二种最常见的量子计算方法是用量子机器学习来解决数据库问题 [18、19、47、51、52]。尽管关系数据库中的许多优化问题从根本上来说都是图问题（例如，连接顺序选择），但该领域中图算法的全部功能尚未得到充分研究。为了对量子计算中现有的图算法进行更系统的研究和基准测试，
评估近期量子计算机上纠缠量子态的误差缓解策略
摘要：纠缠是量子力学特性之一，最近出现的量子计算机将计算能力成倍增加归因于纠缠。然而，这些系统受到一系列噪声诱导物理过程和硬件级缺陷的影响，导致量子电路的结果出现错误。量子误差缓解算法旨在缩短有足够的量子比特来补偿这些影响的时间，以提高近期量子设备的结果准确性。这项实证研究描述并比较了在真实量子计算机上纠缠条件下量子态误差缓解的常用基本方法。结果表明，两种易于实施的电路设计和测量误差缓解技术可以显著提高结果质量。
在量子计算机上准备开放 XXZ 链的精确特征态
相应的 Bethe 方程；后者通常难以求解。因此，尽管这些模型是“精确可解的”，但通常仍需要付出大量努力来明确计算感兴趣的物理量。量子计算机有望解决各种迄今难以解决的问题 [5,6]。这些问题包括分子和固态环境中多体系统的量子模拟 [7,8]。人们很自然地会问，量子计算机是否也能帮助解决计算量子可积模型感兴趣的物理量的问题。虽然求解 Bethe 方程仍然是一个有趣的开放性挑战 [9]，但最近一个重要的进展是发现了一种用于构造精确特征态的有效量子算法 [10]。该算法可能用于明确计算相关函数，否则这是无法实现的。可积模型还可以通过为量子模拟器提供试验台来影响量子计算。尽管人们正在大力开发近期算法，如变分量子特征值求解器 (VQE) [ 11 , 12 ]，以解决多体问题，但目前尚不清楚 VQE 是否能够在近期硬件上实现量子优势。另一方面，在容错量子计算机上获得一般模拟问题的量子优势被认为在量子资源方面成本极其昂贵 [ 13 – 15 ]。在嘈杂的中型量子时代 [ 16 ] 之后，早期量子计算机的可积模型的另一个好处是，它们的经典可解量可用于验证和确认目的。因此，研究特殊类别的问题（如可积模型）以更早地展示量子优势是很自然的。关键的第一步是找到解决这类问题的量子算法并量化所需的资源。 [ 10 ] 中的算法适用于闭式自旋 1/2 XXZ 自旋链，它是 Bethe [ 1 ] 求解的模型的各向异性版本 [ 17 ]，是具有周期性边界条件的量子可积模型的典型例子。将量子可积性扩展到具有开放边界条件的模型也很有趣且不平凡，参见 [ 18 – 21 ] 和相关参考文献。在本文中，我们制定了一个量子算法，用于构造具有对角边界磁场的开放自旋 1/2 XXZ 自旋链的精确本征态，这是具有开放边界条件的量子可积模型的典型例子。长度为 L 的链的（铁磁）哈密顿量 H 由下式给出
使用量子卷积神经网络检测乳腺癌：量子计算机上的演示
1 国际信息技术学院布巴内斯瓦尔，Gothapatna，布巴内斯瓦尔 751003，奥里萨邦，印度 2 印度理工学院德里分校，新德里，印度 3 贾坎德邦中央大学，布兰贝，兰契，印度 4 物理系，科学学院，Chouaib Doukkali 大学，El Jadida，摩洛哥 5 印度教育学院管理科学学院，加尔各答 700097，西孟加拉邦，印度 6 Bikash's Quantum (OPC) Private Limited，Balindi，Mohanpur 741246，西孟加拉邦，印度 7 物理科学系，印度科学教育与研究学院加尔各答，Mohanpur 741246，西孟加拉邦，印度 8 物理科学系，印度科学教育与研究学院加尔各答，Mohanpur 741246，西孟加拉邦，印度 9 计算机科学与工程系，Maulana阿布尔卡拉姆阿扎德科技大学，加尔各答 700064，印度
量子计算机上的对称性破坏/对称性保持电路和对称性恢复
摘要 我们在此讨论在量子计算机上处理量子多体问题时与其对称性相关的一些方面。回顾了与对称性守恒、对称性破缺和可能的对称性恢复有关的几个特点。在简要讨论了一些与多粒子系统相关的标准对称性之后，我们讨论了在量子分析中直接编码某些对称性的优势，特别是为了减少量子寄存器大小。然而众所周知，当自发对称性破缺发生时，使用对称性破缺状态也可以成为一种独特的方式来纳入特定的内部相关性。这些方面是在量子计算的背景下讨论的。然而，只有当最初破缺的对称性得到适当恢复时，才能精确描述量子系统。介绍了几种在量子计算机上执行对称性恢复的方法，例如，通过 Grover 算法净化状态、结合使用 Hadamard 测试和 oracle 概念、通过量子相位估计和一组迭代独立的 Hadamard 测试进行对称性过滤。
Overlap-ADAPT-VQE：通过重叠引导的紧凑型模拟在量子计算机上进行实用量子化学
ADAPT-VQE 是一种用于近期量子计算机上量子化学系统混合量子经典模拟的稳健算法。虽然其迭代过程系统地达到基态能量，但 ADAPT-VQE 的实际实现对局部能量最小值很敏感，导致过度参数化的假设。我们引入了 Overlap-ADAPT-VQE，通过最大化它们与已经捕获一些电子相关性的任何中间目标波函数的重叠来增加波函数。通过避免在散布局部最小值的能量景观中构建假设，Overlap-ADAPT-VQE 产生了超紧凑的假设，适用于高精度初始化新的 ADAPT 程序。对于强相关系统，与 ADAPT-VQE 相比具有显著优势，包括电路深度的大幅节省。由于这种压缩策略也可以用精确的选定配置相互作用 (SCI) 经典目标波函数进行初始化，因此它为更大系统的化学精确模拟铺平了道路，并增强了通过量子计算的力量决定性地超越经典量子化学的希望。
COVID-19在IBM量子计算机上检测带有经典量词转移学习
摘要引言中风是低收入和中等收入国家（LMIC）的残疾的主要原因之一，经常出现上肢轻瘫并引起主要的功能依赖性。它需要高剂量和强烈的康复，这意味着高昂的经济成本，因此限制了LMIC的这种疗法。有多种技术干预措施促进了强度，依从性和运动评估的康复；或启用康复，例如机器人，游戏或虚拟现实，传感器，电子设备和远程康复。他们的功效主要在高收入国家进行了评估，因此在LMIC环境中进行系统审查的重要性。目的是在上肢运动功能中衡量技术干预措施与经典身体康复功能的疗效，这是在LMIC中遭受首次或经常性中风发作的人。方法和分析此方案与Prisma-P和Cochrane手册有关的方法进行系统评价一致。我们建议进行系统的综述和荟萃分析。为了这样做，我们将在PubMed，Global Index Medicus和物理疗法证据数据库中进行电子搜索。将不使用日期范围参数。将包括以英语，西班牙语，法语和葡萄牙语发表的随机对照试验（RCT），主要结果以上肢运动功能为重点。两个审阅者将筛选所有检索的标题，摘要和全文，对偏见的风险进行评估，并独立提取所有数据。将由Cochrane协作工具评估所包含的RCT偏见的风险。将在文本和表中提供定性综合，以总结所选出版物的主要结果。研究之间的异质性将通过I 2统计量进行评估。如果跨结果有足够的均匀性，将考虑荟萃分析。要评估的结果将是上肢的运动功能，日常生活活动和生活质量的表现，通过测量量表。结论本系统的综述将提供有关多种技术干预措施的功效以改善LMIC中风个体中上肢运动功能的疗效的证据。基于此分析，我们将能够评估这些干预措施是否在低收入和中等收入国家的中风后的功能恢复中是否也有效且可行，因此在这些领域提供了建议。关键字：中风，技术，上肢，低收入国家。利益冲突：所有作者都宣布没有利益冲突。资金：这项研究没有从公共，商业或非营利部门获得资金。
量子计算机能像传统计算机一样学习吗？机器学习和量子电路的协同设计框架
尽管在各种应用中都追求量子霸权，但量子计算机在机器学习（例如神经网络模型）中的能力大多仍不为人所知，这主要是因为缺少一个有效设计适合量子电路实现的神经网络模型的环节。在本文中，我们提出了第一个协同设计框架，即 QuantumFlow，以修复缺失的环节。QuantumFlow 由一种新颖的量子友好型神经网络 (QF-Net) 设计、一种用于为 QF-Net 生成量子电路 (QF-Circ) 的自动工具 (QF-Map) 以及一个基于理论的执行引擎 (QF-FB) 组成，以有效支持在经典计算机上训练 QF-Net。我们发现，为了充分利用量子表示的优势，QF-Net 中的数据最好建模为随机变量而不是实数。此外，我们为 QF-Net 提出了一种量子感知的批量归一化方法，而不是使用经典的批量归一化（这是实现深度神经网络高精度的关键）。评估结果表明，QF-Net 在广泛使用的 MNIST 数据集中区分数字 3 和 6 的准确率可达 97.01%，比最先进的量子感知实现高出 14.55%。对二元分类应用程序进行了案例研究。在 IBM Quantum 处理器的“ibmq_essex”后端上运行，由 QuantumFlow 设计的神经网络可实现 82% 的准确率。据我们所知，QuantumFlow 是第一个共同设计机器学习模型及其量子电路的框架。
量子计算在金融投资组合优化中的应用、挑战和前景
量子计算有可能通过解决可扩展性和计算复杂性问题来改善金融投资组合优化。本文探讨了量子算法在投资组合优化中的应用。首先讨论了经典优化方法的局限性，并介绍了量子计算的基础知识。详细介绍了两种关键的量子算法，即量子退火和量子近似优化算法 (QAOA)。这些算法用于解决投资组合优化问题的二次无约束二元优化 (QUBO) 公式。本文提供了一种高级量子算法及其伪代码 Python 实现。分析了量子算法的潜在计算加速，强调了与经典方法相比的理论二次加速。然而，本文也承认了量子计算目前面临的挑战和局限性。最后，它还强调了量子计算在金融领域的光明前景，并鼓励进一步研究以充分发挥量子技术在投资组合优化和其他复杂金融问题中的潜力。