controlled NOT gate
PulseAugur coverage of controlled NOT gate — every cluster mentioning controlled NOT gate across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AlphaCNOT框架学会最小化量子电路中的CNOT门
研究人员开发了AlphaCNOT，一个新颖的强化学习框架，它利用蒙特卡洛树搜索来优化量子电路。这种基于模型的方法旨在最小化CNOT门数量，CNOT门是量子计算中关键但易出错的操作。与现有方法相比，AlphaCNOT在线性综合任务上已显示出显著的改进，CNOT数量减少了高达24.62%，并在各种量子比特拓扑上显示出持续的减少。
-
量子SVM用于信用卡欺诈检测的基准测试
一篇新研究论文探讨了量子核支持向量机（QSVM）在信用卡欺诈检测中的有效性，这项任务因欺诈交易的稀少性而变得复杂。该研究将三种量子编码方法与经典模型进行了基准测试，并将合成少数类过采样（SMOTE）嵌入到量子工作流程中以解决类别不平衡问题。虽然经典模型在大数据集上达到了0.983的PR-AUC，但在约束其性能以匹配QSVM硬件限制时，其性能显著下降至0.750。最好的量子结果达到了0.730的PR-AUC，由于噪声和门错误，在物理量子…
-
AlphaClifford使用强化学习优化量子电路合成
研究人员开发了AlphaClifford，一个利用基于模型的强化学习和蒙特卡洛树搜索来优化量子计算中Clifford电路的合成和转译的新框架。与现有方法相比，这种方法有效地应对了辛群的组合复杂性，从而减少了门数量。AlphaClifford在无约束优化、硬件约束转译以及作为更大合成流程中的后合成优化工具方面表现出卓越的性能，为量子编译挑战提供了可扩展的解决方案。
-
新型量子电路使用12个CNOT门，优于现有技术
研究人员开发了一种新的量子计算电路，使用12个CNOT门实现了双量子比特激发算子。这比之前需要13个CNOT门的最先进方法有所改进。新电路还具有更低的CNOT深度和总电路深度，但单量子比特门数量略有增加。
-
强化学习解缠多量子比特量子态
研究人员开发了一种新颖的深度强化学习方法，用于创建高效的量子态解缠电路。该方法利用部分观测，特别是双量子比特约化密度矩阵，来指导在多达16个量子比特的系统上应用双量子比特门。该系统展示了其自主识别量子比特排列和调整协议的能力，对噪声具有鲁棒性，并具有在实际量子计算应用中的潜力。
-
DistributedEstimator 通过电路切割训练量子神经网络
研究人员开发了 DistributedEstimator 系统，该系统通过将大型量子电路分解为更小、可管理的子电路来训练量子神经网络。该方法包括分区、子实验生成、并行执行和经典重构，其中重构被证明是最耗时的阶段。尽管存在重构开销，该系统在 Iris 和 MNIST 等基准数据集上保持了测试准确性，并保持了对噪声和扰动的鲁棒性，尽管子实验的指数级增长限制了实际应用到较少量子比特的数量。