Hamiltonian operator
PulseAugur coverage of Hamiltonian operator — every cluster mentioning Hamiltonian operator across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
FlowPET 框架采用物理信息方法增强低计数 PET 重建
研究人员开发了 FlowPET，一种新颖的、用于正电子发射断层扫描 (PET) 重建的物理信息框架，专门用于解决低计数场景下的挑战。与可能导致信号“冲淡”的传统生成模型不同，FlowPET 在辛相空间中利用保体积传输，理论上可以防止弱信号的衰减。该框架通过 PET 算子的独特分解来强制执行数据一致性并管理不确定性。实验表明，FlowPET 在图像质量指标上优于现有方法，并显著提高了低对比度病灶的恢复能力。
-
新的超态量子力学理论连接了物理学和AI
一个名为超态量子力学（SQM）的新理论框架已被引入，它通过考虑具有多个二次约束的希尔伯特空间中的态来扩展传统量子力学。该理论由Vladislav Malyshkin提出，有望在物理学、机器学习和人工智能等领域得到应用。SQM可以使用酉算符表示，从而引出一个量子逆问题，该问题可以通过新的计算算法来解决，包括使用量子通道的经典计算模型。
-
量子机器学习在可证明的学习分离方面超越经典方法
研究人员展示了在预测量子多体系统时间演化方面的可证明学习分离。该研究发表在arXiv上，概述了一个监督学习问题，其中量子机器学习可以从短时间训练样本中有效地学习未知的哈密顿量。这与经典算法形成对比，经典算法面临计算上的困难，除非BQP包含在P/poly中，这突显了基于哈密顿量演化的自然机器学习任务的严格分离。
-
研究人员量化人工神经元以增强机器学习能力
研究人员开发了一种量化人工神经元的新方法，将经典机器学习组件与量子物理原理联系起来。通过将神经元视为能量和激活函数的组合，他们用量子哈密顿量替换了能量函数，并通过矩阵泛函微积分应用了激活。这创建了一个可在量子态上测量的“激活可观测量”，从而实现了用于从量子数据中学习和估计梯度的混合量子经典算法。数值实验表明，与经典神经元相比，这些量化神经元具有更强的表达能力，确立了正则化量化作为量子机器学习原语的可行框架。
-
新基准HamQASBench评估量子电路设计
研究人员推出HamQASBench，这是一个旨在评估量子架构搜索（QAS）方法的新诊断基准。与以往侧重于分子识别或量子比特数量的基准不同，HamQASBench使用哈密顿量结构将实例组织成五个层级。这种方法旨在识别参数化量子电路中的结构性故障，例如传统能量精度指标所忽略的过度参数化问题。该基准通过纠缠分析和状态保真度来补充能量评估，揭示了各种QAS方法中隐藏的故障模式。
-
新算法学习开放量子系统结构
研究人员开发了一种新颖的算法，用于学习n量子比特Lindbladian的系数，Lindbladian是用于描述开放量子系统的数学模型。该算法实现了几个关键的期望目标，包括非自适应测量、在不知道Lindbladian结构先验知识的情况下进行操作，以及支持学习准局部和幂律Lindbladian。该方法采用一种以傅里叶系数为中心的迭代方法，并识别出开放系统中特有的“混淆”项的独特挑战，当这种混淆受限时，性能会得到改善。该研究还提出了从实时间…
-
量子神经网络探索地下水热预测
研究人员开发了一种量子卷积神经网络（QCNN）来预测地下水热羽动力学，这是一项复杂的环境建模任务。QCNN 使用降维模拟输出来训练，并在包括 IBM 的 Kyiv 处理器在内的各种量子硬件和模拟器上进行了评估。虽然经典神经网络目前提供更高的准确性，但 QCNN 表现出了具有竞争力的性能，尤其是在误差缓解方面，这表明随着量子技术的进步，它在未来环境建模方面具有潜力。
-
AI模型调优量子点以实现Majorana模式
研究人员开发了一种新颖的AI增强方法，用于调优量子点模拟器以实现Majorana模式。该方法使用了一个在合成数据上训练的深度视觉Transformer网络，并包含了一个理解Majorana零模式属性的物理信息损失函数。AI模型能够有效地学习哈密顿量参数与电导图结构之间的关系，提出参数更新以指导量子点系统达到其拓扑相。单个更新步骤即可生成非平凡的零模式，迭代调优过程可以处理更大的参数空间。
-
元学习保持结构的动力学，用于物理系统的少样本适应
研究人员开发了一种新的元学习方法，用于发现物理系统中保持结构的动力学。该方法在哈密顿学习框架内利用调制技术，无需显式参数化系统。实验表明，该方法可以在保持关键物理不变性的同时，实现准确的少样本适应和跨不同参数空间的鲁棒泛化。
-
元学习框架HAML助力超导量子比特哈密顿量约简
研究人员开发了HAML（Hamiltonian Adaptation via Meta-Learning，通过元学习实现的哈密顿量自适应）框架，该框架专为超导量子处理器中有效哈密顿量模型的快速在线调整而设计。该系统采用两阶段方法：首先在模拟设备上进行监督训练，以将控制输入映射到哈密顿量系数；然后进行在线自适应阶段，利用最少的硬件测量来识别设备参数。HAML通过学习从复杂多模哈密顿量到简单量子比特描述的直接约简，绕过了传统的微扰理论，有…