quantum physics
PulseAugur coverage of quantum physics — every cluster mentioning quantum physics across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
新方法用神经推进法处理量子动力学
研究人员开发了一种针对维格纳输运方程的弱对抗神经推进法，该方程描述了量子系统。这种新颖的方法将复杂的伪微分势算子简化为有限差分计算，无需截断Moyal级数和导数信息。该方法通过采用带符号的推进架构来解决负维格纳拟概率分布的挑战，使其能够高效且可扩展地处理量子动力学。
-
LLM通过增强记忆的测试时学习优化量子电路合成
研究人员开发了一个新颖的框架，利用大型语言模型（LLM）来优化黑盒科学设计问题。这种增强记忆的测试时优化方法通过纳入高分候选者的情景记忆、分数差异反馈和从最佳样本重启，来增强迭代搜索。当应用于量子电路合成时，该框架在20量子比特电路上实现了近乎完美的纠缠度量，并且与随机爬山基线相比，在更具挑战性的25量子比特电路上以显著更少的Oracle调用次数达到了最优结果。
-
量子物理学与数字身份：探索优化框架
该集群探讨了量子物理学与数字身份的交叉点，特别是通过数字身份优化（DIO）的视角。DIO的概念被呈现为一种激进的数字身份工程方法，与后结构主义哲学以及退相干和QBism等量子力学原理相呼应。这种比较旨在为DIO提供一种新的数字身份关系理论视角，从而建立一个用于其优化的数学框架。
-
新的量子方法在量子计算机上模拟非线性动力学
研究人员开发了一种新的“量子Koopman方法”，用于在量子计算机上模拟复杂的非线性动力学。这个数据驱动的框架将非线性系统嵌入线性表示中，从而可以使用浅层量子电路进行模拟。该方法已成功应用于在超导处理器上模拟流体运动和洋流，证明了其在近期量子硬件上模拟中度非线性系统的潜力。
-
新的量子核策略旨在防止机器学习中的过拟合
研究人员提出了一种构建量子核的新方法，旨在克服现有方法中常见的过拟合和泛化能力差的挑战。这一新颖的策略受到经典机器学习中良性过拟合概念的启发，包括创建局部-全局量子核。这些核结合了来自小子系统的测量和全系统测量，以提高数据相关性捕获和泛化性能。
-
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。
-
新框架量化量子云计算中后端的识别度
一项新的研究论文介绍了一个正式框架，用于理解和量化云量子计算中后端的识别度。该研究开发了一个后端识别游戏，将路由匿名性定义为量子云服务的安全概念。在 Amazon Braket 上使用离子阱和超导处理器进行的实验表明，即使在后处理之后，不同后端之间也存在很高的分类率，表明可识别的指纹仍然存在。
-
综述详述人工智能与量子信息协同作用
一篇新的综述论文探讨了人工智能（AI）与量子信息（QI）之间的协同关系。该论文详细介绍了AI如何被用于推进量子系统，从设计算法到稳定硬件。反之，它考察了量子计算和量子启发式结构如何通过加速、提高表达能力和新颖的神经网络设计来增强AI。作者们强调了可重复性、可扩展性和硬件现实性方面的挑战，并强调了理论、实验和混合量子经典系统之间更紧密整合的必要性。
-
新的李群扩散模型增强了量子电路合成
研究人员开发了用于硬件感知量子电路合成的李群扩散模型。该方法将SU(2)流形上量子门的几何特性与离散的、硬件特定的电路结构相结合。该模型包括一个用于选择电路骨架的组件和一个通过直接在SU(2)流形上操作来在这些模板上生成量子门的扩散模型。该方法在三量子比特哈密顿量模拟的酉编译方面已被证明优于基线方法，为硬件感知量子电路合成提供了一个自然的生成框架。
-
量子算法为拓扑数据分析提供指数级加速
研究人员开发了一种量子算法，为拓扑数据分析（TDA）中的一个核心问题提供了可证实的指数级加速。这个问题涉及确定数据点拓扑中孔洞的持久性，这是提取鲁棒特征的关键步骤。该算法的有效性得到了一个证明的支持，即该问题是 $\mathsf{BQP}_1$-hard 的，这表明经典解决方案的可能性极低。这项工作与之前的量子 TDA 方法不同，之前的量子 TDA 方法没有严格证明经典难度，或者问题对于量子计算机来说仍然是难以解决的。
-
新算法可高效学习和生成混合量子态
研究人员开发了一种在特定物质相（称为平凡相）内学习和生成混合量子态的方法。该相的特点是存在一个保留局部可逆性的浅制备通道电路。新算法仅凭测量数据即可高效学习这些状态，并输出一个近似未知状态的浅电路。该方法对量子生成模型有影响，并启发了一种用于扩散模型的有效经典算法。
-
新研究揭示了避免量子神经网络中贫瘠高原的指数级方法
一篇新研究论文引入了一个一阶矩框架来分析量子神经网络的初始化策略。该研究表明，存在指数级数量的初始化参数方法可以避免贫瘠高原，这是训练中一个常见的问题。这表明，虽然仔细的初始化可以防止集中问题，但它带来了从众多可能性中选择最佳可训练区域的挑战。
-
量子学习模型展现出内在可塑性保持能力
一篇新发表在arXiv上的研究论文探讨了量子机器学习模型中的持续学习概念。由Shi-Xin Zhang领导的研究表明，量子神经网络固有地保持可塑性，使其能够在不降低性能的情况下从新数据中学习更长时间。这与通常会遭受可塑性损失的标准深度学习模型形成对比。研究人员将这一优势归因于量子模型的内在物理约束，特别是酉约束，它将优化限制在紧凑流形上，从而防止了困扰经典网络的无界权重增长。
-
任意子核提升量子机器学习性能
开发了一个新的量子核框架，该框架在一个机器学习范式内统一了玻色子、费米子和任意子的交换统计。该框架表明，任意子核在学习基准测试中始终优于玻色子和费米子核，因为它们可以访问独特的特征空间方向并表现出更有利的类别几何。研究强调，粒子交换统计是增强量子机器学习性能的一个先前被忽视的计算要素。
-
新的混合量子经典模型推动时间序列预测发展
研究人员推出了一种新颖的时间序列预测系统，该系统集成了量子和经典模型，这是首次基于纠错的此类混合方法。在此系统中，量子模型首先利用量子现象识别模式，然后经典模型从量子模型产生的错误中学习以捕获补充模式。与纯经典单一模型和经典-经典混合纠错模型相比，这种量子-经典混合模型在各种问题上均表现出优越的性能，这表明将量子计算纳入现有预测技术具有广阔前景。
-
量子信息机器学习在混沌预测中展现实际优势
研究人员开发了一个新的理论框架，用于在量子信息机器学习中实现实际量子优势，特别是在预测混沌系统方面。该方法利用高阶量子统计先验（Q-Priors）来紧凑地存储复杂的相关性，并能够比经典方法使用更少的副本更有效地提取信息。该方法已在模拟和超导处理器上得到验证，通过提高异常相关技能和减少长周期预测崩溃，在天气预报等应用中显示出潜力。
-
LLM通过潜在空间映射学会推理量子算子
研究人员开发了一种方法，通过将酉矩阵映射到LLM的潜在空间，使大型语言模型（LLM）能够理解和推理量子算子。这种方法实现了量子和语言输入的统一建模，在Clifford+T电路合成方面取得了有竞争力的结果。该方法还支持语言条件合成，能够通过自然语言指定门约束，为量子感知基础模型铺平了道路。
-
量子算法Q-FLAIR大幅降低了机器学习的资源需求
研究人员开发了一种名为Q-FLAIR的新算法，以减少量子机器学习特征图所需的计算资源。该方法将大量工作负载转移到经典计算机上，从而能够用更少的评估来训练复杂的量子模型。Q-FLAIR在分类器上展示了最先进的性能，并使用真实的IBM量子设备在短短四个小时内就在MNIST数据集上实现了超过90%的准确率，这在以前由于硬件需求而被认为是不可能实现的壮举。
-
大型语言模型自动化量子电路设计，新型梯度估计器提升训练效率
研究人员开发了一个由大型语言模型驱动的系统，用于自主设计量子电路，整合了知识获取、代码生成和实验反馈。该框架已成功构建用于机器学习的量子特征映射和用于量子化学变分量子本征求解器的ansatz，在基准测试中优于经典方法。另外，还提出了一种用于参数化量子电路前向梯度估计器的新框架，与现有方法相比，显著提高了训练效率并降低了测量成本，从而能够在更大的量子神经网络上进行训练。
-
量子算法解决了AI和金融领域稀有事件的发现问题
研究人员开发了一种新颖的量子算法，旨在发现和采样稀有事件，这对于理解金融崩溃或AI系统故障等现象至关重要。这种新方法可以在不知道哪些事件是稀有的情况下识别这些低概率事件，相比现有的经典和量子方法具有显著优势。该算法有望实现与稀有度阈值最优的量子缩放，并为各种复杂系统提供加速。