- 博客(134)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 The backpropagation and the brain
本文的核心贡献在于将反向传播的数学原理与生物神经机制相结合，提出了一种通过局部活动差异和反馈调制实现高效信用分配的框架（NGRAD）。这篇文章探讨了反向传播算法（Backpropagation）与大脑学习机制之间的潜在联系，提出了一个名为“神经梯度通过活动差异表示”（NGRAD）的框架，以解释大脑如何在多层神经网络中实现高效的信用分配（credit assignment）。通过比较前向传播的活动与反馈诱导的目标活动（如目标传播中的重构误差），生成局部梯度信号，替代传统的链式法则计算。
2025-04-23 21:41:54
698
原创 Quantum Algorithms for Compositional Natural Language Processing论文阅读
将量子计算引入语言学结构建模，突破传统NLP的维度瓶颈。
2025-04-22 11:37:46
1056
1
原创 量子奇异值变换（QSVT）
这一部分的目标是把矩阵 A“嵌入”到一个较大的酉矩阵 U的某个子空间内，即写成其中 Π和 Π 是正交投影算子。一个特殊情况是块编码（block-encoding），即如果 IΠ=Π=∣0〉〈0∣⊗I 则 A 就是 U的左上角块。根据 QSVT 理论，给定一个满足一定条件的奇异值多项式 P(x)（例如要求 P(x)为奇函数，或者偶函数，且在区间 [−1,1]内有 ∣P(x)∣≤1，我们可以构造一个量子电路，该电路在不改变奇异向量的前提下，将原矩阵 A 映射为如果A=WΣV† 为奇异值分解。
2025-04-10 09:51:39
517
原创 Mamba模型
让我们用一个更简单的例子来理解这个概念。想象我们正在走过一个迷宫。这里的“状态空间”就像是迷宫中所有可能位置的集合，即一张地图。地图上的每个点都代表迷宫中的一个特定位置，并包含了该位置的详细信息，比如离出口有多远。而“状态空间表示”则是对这张地图的抽象描述。它告诉我们当前所处的位置（当前状态）、我们可以移动到哪些位置（未来可能的状态），以及如何从当前位置转移到下一个状态（比如向左转或向右转）
2025-04-07 21:59:11
789
原创 加法封闭性和酉矩阵
它们的不同主要体现在控制操作后不同分支的相位上或成功与失败分支的标签上，但这通常不会改变最终加权平均操作的本质效果。实际上，量子算法中只要能实现我们预期的干涉效果（即在成功分支获得加权和，在失败分支获得误差分量），这种细微的相位差别或者符号差别都是可以接受的。例如，神经网络中的权重更新通常涉及矩阵加法，但若要在量子计算机中保持酉性，必须改用其他方式（如酉矩阵的复合或参数化变换），而非直接相加。（满足 U†U=I）表示，以确保概率守恒。然而，酉矩阵在加法下并不闭合，即两个酉矩阵相加后的结果通常不再是酉矩阵。
2025-04-02 16:50:46
322
原创 关于transformer的一些工作理解
1.Tokenization：是将连续文本分割成离散 token 的过程，直接影响模型输入的表达能力。2.Softmax Attention：通过非线性 softmax 将相似度分数转化为权重，加权融合信息，但由于其非线性、敏感性以及全局依赖特性，使得直接压缩（例如低秩近似）变得困难。3.缓存机制（Cathe）：在生成任务中，通过缓存前面的 Key 和 Value 来避免重复计算，提高推理速度，是 Transformer 高效解码的重要手段。
2025-03-20 10:27:56
806
原创 关于Torchquantum和Qiskit
TorchQuantum 基于 PyTorch 构建，天然支持与经典深度学习框架（如 PyTorch 的自动微分、GPU 加速、神经网络模块）的无缝结合。许多量子机器学习论文（如基于量子神经网络、量子生成模型的研究）采用 PyTorch 生态工具，复现时使用 TorchQuantum 更符合代码习惯。量子机器学习模型通常需要端到端的梯度计算（如参数化量子电路的梯度下降）。Qiskit 更专注于量子电路的低层描述（如门操作、脉冲控制），机器学习相关功能需依赖扩展库（如。）处理参数更新，与经典训练流程割裂。
2025-03-16 22:03:00
940
原创 Symmetry Protected Topological phases of Quantum Matter——对称性保护量子物质的拓扑相位
对称性保护的拓扑相（SPT相）是由特定对称性保护的量子物态，其体态为绝缘体，但表面存在受对称性保护的边缘态。：提出三维电子系统中存在6种相互作用诱导的SPT相（如拓扑顺磁体），超越了自由费米子的Z2Z2分类，形成Z23Z23分类。：证明表面拓扑序（如eTmTeTmT和efmfefmf）的对称性无法在严格二维系统中实现，必须依赖三维体态的保护。：通过堆叠二维拓扑态并引入层间耦合，构建三维SPT相的体态和表面态（如图3）。：利用拓扑量子场论（TQFT）构造三维波函数，其边界实现非平凡表面拓扑序。
2025-03-14 19:52:14
275
原创 Optimal Bounds for Open Addressing Without Reordering
允许在插入时多次探测不同的子数组，从而在平均情况下实现O(1)的预期探测复杂度，同时在最坏情况下保持O(log δ⁻¹)的复杂度。证明任何非重排开放寻址哈希表的最坏情况探测复杂度下界为 Ω(logδ−1)，漏斗哈希的最坏情况复杂度下界为 Ω(log2δ−1+loglogn)。论文的背景是开放寻址哈希表的基本问题：插入元素时，如何通过探测序列找到未占用的位置，并最小化搜索的探测次数。：通过非贪婪的探测策略，允许插入时多次探测不同子数组，优先尝试低负载子数组，若失败再转向高负载子数组。
2025-03-14 14:33:41
754
原创 洛谷-拍苍蝇
Norman 有一个给定的 KKK 边形的苍蝇拍。他想知道有多少种放置苍蝇拍的方法，使得这个苍蝇拍的顶点在顶点为 (0,0)(0,0)(0,0) 和 (Xp,Yp)(X_p,Y_p)(Xp,Yp) 的矩形中，并且各个顶点是整点，满足没有一个苍蝇被伤害。其中，整点的定义是横坐标和纵坐标都是整数的点。这个矩形中有 NNN 个苍蝇，每一个苍蝇可以看成一个点 (X,Y)(X,Y)(X,Y)。一个苍蝇会被伤害，当且仅当这个苍蝇在这个苍蝇拍的顶点，边或内部。苍蝇拍不能旋转或翻折。第一行包含三个正整数 Xp,Yp,N
2025-03-11 12:44:40
842
原创 论文阅读 Quantum Convolutional neural network
在传统的局域序参量（如磁化强度 〈Xi〉）无法有效区分某些拓扑相（如 Haldane 相）时，字符串序参量（SOP）提供了一种方法来识别这些相。字符串序参量的定义通常涉及多个远离的站点之间的长程关联，通常具有如下形式：Zi,Xk,Zj是泡利矩阵（Pauli operators）。指数项 eiπ∑k=ijXk表示一个相位因子。这意味着我们要计算两个远离站点 i,j 的Z 分量的关联，同时考虑它们之间的X 作用。这个非局域的字符串序参量可以用来检测对称保护拓扑（SPT）相。
2025-03-11 12:25:35
1305
1
原创 quantum convolutional neural network
网络 QCNN_ratio-0.5_epsilon-0.01_Cap-10_BackpErr_0.1第一轮（Epoch 1）损失较高（约 2.28），第二轮略有下降（约 2.22）。总体上损失较高，可能说明在这种配置下噪声较小（epsilon=0.01），但采样比例较高（ratio=0.5）和较高的 Cap（10）使得网络较“激进”，学习进程较慢或不稳定。网络 QCNN_ratio-0.3_epsilon-0.01_Cap-2_BackpErr_0.1。
2025-03-05 11:20:04
942
原创 Shor‘s量子算法
在模 N 的加法群 ZN 上定义酉算子，其作用为：由于 a 与 N 互质，是置换矩阵，其本征值为单位根 e2πik/r，其中 k∈Zr。
2025-02-25 11:19:37
694
原创 量子相位估计
（即 ∣ϕ−y′/2m∣<∣ϕ−y/2m∣），测量到原最佳近似 y的概率会被分散到其他候选值（如 y′）。：此时测量到 y 的概率显著降低（例如用户提到的 p=3%），因为算法更倾向于选择更接近的 y′。（即 ϕ=y/2mϕ=y/2m，其中 m 是量子比特数），此时相位估计是精确的。更小，则 P(y′)>P(y)，导致原 y的概率降低。：当存在更优近似时，原近似的概率被分散，导致结果不可靠。：测量到 y 的概率接近 100%，因为无近似误差。此时测量到 y=5的概率会远低于 y′=3。
2025-02-24 11:15:55
283
原创 量子Simon算法
我们将解开承诺以更好地理解暂时说什么，但是在这样做之前，让我们清楚地表明，大多数功能都无法满足这一Promise；同样重要的是要注意，如果实现承诺，只能有一个有效的字符串。因此，对于满足承诺的功能，总有一个独特的正确答案。Simon问题的输入函数以f：n→m的形式为正整数 n和m。为了简单起见，我们可以将注意力限制在M = N 的情况下，但是在做出这一假设方面没有什么可获得的 - Simon的算法及其分析基本相同。这意味着 f(x) 的值每次都重复两次，一个在 x，一个在 x⊕s.
2025-02-21 17:02:03
894
原创 量子算法导论
对于查询这样的问题，或许有人会问，提出这样复杂且高度人为的问题，没有人会在实践中使用它们，但是这并不意味着这个问题并不有趣，而只是模型研究的一部分，寻找揭示量子计算潜在优势的极端情况。shor的量子算法是由simon的算法直接启发的。量子最基础的算法是Deutsch算法，输入是长度为1的函数f，而Deutsch-Jozsa输入是长度为n的函数f，输出是判断函数是平衡的还是连续的，如果是平衡函数，即0和1的数量相同，如果是非平衡函数，那么只出现1或者0，所以对于长度为n的函数，需要多少次查询才能判断呢？
2025-02-20 22:46:59
1118
原创 如何将经典算法做成量子算法
将经典逻辑转化为量子门操作（如使用 CNOT 门、Hadamard 门等）。：考虑量子硬件的局限性（如错误率、退相干时间），优化电路深度和量子比特数量。：确定算法的时间复杂度主要来自哪些操作（例如排序中的比较、搜索中的遍历）。：通过纠缠态实现全局信息的高效操作（如 Shor 算法中的周期查找）。：明确经典算法中的核心步骤（如循环、递归、分支判断、数据操作等）。：证明量子算法相对于经典算法的加速（如多项式级或指数级加速）。：将算法中某一步骤量子化（如量子采样、量子优化）。
2025-02-20 11:00:41
377
原创 洛谷 康托展开
前传：详见洛谷 P2525Uim 成功地按照顺序将礼物送到了N个妹子的手里并维持她们的和谐。现在 Uim 现在想知道，他最终选择的顺序是所有给N个妹子送礼顺序中，字典序第几小的。送礼顺序可以看作12⋯N的一个排列。
2025-02-10 11:51:34
490
原创 量子复杂度下界
p：R到R，deg（p）= d，s.t.|p(x)|d，|p(x)|该不等式规定了马尔可夫不等式下界，也就是说一个次数为d的多项式，其导数的最大值至多增长为的数量级。Markov不等式的意义1.量子复杂度理论：用于证明量子查询复杂度的下界。例如，分析量子算法对布尔函数的逼近误差2.计算机科学：用于估计一个函数可以用低阶多项式逼近的精度限制3.数值分析：研究多项式插值误差的增长速度量子计算中的应用，在量子计算中，通常希望用低阶多项式来逼近某个目标函数（如决策问题中的布尔代数）。
2025-02-09 12:41:52
550
原创 洛谷 铺地毯
为了准备一个独特的颁奖典礼，组织者在会场的一片矩形区域（可看做是平面直角坐标系的第一象限）铺上一些矩形地毯。一共有n张地毯，编号从1到n。现在将这些地毯按照编号从小到大的顺序平行于坐标轴先后铺设，后铺的地毯覆盖在前面已经铺好的地毯之上。地毯铺设完成后，组织者想知道覆盖地面某个点的最上面的那张地毯的编号。注意：在矩形地毯边界和四个顶点上的点也算被地毯覆盖。
2025-02-04 11:04:48
898
原创 组合优化（KTT）
的缩写，通常用于描述最优化问题中的必要条件，尤其是带有约束的最优化问题。KKT 条件在优化理论中具有重要地位，尤其是在凸优化中，它们可以被用来寻找最优解。
2025-01-07 15:35:23
322
原创 NLP问与答——Deep contextualized word representations
枢轴词（Pivot Word），又称为“枢纽词”或“核心词”，是指在某种上下文或任务中起到关键作用的词汇。具体来说，它通常是指在文本、语句或信息流中，能连接或转化不同主题、概念、上下文或内容的词。枢轴词在许多自然语言处理（NLP）任务中起着桥梁作用，帮助引导语义的转移或情境的转换。枢轴词的几种常见应用文本分类中的枢轴词在文本分类任务中，枢轴词是指那些能够显著影响分类结果的词汇。例如，在情感分析任务中，“喜欢”或“讨厌”是能够明显区分正面和负面情感的枢轴词。信息检索中的枢轴词。
2025-01-02 22:29:38
918
1
原创 论文阅读--VQNE: Variational Quantum Network Embedding with Application to Network Alignment
网络对齐（Network Alignment）是指将两个或多个网络中相同或相似的节点进行匹配或对齐的过程。它涉及到在多个网络之间找出相同或相似节点的对应关系。为了更好的理解网络对齐的实际意义，举例如下。
2024-12-28 10:11:31
760
3
原创 76. 最小覆盖子串
原理和 209 题一样，按照视频中的做法，我们枚举 s 子串的右端点 right（子串最后一个字母的下标），如果子串涵盖 t，就不断移动左端点 left 直到不涵盖为止。最后，如果 ansLeft<0，说明没有找到符合要求的子串，返回空字符串，否则返回下标 ansLeft 到下标 ansRight 之间的子串。看示例 1，s 的子串 BANC 中每个字母的出现次数，都大于等于 t=ABC 中每个字母的出现次数，这就叫涵盖。最小覆盖子串 "BANC" 包含来自字符串 t 的 'A'、'B' 和 'C'。
2024-12-27 23:02:46
388
原创 【无标题】
用数组indices记录nums中所有等于x的下标i，此时给定的查询queries[i]，如果queries[i]大于indices的长度，则查询答案为-1，否则答案为indices[queries[i]-1]，返回查询结果即可。的位置，并返回它的下标。，该查询的答案为 -1。，包含所有查询的答案。请你返回一个整数数组。
2024-12-27 22:43:36
150
原创 量子 化学
洪特规则提供了一套简单的原则，帮助我们理解原子轨道中电子的排列方式及其基态能量的最低排布。它不仅在电子排布、磁性分析中起到关键作用，还在原子光谱、分子轨道理论和材料科学等领域具有重要的应用价值。
2024-12-26 15:34:59
1116
原创 关于变分量子算法的问答
成本函数（Cost function）是优化问题中的一种函数，用于衡量给定参数下电路输出与目标状态或目标值之间的差异。它是在量子优化算法（如变分量子本征求解器（VQE））中用于量化电路输出与目标的差异的量化目标。成本函数通常是通过量子电路的期望值计算的，表示为 〈H〉，其中 H 是汉密尔顿量。汉密尔顿函数是物理量子系统中的能量运算符，通常用来描述系统的哈密顿量（如粒子的总能量）。VQD 的核心思想是通过惩罚（或减少）与基态的重叠，从而使得优化过程趋向于寻找与基态不同的激发态。
2024-12-23 21:03:40
290
原创 论文阅读--Variational quantum algorithms
该假设的目标是通过依次应用问题幺正 e−iγlHp 和混合器幺正 e−iβlHM ，将输入状态 |ψ0〉 映射到给定问题哈密顿量 HP 的基态，其中 HM 是埃尔米特算子，称为混合哈密顿量参考文献。具体而言，该假设采用以下形式：U (γ, β) = ∏p l=1 e−iβlHM e−iγlHP ，其中 θ = (γ, β)。该假设自然具有公式 (4) 中的形式，尽管将这些幺正分解为本地门可能会导致电路过长，这是由于 HP 中的多体项和有限的设备连接性造成的。
2024-12-23 20:58:14
1527
1
原创 1248.统计【优美子数组】
那么我们可以得出满足 l∈(odd[i−1],odd[i]] 且 r∈[odd[i+k−1],odd[i+k]) 条件的子数组 [l,r] 包含 [odd[i],odd[i+k−1]] 且 [l,r] 里的奇数个数为 k 个。由于奇数和奇数间存在偶数，所以一定存在其他子数组 [l,r] 满足 [l,r] 包含 [odd[i],odd[i+k−1]] 且 [l,r] 里的奇数个数为 k 个，那么这个需要怎么统计呢？包含 3 个奇数的子数组是 [1,1,2,1] 和 [1,2,1,1]。
2024-12-22 16:41:07
301
原创 1387.将整数按照权重排序
因为 3 需要 7 步变成 1 （3 --> 10 --> 5 --> 16 --> 8 --> 4 --> 2 --> 1）。12 的权重为 9（12 --> 6 --> 3 --> 10 --> 5 --> 16 --> 8 --> 4 --> 2 --> 1）区间内的数按权重排序以后的结果为 [12,13,14,15]。区间内整数 [7, 8, 9, 10, 11] 对应的权重为 [16, 3, 19, 6, 14]。按权重排序后得到的结果为 [8, 10, 11, 7, 9]。
2024-12-22 16:34:26
174
原创 论文（变分量子算法）——reinforcement learning for optimazation of variational quantum circuit architectures
Rotosolve：Rotosolve是一种在分子模拟中使用的方法或算法，用于求解和优化分子的旋转自由度，尤其是在考虑分子中某些原子或基团相对旋转时。这个过程常见于处理有多个自由旋转键的分子。通常在分子动力学或量子力学计算中，分子内的一些部分可以绕某些化学键自由旋转。Rotosolve 方法帮助找出这些旋转模式与分子稳定性之间的关系，或者在某些情况下，它可以用于计算不同构象（conformers）之间的能量差异。例如，在计算一个包含苯环的分子时，苯环可能在某些条件下旋转，影响分子的整体形状和能量分布。
2024-12-17 16:08:14
1292
原创 3310.移除可疑的想法
方法 2 和方法 1 是可疑方法，但它们分别直接被方法 3 和方法 0 调用。由于方法 3 和方法 0 不是可疑方法，我们无法移除任何方法，故返回所有方法。一个项目有 n 个方法，其中第 k 个方法有 bug。可能是第 k 个方法自己的 bug，也可能是第 k 个方法调用的更底层的方法有 bug。遍历 invocations，如果存在从「非可疑方法」到「可疑方法」的边，则删除后无法编译，返回数组 [0,1,2,⋯,n−1]。方法 0、方法 1 和方法 2 是可疑方法，且没有被任何其他方法直接调用。
2024-12-15 15:05:33
401
原创 1338.数组大小减半
选择 {2,7} 是不可行的，它的结果数组为 [3,3,3,3,5,5,5]，新数组长度大于原数组的二分之一。选择 {3,7} 使得结果数组为 [5,5,5,2,2]、长度为 5（原数组长度的一半）。遍历 cnt，计算前缀和 s，直到 s≥ n/2 为止，返回此时的下标加一，即为答案。你可以从中选出一个整数集合，并删除这些整数在数组中的每次出现。大小为 2 的可行集合有 {3,5},{3,2},{5,2}。能删除数组中的一半整数的整数集合的最小大小。我们只能选择集合 {7}，结果数组为空。
2024-12-15 14:54:10
220
原创 改变基和不变子空间
改变基是指在不同的基下对向量或线性变换进行重新表示，一个向量在不同的基下的坐标表示可能不同，但它在向量空间中的实际位置不会改变。假设我们有向量v在基下B={b1，b2，...bn}下的坐标为[v]B。如果我们想要这个向量表示成基C={c1，c2...cn}下的坐标[V]C，我们需要一个基变换矩阵P。
2024-12-12 21:00:55
332
原创 量子变分算法---损失函数
由于我们不知道目标可观测量H的特征值或特征态，所以我们需要考虑它的对角化（对角化话很重要，为什么？）假设H是厄密矩阵，存在一个幺正变换V使得，且,V是一个酉变换。这样期望值就可以被重写成我们需要知道如何获得矩阵 V 和特征值 Λ。如果您已经有了特征值，那么就不需要使用量子计算机了，因为变分算法的目标是找到 H ^的这些特征值。幸运的是，有一种方法可以解决这个问题：任何矩阵都可以写成。
2024-12-10 22:50:35
817
matlab报错——此类型的变量不支持使用点进行索引。
2022-05-08
关于#pycharm#的问题
2021-07-21
TA创建的收藏夹 TA关注的收藏夹
TA关注的人