量子比特

　　传统的信息处理器会将信息在不同物理载体中倒腾，这些载体可以是伴随计算机科学一路走来的各种存储设备，例如磁盘、光盘以及闪存等等。 　　同样的， 量子信息技术也涉及信息在不同载体之间的操作。 只不过承载量子信息的载体就有些不同了，科学家们通常采用量子系统承载信息，而量子系统的不同量子态就是信息的最终表达方式。 　　最简单的量子系统是一个量子比特（qubit），一般有两个状态——“0” 和 “1”，但是不同于经典数位状态只编码两种信息，一个二状态量子比特实际上可在任何时间为两个状态的叠加态，也就是说可以编码很多信息，而这也是量子比特能够承载更多信息的缘由。 　　 就最新的发展来看，由单原子和单分子构成的复合型量子纠缠系统已经诞生，对未来考虑使用分子进行量子信息处理产生推动作用。 　　 这项工作的论文在线发表于学术期刊 Nature 上，由中美科学家联合完成，题为 “Quantum entanglement between an atom and a molecule”。 论文第一作者与通讯作者、中国科学技术大学物理学院近代物理系教授林毅恒，曾师从 2012 年诺贝尔物理奖得主 David Wineland 教授，并于美国国家标准技术研究所担任访问研究员。 　　 　　（来源：Nature） 　　 首次原子和分子之间的量子纠缠 　　文中不但介绍了迄今为止最小的量子系统—

【推荐阅读】微服务还能火多久？>>> 　　麻省理工团队首次在金中发现马约拉纳粒子，有助于高容错量子计算机研发 　　 美国麻省理工学院的物理学家日前成功在一种常见金属——“金”（没错，就是金子的金）的表面，实际观察到了马约拉纳粒子，证明了其存在。 这为高 “容错” 型量子计算机研发开启了新的可能。这项研究发表在《美国国家科学院院刊》（PNAS）上。 　　费米粒子（Fermions）是物理学中的一种基本粒子，一切自旋（Spin）为 1/2 的粒子，比如电子、质子和中子，其实在分类上都是费米粒子。费米粒子的概念最早由英国物理学家保罗 · 狄拉克（Paul Dirac） 提出，认为每个费米粒子在宇宙中都存在着一个与之相对的反粒子。 　　后来到了 1937 年，意大利物理学家艾托尔 · 马约拉纳（Ettore Majorana）进一步发展了该理论，认为费米粒子中有些粒子，也就是我们这里所说的马约拉纳粒子，与其反粒子在各项性质上其实是无法区分的。这后来在物理学界掀起了一股寻找马约拉纳粒子的热潮，甚至一直持续到了现在。 　　此前已有理论认为，中微子就是马约拉纳粒子的一种，但没有实证。除此之外，也有理论提出，马约拉纳粒子或能在一些特殊条件下在固体中被观察到。而麻省理工学院的这项研究给出了实证。 　　 　　图 | 此次研究中，“金”表面的马约拉纳粒子想象概念图。（来源：stock images） 　

问题 一直很苦恼深度学习对GPU的依赖，也很羡慕那些土豪玩家动不动几十张N卡训练各种复杂网络模型 各种打比赛，各种刷论文 可是身为草根屌丝的我，积累了N年也只有一个capability为4的显卡，难道就没办法玩复杂模型了吗？ 于是我便开始不断琢磨使用更少量的计算和结构而能达到深度学习同样效果的方法 发现 近期看到TensorFlow峰会介绍TFQ中实现了量子神经网络 https://www.bilibili.com/video/BV1Q54y1R7aS?from=search&seid=1236825802957325049 其中benchmark的效果让我眼前一亮 如上图，其中黄色和蓝色的部分是QNN迭代的结果，绿色是传统神经网络迭代的结果 于是开始恶补量子计算，想验证下 网上有一篇文章，10分钟读懂量子计算： http://www.360doc.com/content/17/0709/21/22487509_670134284.shtml 该文中描述的量子计算大致原理，使用一堆量子比特来描述某个问题集合发生的概率 思想有点类似于贝叶斯网络，只不过这里网络的节点换成了量子比特 但文中有一些关键点没有交代清楚： 1.“量子操作”具体该怎么操作？预先就知道答案了，对其中的候选量子进行加权，岂不是多此一举？ 2.重复次数是怎么得到的？ 于是，在好奇心的驱使下

ylbtech-化学-分子间作用力：百科 分子间作用力，又称范德瓦尔斯力（van der Waals force）。是存在于中性分子或原子之间的一种 弱碱性 的电性吸引力。分子间作用力（范德瓦尔斯力）有三个来源：① 极性分子 的永久 偶极矩 之间的相互作用。②一个极性分子使另一个分子极化，产生诱导偶极矩并相互吸引。③分子中电子的运动产生瞬时偶极矩，它使临近分子瞬时 极化 ，后者又反过来增强原来分子的瞬时偶极矩；这种相互耦合产生静电吸引作用，这三种力的贡献不同，通常第三种作用的贡献最大。 分子间作用力只存在于 分子 (molecule)与分子之间或 惰性气体 (noble gas) 原子 (atom)间的作用力，又称范德华力(van der waals)，具有 加和性 ，属于 次级键 。 氢键 (hydrogen bond)、弱 范德华力 、 疏水 作用力、芳环堆积作用、 卤键 都属于 次级键 （又称分子间弱相互作用）。 1. 返回顶部 1、 中文名：分子间作用力 外文名：intermolecular force 别 名：范德华力，范氏力 作用对象：分子之间 高分子化合物内官能团 一般分类： 范德华力 、 氢键 、其他非共价键 来源分类： 色散力 ， 取向力 ， 诱导力 ，其他 归 属：化学，力，分子间力 目录 1 氢键 2 作用力分类 ▪ 色散力 ▪ 诱导力 ▪ 取向力 ▪

前情回顾： 简单的量子算法(一)：Hadamard 变换、Parity Problem 好的，现在开始正版的故事，Simon’s Algorithm 有一个secret string，是n位的0，1串 \(s \in \{0,1 \} ^n\) 现在有一个黑盒子，f(x)，我们对他唯一的了解就是 \(f(x)=f(x \oplus s)\) ，输入的x也是n位的0，1串 \(x \in \{0,1 \} ^n\) 请问，要多少次，我们可以找到这个secret string? 如果我们能找到 \(x\) 和 \(x \oplus s\) ，那么非常容易，就可以得到s，只要 \(x\oplus x\oplus s\) 。 那么如果找到两个输入拥有相同的输出呢？ 这个问题其实是另一个大家都很熟悉的问题的变形，一群人中，要多少人就有两个人的生日是相同的，印象中，23人两个人的生日是相同的概率就大于50%了，如果有60个人，那么两个人生日相同的概率就超过99%了。 这个问题和生日问题的解法是一样的，就不再累述了，想要知道的请搜索生日问题，在这里，我们给出一个大概的答案，是 \(2^{n/2}\) c次。 量子解法一共有三步： set up random superposition $ \frac{1}{\sqrt2} |r\rangle +\frac{1}{\sqrt2} |r \oplus

问题定义： Problem： \(f: \{ 0,1,2,3,……,N-1 \} \rightarrow \{0,1\}\) 找到 \(f(x)=1\) 的x 解法 经典解法： 经典解法很简单，就是把每一个都看一遍，如果只有一个x对应的f(x)=1，那么平均是要看一半，才能找到那个x。 时间复杂度O(N) 量子解法： 使用Grover search 算法，时间复杂度在 \(O(\sqrt N)\) Grover search 算法 Grover search 算法一共分为两步： Phase Inversion Inversion about the Mean 然后不断的迭代这两步我们就能够得到结果了。 首先我们先看看这两个步骤分别在做什么： 我们把 $f(x)=1 $ 的 \(|x\rangle\) 称为 \(x^*\) ，我们要找的也就是这个 \(x^*\) 。 Phase Inversion: 这一步主要是把 \(x^*\) 的概率幅翻转，变成负数，而其他的保持不变。 即，把 \(\sum_{x } \alpha_x|x\rangle\) 变成 \(\sum_{x \neq x^*} \alpha_x|x\rangle -\alpha_{x^*}|x^*\rangle\) Inversion about the Mean 这一步呢，就是把 \(\alpha_x\) 变成 \(2