Notice bibliographique
Résumé
Working on quantum systems entail different interests, for example, working on fundamental \nunderstanding of quantum systems also lay foundation for better quantum computation \ntechniques. A test for whether a system is behaving quantum mechanically or \nclassically is devised by Leggett and Garg in form of inequalities, called Leggett-Garg Inequalities \n(LGI). Such Inequalities are violated by a system whose evolution is governed \nby quantum mechanics. A precise experiment to violate LGIs require a guarantee that the \nmeasurement does not affect the system or its future dynamics. These Inequalities were \nproposed for dichotomic systems,systems which can have two outcomes. Here we present \nan LG experiment on a three-level quantum system, which theoretically have larger quantum \nupper bound than that of a two-level quantum system. This larger violation also \nprovides a bigger buffer to taking in account of the various experimental imperfections. \nPerforming a quantum computing task requires precise level of control to initialize, \nperform and measure the quantum system. With increasing size of the quantum processor \nthe challenge is to maintain optimal control. Nuclear Magnetic Resonance (NMR) has \nalways been a very faithful test-bed for quantum processing ideas. In NMR, we perform \nRadio Frequency (RF) pulses to control and steer the system to the desired state. Most \nused method to derive the exact frequency and amplitude of these pulses for a given \ntask is based on gradient. Although systematic, one have to simulate these pulses on \na classical computer first, which makes the task very inefficient. We report a a way of \nperforming optimization with a hybrid quantum-classical scheme. This scheme helps us \nperform classically harder computational tasks on the quantum processor. We optimize \npulses which drive our system from 7-coherence state to 12-coherence state on a 12-qubit \nNMR processor. \nElectron Spin Resonance (ESR) employs the same techniques as of NMR but having \nadvantage in larger polarization compared to later. Although this does not imply better \ncontrol, cause the frequency at which pulses are required to control an ESR system fall into \nmicrowave region. Microwave frequency are harder to control electronically, thus making \nit harder for performing ESR quantum computing. The hybrid scheme used in NMR \nexperiment relies on some ideal pulses which are needed to be optimized classically. We \nalleviate this requirement by using finite difference method of calculating gradient. We \ncompare these methods with the earlier methods to show the superiority of such a scheme. \nState-to-state transfer pulses are sufficient for most of the quantum computing task, \nbut, an universal quantum information implementation requires state independent pulses. \nThe techniques used in optimizing state-to-state pulses can be modified to optimize for a \nstate independent pulse. We show that this methods scale polynomially with the number \nof qubits and is general in terms of its implementation. We further reduce the resource \nrequirement by using a NMR related implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».