量子计算机性能测试:用镜像电路方法更快、更准确

美国桑迪亚国家实验室提出了一种新型的量子计算机性能基准测试方法——镜像电路测试,该方法能更准确地预测量子处理器执行特定程序的能力,揭示传统基准测试低估的错误。这种方法不仅节省测试时间,还能暴露传统测试中未充分考虑的错误复合效应,有助于研究人员更好地理解和改进量子计算机的性能。

 

 美国桑迪亚国家实验室的研究人员设计出测量量子计算机性能标准的新方式图片来源:网络

近日美国桑迪亚国家实验室设计出了一种新型基准测试方法可预测量子处理器准确运行特定程序的可能性。这意味着,研究人员们可以通过新工具重新评估量子计算机在执行现实任务中的能力,从而更真实地反映量子计算机的真正潜力和局限性。

该研究发表在《Nature Physics 相比于常规测试,镜像电路方法是一种更快、更准确更有助于实用量子计算机研发测试技术并将大大加速医学、化学、物理、农业和国家安全等方面的研究。

桑迪亚国家实验室为量子计算机设计了一种更快、更准确的测试方式图片来源:网络

 

研究人员们一直在进行测量随机量子电路操作性能的工作研究认为,传统的基准测试低估了许多量子计算错误这将导致人们对量子计算机实际性能产生理解偏差

参与该研究的桑迪亚量子性能实验室成员计算机科学家Timothy Proctor说“量子计算社区的标准做法是仅使用随机、无序的程序来测量性能,我们的测试结果表明,这并不精准

新研究表明,镜像电路提供了一种更准确的测试方法。根据该论文可知,镜像电路测试一种计算机程序,它可以将数据进行正向和反向计算并在以下三个方面表现出独特优势:

桑迪亚国家实验室计算机科学家、论文的第一作者Tim Proctor。(图片来源:网络

首先,镜像电路测试方法大大节省了测试时间,从而支持研究人员进行日益复杂的量子计算机性能测量的需求大多数基准测试的思路是,在量子计算机和传统计算机上运行相同的指令集来检查错误根据结果的匹配程度来确定是否存在错误由于量子计算机执行某些计算的速度要远快于传统计算机,这使得研究人员可能需要很长时间等待传统计算机出运行结果

镜像电路测试方法中输入与输出的一致性,可以支持研究人员立即检查量子计算机的测试结果。

其次,新方法揭示了传统性能评级的缺陷Tim Proctor团队发现传统随机测试忽略或低估了量子计算错误的复合影响。出现错误后,随着程序继续运行,错误率会变得更高,最终导致错误越来越多。通过模仿功能程序,桑迪亚实验室团队发现最终结果往往比随机测试显示的差异更大。

镜像电路基准测试结果表明,当前量子计算机的性能在结构化程序中的可变性比之前已知的要大得多。”

此外,镜像电路方法还有助于研究人员更深入地认识如何改进当前的量子计算机。“将镜像电路测试方法应用于当前的量子计算机可以帮助研究人员检测出更多错误——因为不同类型的错误对不同程序的影响程度不同。”Proctor说,这是第一次在多量子比特处理器中观察到这些连带效应。镜像电路基准测试方法是第一个大规模探索这些误差影响的工具。”

参考:

Timothy Proctor, Kenneth Rudinger, Kevin Young, Erik Nielsen & Robin Blume-Kohout:《Measuring the capabilities of quantum computers》2021.12.20, Nature Physics.

编译:李每

编辑:慕一

本课题设计了一种利用Matlab平台开发的植物叶片健康状态识别方案,重点融合了色彩与纹理双重特征以实现对叶片病害的自动化判别。该系统构建了直观的图形操作界面,便于用户提交叶片影像并快速获得分析结论。Matlab作为具备高效数值计算与数据处理能力的工具,在图像分析与模式分类领域应用广泛,本项目正是借助其功能解决农业病害监测的实际问题。 在色彩特征分析方面,叶片影像的颜色分布常与其生理状态密切相关。通常,健康的叶片呈现绿色,而出现黄化、褐变等异常色彩往往指示病害或虫害的发生。Matlab提供了一系列图像处理函数,例如可通过色彩空间转换与直方图统计来量化颜色属性。通过计算各颜色通道的统计参数(如均值、标准差及主成分等),能够提取具有判别力的色彩特征,从而为不同病害类别的区分提供依据。 纹理特征则用于描述叶片表面的微观结构与形态变化,如病斑、皱缩或裂纹等。Matlab中的灰度共生矩阵计算函数可用于提取对比度、均匀性、相关性等纹理指标。此外,局部二值模式与Gabor滤波等方法也能从多尺度刻画纹理细节,进一步增强病害识别的鲁棒性。 系统的人机交互界面基于Matlab的图形用户界面开发环境实现。用户可通过该界面上传待检图像,系统将自动执行图像预处理、特征抽取与分类判断。采用的分类模型包括支持向量机、决策树等机器学习方法,通过对已标注样本的训练,模型能够依据新图像的特征向量预测其所属的病害类别。 此类课题设计有助于深化对Matlab编程、图像处理技术与模式识别原理的理解。通过完整实现从特征提取到分类决策的流程,学生能够将理论知识与实际应用相结合,提升解决复杂工程问题的能力。总体而言,该叶片病害检测系统涵盖了图像分析、特征融合、分类算法及界面开发等多个技术环节,为学习与掌握基于Matlab的智能检测技术提供了综合性实践案例。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值