【摘 要】
：
求取一个无符号数的倒数在数值计算中有着重要的应用.如何在量子电路中高效准确地求出倒数,影响着许多量子算法的性能.在此提出了一种求倒数近似值的量子算法及其量子电路的设计方法.首先将输入的二进制数存储在输入寄存器中;通过添加Toffoli门将两个n位二进制数每一位相乘的结果保存在2n个辅助量子比特中;再重复利用基础量子门设计出的n位量子全加器对辅助量子比特进行低位置零的移位相加;用控制非门设计置零电路对辅助寄存器进行置零操作以重复利用辅助量子比特,最后设计出了一种量子电路宽度较小的量子乘法器.应用牛顿迭代法解
【机 构】
：
中国矿业大学 信息与控制工程学院,江苏 徐州 221116
论文部分内容阅读
求取一个无符号数的倒数在数值计算中有着重要的应用.如何在量子电路中高效准确地求出倒数,影响着许多量子算法的性能.在此提出了一种求倒数近似值的量子算法及其量子电路的设计方法.首先将输入的二进制数存储在输入寄存器中;通过添加Toffoli门将两个n位二进制数每一位相乘的结果保存在2n个辅助量子比特中;再重复利用基础量子门设计出的n位量子全加器对辅助量子比特进行低位置零的移位相加;用控制非门设计置零电路对辅助寄存器进行置零操作以重复利用辅助量子比特,最后设计出了一种量子电路宽度较小的量子乘法器.应用牛顿迭代法解得一个求倒数近似值的系统图,然后在上述量子全加器和量子乘法器的基础上,设计出系统中各模块的量子电路图,最后连接各模块电路图,形成一个完整的求倒数量子算法的量子电路.通过分析,该量子电路提高了辅助量子比特的利用率,并且具有较低的计算复杂性.
其他文献
路径规划在诸多领域都有重要的应用价值,研究者们提出了多种解决路径规划问题的算法.但复杂场景下的路径规划问题并未得到很好的解决,特别是窄通道和Z字形场景下的路径规划问题.为了解决这一问题,提出了一种关键点路径规划方法.该方法通过关键点的引入,将整个路径规划切分成多个较短的子路径规划,从而降低问题的规模,提高规划效率;同时,这些关键点将随机路径搜索转化为启发式搜索,从而大幅提高了在窄通道和Z字形下的路径规划效率.算法首先确定绕过障碍物的关键点,然后使用这些关键点引导规划过程,初步规划出一条路径.最后通过路径压
影响力最大化问题是信息网络挖掘中的热门研究问题之一,大多数信息网络包含了多种不同类型的节点和连接边,其本质属于异质信息网络,然而以前关于影响力最大化问题的研究大多停留在同质信息网络,它们考虑的节点和连接边类型单一,这与现实的信息网络有所差别.异质信息网络的影响力最大化问题其关键在于如何识别异质信息网络中最有影响力的节点.为了能融合网络中的异质信息并衡量节点影响力,提出了一种基于加权PageRank的异质信息网络影响力最大化算法.该算法保留了网络中所有类型节点和连接边的信息,通过考虑异质信息网络中不同类型节
文本分类是NLP(natural language processing,自然语言处理)处理技术的重要分支.信息检索、文本挖掘作为自然语言处理领域的关键技术,给人们的生活带来了许多便利,而文本分类正是这些关键技术开展的重要基础.文本分类作为自然语言处理研究的一个热点,其主要原理是将文本数据按照一定的分类规则实现自动化分类.目前常见的文本分类方式主要分为基于机器学习和基于深度学习两种,它们的本质是通过计算机自主学习从而提取文本信息中的规则来进行分类.针对数据量较小、硬件运算能力较低的应用场景,往往使用基于机
行人属性识别(pedestrian attribute recognition,PAR)的目的是从输入图像中挖掘行人的属性信息.近年来,卷积神经网络(convolution neural network,CNN)的兴起在行人属性识别中获得了广泛的应用.现有的方法多采用属性不可知的视觉注意或启发式的身体部位定位机制来增强局部特征表达,而忽略了多模型集成所能够带来的提升,因此该领域内鲜少有集成算法的提出.为了进一步提高行人属性识别的性能,该文从CNN模型的预测概率角度入手,基于元学习提出了一种行人属性识别的概
针对夜间车辆检测模型的实时性要求,以YOLO v4模型为基础,将主干特征提取网络更改为灵活性强且易于实现的MobileNet V2,并将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘.然后将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低,因此通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代.最后得到一个轻量化的车辆检测模型,使其检测速度更快,更能满足夜间车
随着人工智能的发展,包含控制成为近年来研究的热点问题.为了解决有向切换通信拓扑下含非凸输入约束和通信时滞的采样多智能体系统包含控制问题,设计了一种基于投影的分布式非线性包含控制算法.该算法只需要利用智能体自身和相邻智能体的交互信息就能实现输入受限跟随者的包含.首先将跟随者与领导者构成的凸区域的最大距离选定为李雅普诺夫函数,接着引入约束算子描述跟随者的非凸约束,并将系统的非凸模型转化时变线性模型,然后运用李雅普诺夫稳定性理论、凸分析等方法证明了在通信拓扑的并集中只要每个跟随者至少有一条从领导者到该跟随者的有
社区检测被用于通过观察拓扑结构来寻找网络的最合理的分区,是多层复杂网络分析的一个重要任务.针对多层复杂网络的社区检测问题,该文提出了一种基于网络层加权的局部社区检测算法(MWLCD).首先针对不同类型的网络,该算法使用超参数结合两种不同的加权方案量化了多层复杂网络中不同网络层的权值,然后引入了局部密度概念来确定种子节点附近的核心节点,以此避免了局部社区检测的社区划分质量依赖于种子节点所在位置优劣的问题.该算法基于社区核心节点将剩余节点依据其是否存在于社区内分为边界节点和外壳节点以及网络的未探索部分节点,并
针对常见的视频目标跟踪过程中由于背景相似干扰、遮挡和形变等一系列问题导致跟踪精度下降的问题,该文提出一种基于孪生网络特征融合与阈值更新的跟踪算法,并引入加权平均模块.该算法采用MobileNetV2作为特征提取网络,借助深度可分离卷积运算,减少模型的参数量,并由深至浅进行多层特征融合,使特征同时具备浅层与深层的信息;模板分支的特征送入注意力机制模块,提高对目标关键特征的关注度;将融合并通过注意力机制后的特征向量的互相关结果与原始提取的特征向量的互相关结果再进行加权平均获得响应图;响应最高位置的相似度与设定
针对传统的极化码译码(SC译码)算法实际应用中的用时较长和容错率较差的问题,提出并使用新型人工神经网络——时间卷积网络(temporal convolutional network,TCN)拟合的方式搭建极化码译码模型.与其他人工神经网络不同的是,时间卷积网络属于卷积神经网络(convolutional neural network,CNN),和循环神经网络(recurrent neural network,RNN)的功能相似,其独有的膨胀因果卷积结构和残差链接方法使其擅于分析时间数据,比长短期记忆网络(
随着自动驾驶技术和点云处理技术的不断发展,如何对点云数据中的点的相关特征进行分析就成为关键问题.针对点云特征分析问题,很多的文献中对点云特征值采取手动输入的方法.然而,该类方法无法适应实际环境中复杂多变的情况.为了解决该问题,该文提出了一种新的基于深度学习网络的三维点云检测框架.该框架以深度学习作为点云分析工具,并引入三维视觉机理,在点云分析时网络会通过已有数据集的训练自动寻找需要注意的点云区域,从而极大地减少了计算成本.在测试时,采用自动驾驶点云数据集对网络进行应用.实验结果表明,与其他三维点云物体检测