基于NCP门库的一维量子行走可逆逻辑电路

本文提出了基于NCP门库的一维量子行走可逆逻辑电路设计方案.根据一维量子行走的特点,电路被划分为投掷硬币和S操作两个部分;文章详细分析一维量子行走,对其行为数学建模,巧妙利用可控加减电路实现了S操作.目前对于量子行走算法的研究多数局限于数学理论和数理解析层面,在量子电路理论层面对量子行走算法的研究为数不多.本文利用原始递归给出了一维量子行走中每一步在量子电路理论层面上的数学表达式;提出的可逆逻辑电路描述了一维量子行走的最基本操作,并且将其使用模块化表示,使一维量子行走算法的研究从理论到实现上前进了一步.     

类选择排序的可逆逻辑综合算法

可逆逻辑综合是指对给定的可逆函数自动构造对应的可逆逻辑电路.由于搜索空间随电路规模增长成指数增长,现有的可逆逻辑综合算法虽然能够得到近似最优的解,但是都存在计算时间过长的问题.文中提出了一种类似选择排序的可逆逻辑综合算法,其实质为基于变换规则的合成法.它采用一个无向无权图表示所有可以进行变换的路径,在综合的过程中,采用选择排序思想每次从小到大的选择需要交换的输出项,然后从路径选择图中找到最优的路径进行变换,最终使得函数的输出序列有序即完成综合.此外,文中还对得到的量子电路进行了优化.实验表明,相比其它综合算法,该算法不仅总能获得最优解或近似最优解,而且效率高、易于实现.     

融合Self-Attention机制和n-gram卷积核的 印尼语复合名词自动识别方法研究

针对印尼语复合名词短语自动识别,提出一种融合Self-Attention机制、n-gram卷积核的神经网络和统计模型相结合的方法,改进现有的多词表达抽取模型。在现有SHOMA模型的基础上,使用多层CNN和Self-Attention机制进行改进。对Universal Dependencies公开的印尼语数据进行复合名词短语自动识别的对比实验,结果表明:TextCNN+Self-Attention+CRF模型取得32.20的短语多词识别F_1值和32.34的短语单字识别F_1值,比SHOMA模型分别提升了4.93%和3.04%。     

基于位运算的量子可逆逻辑电路快速综合算法

量子可逆逻辑电路是构建量子计算机的基本单元.本文结合可逆逻辑电路综合的多种算法,根据可逆逻辑电路综合的本质是置换问题,巧妙应用位运算构造高效完备的Hash函数,提出了基于Hash表的新颖高效的量子可逆逻辑电路综合算法,可使用多种量子门,以极高的效率生成最优的量子可逆逻辑电路,从理论上实现制造量子电路的成本最低.按照国际同行认可的3变量可逆函数测试标准,该算法不仅能够生成全部最优电路,而且运行速度远远超过其它算法.实验结果表明,该算法按最小长度标准综合电路的平均速度是目前最好结果的69.8倍.     

基于二分法量子可逆逻辑电路综合

 为了能以较小的代价自动高效地构造量子可逆逻辑电路,提出了一种新颖的量子可逆逻辑电路综合方法.该方法通过线拓扑变换和对换演算,利用递归思想,将n量子电路综合问题转换成单量子电路综合问题,从而完成电路综合,经过局部优化生成最终电路.该算法综合出全部的3变量可逆函数,未优化时平均需6.41个EGT门,优化后平均只需5.22个EGT门;理论分析表明,综合n量子电路最多只需要n2^n－1个EGT门.与同类算法相比,综合电路所用可逆门的数量大幅减少.同时该算法还避免了时空复杂度太大的问题,便于经典计算机实现.     

基于Grover硬币算子的量子行走在商图上的演化算子

商图是利用图的对称性分析量子行走算法的一种重要数学工具.量子行走在商图上的演化算子由移位算子和硬币算子构成.本文以构造的方式给出了Grover硬币算子在超立方体的商图上对应的矩阵形式,并给出了其正确性证明.由于商图上的移位算子可由原图上的移位算子直接导出,从而确定了使用Grover算子作为硬币的量子行走在商图上的演化算子.     

在改革中推进大学计算机基础教育

本文介绍了近年来东南大学在计算机基础教育和教学方面所进行的改革与取得的经验。另外还介绍了我校计算机基础教学指导委员会的主要工作经验。     

迭代次数自适应的Grover算法

本文提出了利用相位门自动控制Grover搜索算法迭代次数的算法．Grover搜索算法最终得到目标分量的概率非常依赖于酉算子迭代的次数．迭代次数的计算依赖于目标分量的数量．因此当目标分量数未知时,该方法无法以高概率测量到目标分量．在以往的解决方案中需要较高的Oracle查询复杂度才能以一定概率得到目标分量的数量．本文提出了一种通过判断叠加态相位正负性,可自动控制Grover搜索算法迭代次数的方法．只需要添加一个判断相位的门电路,仅增加一次Oracle查询次数就可以精确的在最优迭代次数时停止Grover搜索算法,在搜索空间较小时可比原算法有更大的概率得到目标分量．