「宽度」量子计算领域研究情况总览

简介:

量子计算可能是技术革命的下一个大跃迁。量子计算一旦进入实际应用,将会带来难以想象的创新。不仅像谷歌这样的大型技术公司在这个方向发力,全球的学术研究人员都在致力于发展量子计算的理论。资金也在不断涌入;在澳大利亚,新南威尔士政府已经批准了2600万美元的量子计算计划。

Quid分析了过去7年量子计算领域的学术论文,以了解各个重要细分领域以及背后都有谁参与。数据来自于SCOPUS,Quid筛选出3000多篇学术论文,以语义相似度构建网络,组成文献网络进一步分析。

「宽度」量子计算领域研究情况总览

文献网络展示了四个主要主题,基于主题之间的相互联系,我们可以推断电路与电子学(黄色)和量子比特研究/物理系统(红色)研究有更多的共通之处;另一方面,量子算法/模型(绿色)、逻辑和量子通信(紫色)大部分都比较独立,这意味着他们之间相对独立一些。

虽然去年对于量子计算的报道更多了,但是这些年,领域内的学术论文数量并没有增加,并且比例也没有发生大的变化

「宽度」量子计算领域研究情况总览

哪些学术机构以及公司引领趋势?

「宽度」量子计算领域研究情况总览

加拿大安大略省的滑铁卢大学、中国科学技术大学和马里兰州的马里兰大学。美国的马里兰大学虽然进入了TOP3但是比起前两名,还有不少差距。特别是量子通信领域只有三篇文献。

公司方面,IBM、NEC和微软是发文献的TOP3。NEC四个领域分布比较平均,IBM同样在量子通信领域没有什么产出,微软是押宝量子算法/模型和逻辑方向。

细分领域

从较为宏观的层次进行了趋势分析之后,可以进行更加细致的分析。

「宽度」量子计算领域研究情况总览

在量子研究/物理系统主题下,被引用最多的论文是‘Quantum discord for two-qubit X states’,由德国的达姆施塔特大学、美国路易斯安那州立大学和巴基斯坦南方科技学院合作发表。第二篇引人关注的论文是 ‘14-qubit entanglement: Creation and coherence’,加拿大滑铁卢大学和奥地利因斯布鲁克大学合作发表。

「宽度」量子计算领域研究情况总览

在电路电子学主题中最引人关注的论文是‘Observation of high coherence in Josephson Junction qubits measured in a three-dimensional circuit QED architecture’,美国耶鲁大学、芝加哥大学和马里兰大学合作发表。排第二的是‘Preparation and measurement of three-qubit entanglement in a superconducting circuit’,美国耶鲁大学和加拿大滑铁卢大学合作发表。

「宽度」量子计算领域研究情况总览

量子通信理论领域,‘Hacking commercial quantum cryptography systems by tailored bright illumination’排第一,挪威科技大学、德国埃朗根纽伦堡大学和墨西哥的瓜纳华托大学合作发表。排第二的是 ‘Proposal for implementing device-independent quantum key distribution based on a heralded qubit amplifier’,瑞士的日内瓦大学和比利时Libre de Bruxelles大学。

「宽度」量子计算领域研究情况总览

在算法领域,‘Design of magnetic coordination complexes for quantum computing’排第一,西班牙的Universitat de Barcelona和Universidad de Zaragoza合作发表。排第二的是 ‘Towards quantum chemistry on a quantum computer’,澳大利亚昆士兰大学、英国牛津大学、美国哈佛大学、杜鲁门州立大学和麻省理工学院合作发表。

目前对于量子计算的宣传源于多年的研究。通过纵览我们看到量子计算研究方向的丰富以及引领研究的大学以及公司。然而这只是冰山一角,量子计算商业化的故事才刚刚开始。


原文发布时间为:2017-09-16
本文作者:信息与电子前沿
本文来源:今日头条,如需转载请联系原作者。

目录
打赏
0
0
0
0
357
分享
相关文章
AI在椭圆曲线研究中发现“鸟群”现象
【2月更文挑战第24天】AI在椭圆曲线研究中发现“鸟群”现象
98 2
AI在椭圆曲线研究中发现“鸟群”现象
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
技术好文共享:辅助角公式的几何意义
技术好文共享:辅助角公式的几何意义
[视觉概述] 机器视觉应用方向、项目流程及学习思路总结
[视觉概述] 机器视觉应用方向、项目流程及学习思路总结
358 0
一种新的基于区域的在线活动轮廓模型研究(Matlab代码实现)
一种新的基于区域的在线活动轮廓模型研究(Matlab代码实现)
105 0
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(下)
基于图像的3D目标检测是自动驾驶领域的一个基本问题,也是一个具有挑战性的问题,近年来受到了业界和学术界越来越多的关注。得益于深度学习技术的快速发展,基于图像的3D检测取得了显著的进展。特别是,从2015年到2021年,已经有超过200篇研究这个问题的著作,涵盖了广泛的理论、算法和应用。然而,到目前为止,还没有一个调查来收集和组织这方面的知识。本文首次对这一新兴的不断发展的研究领域进行了全面综述,总结了基于图像的3D检测最常用的流程,并对其各个组成部分进行了深入分析。此外,作者还提出了两个新的分类法,将最先进的方法组织成不同的类别,以期提供更多的现有方法的系统综述,并促进与未来作品的公平比较。
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(下)
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(上)
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(上)
基于图像的3D目标检测是自动驾驶领域的一个基本问题,也是一个具有挑战性的问题,近年来受到了业界和学术界越来越多的关注。得益于深度学习技术的快速发展,基于图像的3D检测取得了显著的进展。特别是,从2015年到2021年,已经有超过200篇研究这个问题的著作,涵盖了广泛的理论、算法和应用。然而,到目前为止,还没有一个调查来收集和组织这方面的知识。本文首次对这一新兴的不断发展的研究领域进行了全面综述,总结了基于图像的3D检测最常用的流程,并对其各个组成部分进行了深入分析。此外,作者还提出了两个新的分类法,将最先进的方法组织成不同的类别,以期提供更多的现有方法的系统综述,并促进与未来作品的公平比较。在
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(上)
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(中)
基于图像的3D目标检测是自动驾驶领域的一个基本问题,也是一个具有挑战性的问题,近年来受到了业界和学术界越来越多的关注。得益于深度学习技术的快速发展,基于图像的3D检测取得了显著的进展。特别是,从2015年到2021年,已经有超过200篇研究这个问题的著作,涵盖了广泛的理论、算法和应用。然而,到目前为止,还没有一个调查来收集和组织这方面的知识。本文首次对这一新兴的不断发展的研究领域进行了全面综述,总结了基于图像的3D检测最常用的流程,并对其各个组成部分进行了深入分析。此外,作者还提出了两个新的分类法,将最先进的方法组织成不同的类别,以期提供更多的现有方法的系统综述,并促进与未来作品的公平比较。
纯视觉3D检测综述!一文详解3D检测现状、趋势和未来方向!(中)
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)