কোয়ান্টাম ভিশন ট্রান্সফরমার

কোয়ান্টাম ভিশন ট্রান্সফরমার

এল আমিন চেরাট1, Iordanis Kerenidis1,2, নাতানশ মাথুর1,2, জোনাস ল্যান্ডম্যান3,2, মার্টিন স্ট্রাহম4, এবং ইউন ইভোনা লি4

1আইআরআইএফ, সিএনআরএস - ইউনিভার্সিটি প্যারিস সিটি, ফ্রান্স
2QC Ware, Palo Alto, USA এবং Paris, France
3স্কুল অফ ইনফরমেটিক্স, ইউনিভার্সিটি অফ এডিনবার্গ, স্কটল্যান্ড, ইউকে
4F. Hoffmann La Roche AG

এই কাগজ আকর্ষণীয় খুঁজুন বা আলোচনা করতে চান? স্কাইটে বা স্কাইরেটে একটি মন্তব্য দিন.

বিমূর্ত

এই কাজে, কোয়ান্টাম ট্রান্সফরমারগুলি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং চিত্র বিশ্লেষণে অত্যন্ত পারফরম্যান্স হিসাবে পরিচিত অত্যাধুনিক ক্লাসিক্যাল ট্রান্সফরমার নিউরাল নেটওয়ার্ক আর্কিটেকচারগুলিকে প্রসারিত করে বিশদভাবে ডিজাইন এবং বিশ্লেষণ করা হয়েছে। পূর্ববর্তী কাজের উপর ভিত্তি করে, যা ডেটা লোডিং এবং অর্থোগোনাল নিউরাল স্তরগুলির জন্য প্যারামেট্রিসড কোয়ান্টাম সার্কিট ব্যবহার করে, আমরা প্রশিক্ষণ এবং অনুমানের জন্য তিন ধরণের কোয়ান্টাম ট্রান্সফরমার প্রবর্তন করি, যার মধ্যে একটি কোয়ান্টাম ট্রান্সফরমার রয়েছে যৌগিক ম্যাট্রিসের উপর ভিত্তি করে, যা কোয়ান্টাম মনোযোগ প্রক্রিয়ার একটি তাত্ত্বিক সুবিধার গ্যারান্টি দেয়। অ্যাসিম্পোটিক রান টাইম এবং মডেল প্যারামিটারের সংখ্যা উভয় ক্ষেত্রেই তাদের ক্লাসিক্যাল প্রতিরূপের তুলনায়। এই কোয়ান্টাম আর্কিটেকচারগুলি অগভীর কোয়ান্টাম সার্কিট ব্যবহার করে তৈরি করা যেতে পারে এবং গুণগতভাবে বিভিন্ন শ্রেণিবিন্যাস মডেল তৈরি করতে পারে। তিনটি প্রস্তাবিত কোয়ান্টাম মনোযোগ স্তরগুলি ক্লাসিক্যাল ট্রান্সফরমারগুলিকে ঘনিষ্ঠভাবে অনুসরণ করা এবং আরও কোয়ান্টাম বৈশিষ্ট্য প্রদর্শনের মধ্যে বর্ণালীতে পরিবর্তিত হয়। কোয়ান্টাম ট্রান্সফরমারের বিল্ডিং ব্লক হিসাবে, আমরা কোয়ান্টাম স্টেট হিসাবে একটি ম্যাট্রিক্স লোড করার জন্য একটি অভিনব পদ্ধতির পাশাপাশি কোয়ান্টাম কম্পিউটারের সংযোগ এবং মানের বিভিন্ন স্তরের সাথে অভিযোজিত দুটি নতুন প্রশিক্ষণযোগ্য কোয়ান্টাম অর্থোগোনাল স্তরের প্রস্তাব করছি। আমরা স্ট্যান্ডার্ড মেডিকেল ইমেজ ডেটাসেটগুলিতে কোয়ান্টাম ট্রান্সফরমারগুলির বিস্তৃত সিমুলেশনগুলি সঞ্চালিত করেছি যা প্রতিযোগিতামূলকভাবে দেখায় এবং কখনও কখনও ক্লাসিক্যাল বেঞ্চমার্কের তুলনায় ভাল পারফরম্যান্স, যার মধ্যে সেরা-ইন-ক্লাস ক্লাসিক্যাল ভিশন ট্রান্সফরমারগুলিও রয়েছে৷ এই ছোট আকারের ডেটাসেটগুলিতে আমরা যে কোয়ান্টাম ট্রান্সফরমারগুলিকে প্রশিক্ষিত করেছি তার জন্য স্ট্যান্ডার্ড ক্লাসিক্যাল বেঞ্চমার্কের তুলনায় কম পরামিতি প্রয়োজন। অবশেষে, আমরা আমাদের কোয়ান্টাম ট্রান্সফরমারগুলি সুপারকন্ডাক্টিং কোয়ান্টাম কম্পিউটারগুলিতে প্রয়োগ করেছি এবং ছয়টি কিউবিট পরীক্ষার জন্য উত্সাহজনক ফলাফল পেয়েছি।

এই গবেষণায়, আমরা নিউরাল নেটওয়ার্ক আর্কিটেকচারগুলিকে উন্নত করতে কোয়ান্টাম কম্পিউটিংয়ের সম্ভাব্যতা অন্বেষণ করি, ট্রান্সফরমারগুলিতে ফোকাস করে, ভাষা প্রক্রিয়াকরণ এবং চিত্র বিশ্লেষণের মতো কাজগুলিতে তাদের কার্যকারিতার জন্য পরিচিত৷ আমরা তিন ধরনের কোয়ান্টাম ট্রান্সফরমার প্রবর্তন করি, প্যারামেট্রাইজড কোয়ান্টাম সার্কিট এবং অর্থোগোনাল নিউরাল লেয়ারের সুবিধা। এই কোয়ান্টাম ট্রান্সফরমারগুলি, কিছু অনুমানের অধীনে (যেমন হার্ডওয়্যার সংযোগ), তাত্ত্বিকভাবে রানটাইম এবং মডেল প্যারামিটার উভয়ের ক্ষেত্রে ক্লাসিক্যাল প্রতিরূপের তুলনায় সুবিধা প্রদান করতে পারে। এই কোয়ান্টাম সার্কিট তৈরি করতে আমরা কোয়ান্টাম স্টেট হিসাবে ম্যাট্রিক্স লোড করার জন্য একটি অভিনব পদ্ধতি উপস্থাপন করি এবং বিভিন্ন কোয়ান্টাম কম্পিউটার ক্ষমতার সাথে খাপ খাইয়ে নেওয়া যায় এমন দুটি প্রশিক্ষণযোগ্য কোয়ান্টাম অর্থোগোনাল স্তর প্রবর্তন করি। তাদের অগভীর কোয়ান্টাম সার্কিট প্রয়োজন, এবং অনন্য বৈশিষ্ট্য সহ শ্রেণীবিভাগ মডেল তৈরি করতে সাহায্য করতে পারে। মেডিকেল ইমেজ ডেটাসেটের বিস্তৃত সিমুলেশন ক্লাসিক্যাল বেঞ্চমার্কের তুলনায় প্রতিযোগিতামূলক কর্মক্ষমতা প্রদর্শন করে, এমনকি কম পরামিতি সহ। অতিরিক্তভাবে, সুপারকন্ডাক্টিং কোয়ান্টাম কম্পিউটারের পরীক্ষাগুলি আশাব্যঞ্জক ফলাফল দেয়।

► বিবিটেক্স ডেটা

। তথ্যসূত্র

[1] জ্যাকব বিয়ামন্টে, পিটার উইটেক, নিকোলা প্যানকোটি, প্যাট্রিক রেবেনট্রোস্ট, নাথান উইবে এবং সেথ লয়েড। "কোয়ান্টাম মেশিন লার্নিং"। প্রকৃতি 549, 195–202 (2017)।
https: / / doi.org/ 10.1038 / nature23474

[2] Iris Cong, Soonwon Choi, এবং Mikhail D Lukin. "কোয়ান্টাম কনভোলিউশনাল নিউরাল নেটওয়ার্ক"। প্রকৃতি পদার্থবিদ্যা 15, 1273–1278 (2019)।
https:/​/​doi.org/​10.1038/​s41567-019-0648-8

[3] কিশোর ভারতী, আলবা সার্ভেরা-লিয়ের্তা, থি হা কিয়াও, টোবিয়াস হাগ, সুমনার আলপেরিন-লিয়া, অভিনব আনন্দ, ম্যাথিয়াস ডিগ্রোট, হারমানি হেইমোনেন, জ্যাকব এস কোটম্যান, টিম মেনকে, এবং অন্যান্য। "কোলাহলযুক্ত মধ্যবর্তী-স্কেল কোয়ান্টাম অ্যালগরিদম"। আধুনিক পদার্থবিজ্ঞানের পর্যালোচনা 94, 015004 (2022)।
https: / / doi.org/ 10.1103 / RevModPhys.94.015004

[4] মার্কো সেরেজো, অ্যান্ড্রু আররাস্মিথ, রায়ান বাবুশ, সাইমন সি বেঞ্জামিন, সুগুরু এন্ডো, কেইসুক ফুজি, জারড আর ম্যাকক্লিন, কোসুকে মিতারাই, জিয়াও ইউয়ান, লুকাজ সিনসিও, এবং অন্যান্য। "ভেরিয়েশনাল কোয়ান্টাম অ্যালগরিদম"। প্রকৃতি পর্যালোচনা পদার্থবিদ্যা 3, 625–644 (2021)।
https:/​/​doi.org/​10.1038/​s42254-021-00348-9

[5] জোনাস ল্যান্ডম্যান, নাতানশ মাথুর, ইউন ইভোনা লি, মার্টিন স্ট্রাহম, স্কন্দার কাজদাঘলি, অনুপম প্রকাশ, এবং ইওর্দানিস কেরেনিডিস। "নিউরাল নেটওয়ার্কের জন্য কোয়ান্টাম পদ্ধতি এবং মেডিকেল ইমেজ শ্রেণীবিভাগে প্রয়োগ"। কোয়ান্টাম 6, 881 (2022)।
https:/​/​doi.org/​10.22331/​q-2022-12-22-881

[6] বোবাক কিয়ানি, র্যান্ডাল ব্যালেস্ট্রিয়েরো, ইয়ান লেকুন এবং সেথ লয়েড। "প্রজুন: একক ম্যাট্রিক্স সহ গভীর নেটওয়ার্ক প্রশিক্ষণের জন্য দক্ষ পদ্ধতি"। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমে অগ্রগতি 35, 14448–14463 (2022)।

[7] আশিস ভাসওয়ানি, নোম শাজির, নিকি পারমার, জ্যাকব উসকোরিট, লিয়ন জোন্স, আইদান এন গোমেজ, লুকাস কায়সার এবং ইলিয়া পোলোসুখিন। "মনোযোগ আপনার প্রয়োজন"। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমে অগ্রগতি 30 (2017)।

[8] জ্যাকব ডেভলিন, মিং-ওয়েই চ্যাং, কেন্টন লি এবং ক্রিস্টিনা তুতানোভা। "বার্ট: ভাষা বোঝার জন্য গভীর দ্বিমুখী ট্রান্সফরমারের প্রাক-প্রশিক্ষণ" (2018)।

[9] আলেক্সি ডসোভিটস্কি, লুকাস বেয়ার, আলেকজান্ডার কোলেসনিকভ, ডার্ক উইজেনবর্ন, জিয়াওহুয়া ঝাই, টমাস আনটারথিনার, মোস্তফা দেহঘানি, ম্যাথিয়াস মাইন্ডারার, জর্জ হেইগোল্ড, সিলভাইন গেলি, জ্যাকব উসকোরিট এবং নিল হোলসবি। "একটি চিত্রের মূল্য 16×16 শব্দ: স্কেলে চিত্র স্বীকৃতির জন্য ট্রান্সফরমার"। শেখার প্রতিনিধিত্বের আন্তর্জাতিক সম্মেলন (2021)। url: openreview.net/forum?id=YicbFdNTTy।
https://​/​openreview.net/​forum?id=YicbFdNTTy

[10] ইয়ি তাই, মোস্তফা দেহানি, দারা বাহরি এবং ডোনাল্ড মেটজলার। "দক্ষ ট্রান্সফরমার: একটি জরিপ"। ACM Computing Surveys (CSUR) (2020)।
https: / / doi.org/ 10.1145 / 3530811

[11] Dzmitry Bahdanau, Kyunghyun Cho, এবং Yoshua Bengio. "জয়েন্টলি লার্নিং টু অ্যালাইন অ্যান্ড ট্রান্সলেট দ্বারা নিউরাল মেশিন ট্রান্সলেশন" (2016)। arXiv:1409.0473 [cs, stat]।
arXiv: 1409.0473

[12] জে. স্মিডুবার। "সম্পূর্ণ পুনরাবৃত্ত নেটগুলিতে শেখার জটিলতা এবং সময়ের পরিবর্তনশীল ভেরিয়েবলের সংখ্যার মধ্যে অনুপাত হ্রাস করা"। স্ট্যান গিলেন এবং বার্ট ক্যাপেন, সম্পাদক, ICANN '93-এ। পৃষ্ঠা 460-463। লন্ডন (1993)। স্প্রিংগার।
https:/​/​doi.org/​10.1007/​978-1-4471-2063-6_110

[13] জার্গেন স্মিডহুবার। "দ্রুত ওজনের স্মৃতি নিয়ন্ত্রণ করতে শেখা: গতিশীল পুনরাবৃত্ত নেটওয়ার্কের বিকল্প"। নিউরাল কম্পিউটেশন 4, 131-139 (1992)।
https://​doi.org/​10.1162/​neco.1992.4.1.131

[14] পিটার চা, পল গিন্সপার্গ, ফেলিক্স উ, জুয়ান ক্যারাসকুইলা, পিটার এল ম্যাকমোহন এবং ইউন-আহ কিম। "মনোযোগ-ভিত্তিক কোয়ান্টাম টমোগ্রাফি"। মেশিন লার্নিং: বিজ্ঞান ও প্রযুক্তি 3, 01LT01 (2021)।
https://​doi.org/​10.1088/​2632-2153/​ac362b

[15] রিকার্ডো ডি সিপিও, জিয়া-হং হুয়াং, স্যামুয়েল ইয়েন-চি চেন, স্টেফানো মাঙ্গিনি এবং মার্সেল ওয়ারিং। "কোয়ান্টাম প্রাকৃতিক ভাষা প্রক্রিয়াকরণের ভোর"। ICASSP 2022-2022 IEEE ইন্টারন্যাশনাল কনফারেন্স অন অ্যাকোস্টিকস, স্পিচ অ্যান্ড সিগন্যাল প্রসেসিং (ICASSP)। পৃষ্ঠা 8612-8616। IEEE (2022)।
https://​doi.org/​10.1109/​ICASSP43922.2022.9747675

[16] গুয়াংসি লি, জুয়ানকিয়াং ঝাও এবং জিন ওয়াং। "টেক্সট শ্রেণীবিভাগের জন্য কোয়ান্টাম স্ব-মনোযোগ নিউরাল নেটওয়ার্ক" (2022)।

[17] ফ্যাবিও সানচেস, শন ওয়েইনবার্গ, তাকানোরি আইদে এবং কাজুমিৎসু কামিয়া। "গাড়ির রাউটিং সমস্যার জন্য শক্তিবৃদ্ধি শেখার নীতিতে সংক্ষিপ্ত কোয়ান্টাম সার্কিট"। শারীরিক পর্যালোচনা A 105, 062403 (2022)।
https: / / doi.org/ 10.1103 / ফিজারিভা 105.062403

[18] ইউয়ানফু ইয়াং এবং মিন সান। "হাইব্রিড ক্লাসিক্যাল-কোয়ান্টাম ডিপ লার্নিং দ্বারা সেমিকন্ডাক্টর ত্রুটি সনাক্তকরণ"। CVPRPages 2313–2322 (2022)।
https://​doi.org/​10.1109/​CVPR52688.2022.00236

[19] ম্যাক্সওয়েল হেন্ডারসন, সমৃদ্ধি শাক্য, শশীন্দ্র প্রধান এবং ত্রিস্তান কুক। "কোয়ানভোলিউশনাল নিউরাল নেটওয়ার্ক: কোয়ান্টাম সার্কিট দিয়ে ইমেজ রিকগনিশন পাওয়ারিং"। কোয়ান্টাম মেশিন ইন্টেলিজেন্স 2, 1–9 (2020)।
https: / / doi.org/ 10.1007 / s42484-020-00012-y

[20] এডওয়ার্ড ফারহি এবং হার্টমুট নেভেন। "নিজের মেয়াদী প্রসেসরগুলিতে কোয়ান্টাম নিউরাল নেটওয়ার্কগুলির সাথে শ্রেণীবিভাগ" (2018)। url: doi.org/​10.48550/​arXiv.1802.06002।
https://​doi.org/​10.48550/​arXiv.1802.06002

[21] কোসুকে মিতারাই, মাকোতো নেগোরো, মাসাহিরো কিতাগাওয়া এবং কেইসুকে ফুজি। "কোয়ান্টাম সার্কিট লার্নিং"। শারীরিক পর্যালোচনা A 98, 032309 (2018)।
https: / / doi.org/ 10.1103 / ফিজারিভা 98.032309

[22] কুই জিয়া, শুয়াই লি, ইউক্সিন ওয়েন, টংলিয়াং লিউ এবং দাচেং তাও। "অর্থোগোনাল গভীর নিউরাল নেটওয়ার্ক"। প্যাটার্ন বিশ্লেষণ এবং মেশিন বুদ্ধিমত্তার উপর IEEE লেনদেন (2019)।
https://​/​doi.org/​10.1109/​TPAMI.2019.2948352

[23] রজার এ হর্ন এবং চার্লস আর জনসন। "ম্যাট্রিক্স বিশ্লেষণ"। ক্যামব্রিজ ইউনিভার্সিটি প্রেস. (2012)।
https: / / doi.org/ 10.1017 / CBO9780511810817

[24] Iordanis Kerenidis এবং অনুপম প্রকাশ। "সাবস্পেস স্টেটের সাথে কোয়ান্টাম মেশিন লার্নিং" (2022)।

[25] ব্রুকস ফক্সেন, চার্লস নিল, অ্যান্ড্রু ডানসওয়ার্থ, পেড্রাম রওশান, বেন চিয়ারো, অ্যান্থনি মেগ্রান্ট, জুলিয়ান কেলি, জিজুন চেন, কেভিন স্যাটজিঙ্গার, রামি বারেন্ডস, এট আল। "নিকট-মেয়াদী কোয়ান্টাম অ্যালগরিদমের জন্য দুই-কুবিট গেটের একটি অবিচ্ছিন্ন সেট প্রদর্শন করা"। শারীরিক পর্যালোচনা পত্র 125, 120504 (2020)।
https: / / doi.org/ 10.1103 / ফিজিরভাইলেট .125.120504

[26] সোনিকা জোহরি, শান্তনু দেবনাথ, অবিনাশ মোচেরলা, আলেকজান্দ্রোস সিংক, অনুপম প্রকাশ, জংসাং কিম, এবং ইওর্দানিস কেরেনিদিস। "একটি আটকে পড়া আয়ন কোয়ান্টাম কম্পিউটারে নিকটতম সেন্ট্রয়েড শ্রেণিবিন্যাস"। npj কোয়ান্টাম তথ্য 7, 122 (2021)।
https:/​/​doi.org/​10.1038/​s41534-021-00456-5

[27] জেমস ডব্লিউ কুলি এবং জন ডব্লিউ টুকি। "জটিল ফোরিয়ার সিরিজের মেশিন গণনার জন্য একটি অ্যালগরিদম"। গণনার গণিত 19, 297–301 (1965)।
https:/​/​doi.org/​10.1090/​S0025-5718-1965-0178586-1

[28] লি জিং, ইচেন শেন, তেনা ডুবসেক, জন পিউরিফয়, স্কট এ. স্কিরলো, ইয়ান লেকুন, ম্যাক্স টেগমার্ক এবং মারিন সোলজাসিক। "টিউনেবল দক্ষ ইউনিটারি নিউরাল নেটওয়ার্ক (ইউন) এবং rnns-এ তাদের প্রয়োগ"। মেশিন লার্নিং এর আন্তর্জাতিক সম্মেলনে। (2016)। url: api.semanticscholar.org/CorpusID:5287947।
https://​/​api.semanticscholar.org/​CorpusID:5287947

[29] Leo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla, and Elham Kashefi. "মেশিন লার্নিংয়ের জন্য হ্যামিং-ওজন সংরক্ষণকারী কোয়ান্টাম সার্কিটের প্রশিক্ষণযোগ্যতা এবং অভিব্যক্তি" (2023)। arXiv:2309.15547.
arXiv: 2309.15547

[30] এনরিকো ফন্টানা, ডিলান হারম্যান, শৌভানিক চক্রবর্তী, নীরজ কুমার, রোমিনা ইয়ালোভেটস্কি, জেমি হেরেজ, শ্রী হরি সুরেশবাবু এবং মার্কো পিস্টোইয়া। "সংলগ্ন অংশটি আপনার প্রয়োজন: কোয়ান্টাম অ্যানসেজে অনুর্বর মালভূমির বৈশিষ্ট্যযুক্ত" (2023)। arXiv:2309.07902।
arXiv: 2309.07902

[31] মাইকেল রাগোন, বোজকো এন. বাকালভ, ফ্রেডেরিক সভেজ, আলেকজান্ডার এফ. কেম্পার, কার্লোস অরটিজ মারেরো, মার্টিন লারোকা এবং এম. সেরেজো। "গভীর প্যারামেট্রাইজড কোয়ান্টাম সার্কিটের জন্য অনুর্বর মালভূমির একীভূত তত্ত্ব" (2023)। arXiv:2309.09342।
arXiv: 2309.09342

[32] জুচেন ইউ এবং জিয়াওদি উ। "কোয়ান্টাম নিউরাল নেটওয়ার্কে দ্রুতগতিতে অনেক স্থানীয় মিনিমা"। মেশিন লার্নিং এর আন্তর্জাতিক সম্মেলনে। পৃষ্ঠা 12144-12155। PMLR (2021)।

[33] এরিক আর. আনশুয়েৎজ এবং বোবাক তৌসি কিয়ানি। "কোয়ান্টাম ভেরিয়েশনাল অ্যালগরিদমগুলি ফাঁদ দিয়ে জলাবদ্ধ"। প্রকৃতি যোগাযোগ 13 (2022)।
https:/​/​doi.org/​10.1038/​s41467-022-35364-5

[34] ইলিয়া ও. টলস্টিখিন, নিল হোলসবি, আলেকজান্ডার কোলেসনিকভ, লুকাস বেয়ার, জিয়াওহুয়া ঝাই, থমাস আনটারথিনার, জেসিকা ইউং, ড্যানিয়েল কিজারস, জ্যাকব উসকোরিট, মারিও লুসিক এবং অ্যালেক্সি ডসোভিটস্কি। "এমএলপি-মিক্সার: দৃষ্টির জন্য একটি অল-এমএলপি আর্কিটেকচার"। নিউরিআইপিএস-এ। (2021)।

[35] জিয়ানচেং ইয়াং, রুই শি এবং বিংবিং নি। "মেডমনিস্ট ক্লাসিফিকেশন ডেক্যাথলন: মেডিকেল ইমেজ বিশ্লেষণের জন্য একটি লাইটওয়েট অটোএমএল বেঞ্চমার্ক" (2020)।
https://​doi.org/​10.1109/​ISBI48211.2021.9434062

[36] জিয়ানচেং ইয়াং, রুই শি, ডংলাই ওয়েই, জেকুয়ান লিউ, লিন ঝাও, বিলিয়ান কে, হ্যান্সপিটার ফিস্টার এবং বিংবিং নি। "Medmnist v2- 2d এবং 3d বায়োমেডিকাল ইমেজ শ্রেণীবিভাগের জন্য একটি বড় মাপের লাইটওয়েট বেঞ্চমার্ক"। বৈজ্ঞানিক তথ্য 10, 41 (2023)।
https:/​/​doi.org/​10.1038/​s41597-022-01721-8

[37] অ্যাঞ্জেলোস কাথারোপোলোস, অপূর্ব ব্যাস, নিকোলাওস পাপ্পাস এবং ফ্রাঁসোয়া ফ্লুরেট। "ট্রান্সফরমার হল rnns: রৈখিক মনোযোগ সহ দ্রুত অটোরিগ্রেসিভ ট্রান্সফরমার"। মেশিন লার্নিং এর আন্তর্জাতিক সম্মেলনে। পৃষ্ঠা 5156-5165। PMLR (2020)।

[38] জেমস ব্র্যাডবেরি, রয় ফ্রস্টিগ, পিটার হকিন্স, ম্যাথিউ জেমস জনসন, ক্রিস লিরি, ডগাল ম্যাকলরিন, জর্জ নেকুলা, অ্যাডাম পাসজকে, জেক ভ্যান্ডারপ্লাস, স্কাই ওয়ান্ডারম্যান-মিলনে এবং কিয়াও ঝাং। "JAX: Python+NumPy প্রোগ্রামগুলির সংমিশ্রণযোগ্য রূপান্তর"। Github (2018)। url: http://​/​github.com/​google/​jax।
http://​/​github.com/​google/​jax

[39] ডিডেরিক পি কিংমা এবং জিমি বা. "আদম: স্টোকাস্টিক অপ্টিমাইজেশানের জন্য একটি পদ্ধতি"। CoRR abs/ 1412.6980 (2015)।

[40] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun, and Bohyung Han. "শব্দ দ্বারা গভীর নিউরাল নেটওয়ার্কগুলিকে নিয়মিত করা: এর ব্যাখ্যা এবং অপ্টিমাইজেশন"। নিউরিআইপিএস (2017)।

[41] জুই ইং। "ওভারফিটিং এবং এর সমাধানগুলির একটি ওভারভিউ"। পদার্থবিজ্ঞানের জার্নালে: সম্মেলন সিরিজ। ভলিউম 1168, পৃষ্ঠা 022022। IOP পাবলিশিং (2019)।
https:/​/​doi.org/​10.1088/​1742-6596/​1168/​2/​022022

দ্বারা উদ্ধৃত

[১] ডেভিড পেরাল গার্সিয়া, জুয়ান ক্রুজ-বেনিটো, এবং ফ্রান্সিসকো হোসে গার্সিয়া-পেনালভো, "সিস্টেমেটিক লিটারেচার রিভিউ: কোয়ান্টাম মেশিন লার্নিং এবং এর প্রয়োগ", arXiv: 2201.04093, (2022).

[২] এল আমিন চেরাট, স্নেহাল রাজ, ইওর্দানিস কেরেনিডিস, অভিষেক শেখর, বেন উড, জন ডি, শৌভানিক চক্রবর্তী, রিচার্ড চেন, ডিলান হারম্যান, শাওহান হু, পিয়েরে মিনসেন, রুসলান শ্যাডুলিন, ইউ সান, রোমিনা ইয়ালোভেটস্কি, এবং মারকো পিক। "কোয়ান্টাম ডিপ হেজিং", কোয়ান্টাম 7, 1191 (2023).

[৫] লিও মনব্রোসু, জোনাস ল্যান্ডম্যান, অ্যালেক্স বি গ্রিলো, রোমেন কুকলা, এবং এলহাম কাশেফি, "মেশিন লার্নিংয়ের জন্য হ্যামিং-ওয়েট সংরক্ষণ কোয়ান্টাম সার্কিটগুলির প্রশিক্ষণযোগ্যতা এবং অভিব্যক্তি", arXiv: 2309.15547, (2023).

[৪] সোহম ঠক্কর, স্কন্দার কাজদাঘলি, নাতানশ মাথুর, ইওরদানিস কেরেনিডিস, আন্দ্রে জে. ফেরেরা-মার্টিনস, এবং সামুরাই ব্রিটো, "কোয়ান্টাম মেশিন লার্নিংয়ের মাধ্যমে উন্নত আর্থিক পূর্বাভাস", arXiv: 2306.12965, (2023).

[৮] জেসন আইকোনিস এবং সোনিকা জোহরি, "টেনসর নেটওয়ার্ক ভিত্তিক দক্ষ কোয়ান্টাম ডেটা লোডিং অফ ইমেজ", arXiv: 2310.05897, (2023).

[৬] নিশান্ত জৈন, জোনাস ল্যান্ডম্যান, নাতানশ মাথুর, এবং ইওর্ডানিস কেরেনিডিস, "প্যারামেট্রিক PDEs সমাধানের জন্য কোয়ান্টাম ফুরিয়ার নেটওয়ার্কস", arXiv: 2306.15415, (2023).

[৭] ড্যানিয়েল মাস্ট্রোপিয়েত্রো, জর্জিওস কোরপাস, ব্যাচেস্লাভ কুঙ্গুরতসেভ, এবং জ্যাকব মারেসেক, "ফ্লেমিং-ভায়োট অনুর্বর মালভূমির উপস্থিতিতে বৈচিত্র্যগত কোয়ান্টাম অ্যালগরিদমগুলিকে দ্রুততর করতে সাহায্য করে", arXiv: 2311.18090, (2023).

[৮] আলিজা ইউ. সিদ্দিকী, কেইটলিন গিলি এবং ক্রিস ব্যালেন্স, "স্ট্রেসিং আউট মডার্ন কোয়ান্টাম হার্ডওয়্যার: পারফরম্যান্স ইভালুয়েশন অ্যান্ড এক্সিকিউশন ইনসাইট", arXiv: 2401.13793, (2024).

উপরের উদ্ধৃতিগুলি থেকে প্রাপ্ত এসএও / নাসার এডিএস (সর্বশেষে সফলভাবে 2024-02-22 13:37:43 আপডেট হয়েছে)। সমস্ত প্রকাশক উপযুক্ত এবং সম্পূর্ণ উদ্ধৃতি ডেটা সরবরাহ না করায় তালিকাটি অসম্পূর্ণ হতে পারে।

আনতে পারেনি ক্রসরেফ দ্বারা উদ্ধৃত ডেটা শেষ প্রয়াসের সময় 2024-02-22 13:37:41: ক্রসরেফ থেকে 10.22331 / q-2024-02-22-1265 এর জন্য উদ্ধৃত ডেটা আনা যায়নি। ডিওআই যদি সম্প্রতি নিবন্ধিত হয় তবে এটি স্বাভাবিক।

সময় স্ট্যাম্প:

থেকে আরো কোয়ান্টাম জার্নাল

মাল্টিভেরিয়েট বহুপদী সিস্টেম সমাধানের জন্য এইচএইচএল অ্যালগরিদম ব্যবহার করার জন্য ম্যাকোলে ম্যাট্রিক্স পদ্ধতির সীমাবদ্ধতা

উত্স নোড: 1866043
সময় স্ট্যাম্প: জুলাই 26, 2023

আর্থিক ঝুঁকি বিশ্লেষণের জন্য কোয়ান্টাম মন্টে কার্লো সিমুলেশন: ইক্যুইটি, হার এবং ক্রেডিট ঝুঁকির কারণগুলির জন্য দৃশ্যকল্প তৈরি করা

উত্স নোড: 1961783
সময় স্ট্যাম্প: এপ্রিল 4, 2024