NISQ-kompatibler Näherungsquantenalgorithmus für uneingeschränkte und eingeschränkte diskrete Optimierung

Neuauflage von Plato

Verfolger: 0

Herr Perelshtein^1,2,3, AI Pakhomchik¹, Ar. A. Melnikow¹, M. Podobrii¹, A. Termanova¹, I. Kreidich¹, B. Nuriev¹, S. Iudin¹, CW Mansell¹, und V. M. Vinokur^1,4

¹Terra Quantum AG, Kornhausstrasse 25, 9000 St. Gallen, Schweiz
²QTF Center of Excellence, Department of Applied Physics, Aalto University, P.O. Box 15100, FI-00076 AALTO, Finnland
³InstituteQ – das finnische Quanteninstitut, Aalto-Universität, Finnland
⁴Physikabteilung, City College der City University of New York, 160 Convent Ave, New York, NY 10031, USA

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Quantenalgorithmen erfreuen sich aufgrund ihres Potenzials, klassische Algorithmen deutlich zu übertreffen, immer größerer Beliebtheit. Doch die Anwendung von Quantenalgorithmen auf Optimierungsprobleme stößt auf Herausforderungen im Zusammenhang mit der Effizienz des Trainings von Quantenalgorithmen, der Form ihrer Kostenlandschaft, der Genauigkeit ihrer Ausgabe und ihrer Fähigkeit, auf große Probleme zu skalieren. Hier präsentieren wir einen ungefähren, auf einem Gradienten basierenden Quantenalgorithmus für hardwareeffiziente Schaltkreise mit Amplitudenkodierung. Wir zeigen, wie einfache lineare Nebenbedingungen direkt in die Schaltung integriert werden können, ohne die Zielfunktion zusätzlich mit Straftermen zu modifizieren. Wir verwenden numerische Simulationen, um es an $texttt{MaxCut}$-Problemen mit vollständig gewichteten Graphen mit Tausenden von Knoten zu testen und führen den Algorithmus auf einem supraleitenden Quantenprozessor aus. Wir stellen fest, dass für uneingeschränkte $texttt{MaxCut}$-Probleme mit mehr als 1000 Knoten der Hybridansatz, der unseren Algorithmus mit einem klassischen Löser namens CPLEX kombiniert, eine bessere Lösung finden kann als CPLEX allein. Dies zeigt, dass die Hybridoptimierung einer der führenden Anwendungsfälle für moderne Quantengeräte ist.

NISQ-kompatibler ungefährer Quantenalgorithmus für uneingeschränkte und eingeschränkte diskrete Optimierung PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Ausgewähltes Bild: Eine Darstellung der Energie (oder Kosten) der Lösungen als Funktion der Anzahl der Iterationen. Die eingeschränkten Lösungen werden in Rot und die uneingeschränkten Lösungen in Grün angezeigt. Die gestrichelten Linien zeigen die Kosten der optimalen Lösungen.

Populäre Zusammenfassung

Unter Optimierung versteht man den Prozess der Anpassung von Systemen und Abläufen, um sie effizienter und effektiver zu machen. Stellen Sie sich zum Beispiel ein Bedienfeld in einer Fabrik mit vielen Einstellungen vor. Herauszufinden, wie man die Einstellungen anpassen kann, um die Fabrik so energieeffizient wie möglich zu machen, wäre eine Optimierungsaufgabe. Die Entwicklung besserer Optimierungsalgorithmen, sowohl klassischer als auch Quantenalgorithmen, ist ein wichtiges Forschungsgebiet.

Es ist oft sinnvoll, sich jede Kombination von Einstellungen so vorzustellen, dass sie einer Position auf einer Karte entspricht. Die zu optimierende Größe – die Energieeffizienz im vorherigen Beispiel – würde durch die Höhe der verschiedenen Kartenpositionen über dem Meeresspiegel dargestellt. In früheren Arbeiten wurde eine effiziente Methode zur Codierung von Optimierungsproblemen in Quantenprozessoren mit einer Gradienten-basierten Methode kombiniert (d. h. einer Methode, die die Steilheit oder Flachheit des Geländes nutzt, um zu entscheiden, welche Einstellungen als nächstes ausprobiert werden sollen).

Wir bauen auf dieser früheren Arbeit auf, indem wir einfache lineare Einschränkungen in das Problem integrieren. Dies ist sinnvoll, da in der Regel nicht jede Kombination von Einstellungen physikalisch möglich ist. Daher müssen die verfügbaren Optionen eingeschränkt werden. Wichtig ist, wie die Analyse in der Arbeit zeigt, dass unsere Art der Bereitstellung der Einschränkungen das Optimierungsproblem nicht schwieriger oder komplizierter macht.

► BibTeX-Daten

@article{Perelshtein2023nisqkompatible, doi = {10.22331/q-2023-11-21-1186}, url = {https://doi.org/10.22331/q-2023-11-21-1186}, Titel = {{NISQ }-kompatibler Näherungsquantenalgorithmus für uneingeschränkte und eingeschränkte diskrete Optimierung}, Autor = {Perelshtein, M. R. und Pakhomchik, A. I. und Melnikov, Ar. A. und Podobrii, M. und Termanova, A. und Kreidich, I. und Nuriev, B. und Iudin, S. und Mansell, C. W. und Vinokur, V. M.}, Zeitschrift = {{Quantum}}, issn = {2521- 327X}, Herausgeber = {{Verein zur F{“{o}}rdung des Open Access Publizierens in den Quantenwissenschaften}}, Band = {7}, Seiten = {1186}, Monat = Nov, Jahr = {2023} }

► Referenzen

[1] Frank Arute, Kunal Arya, Ryan Babbush, Dave Bacon, Joseph C. Bardin, Rami Barends, Rupak Biswas, Sergio Boixo, Fernando GSL Brandao, David A. Buell, et al. „Quantennäherungsoptimierung nichtplanarer Graphenprobleme auf einem planaren supraleitenden Prozessor“. Nature Physics 17, 332–336 (2021).
https: / / doi.org/ 10.1038 / s41567-020-01105-y

[2] Yulin Wu, Wan-Su Bao, Sirui Cao, Fusheng Chen, Ming-Cheng Chen, Xiawei Chen, Tung-Hsun Chung, Hui Deng, Yajie Du, Daojin Fan, et al. „Starker Quantenrechenvorteil mit einem supraleitenden Quantenprozessor“. Physik. Rev. Lett. 127, 180501 (2021).
https://doi.org/ 10.1103/PhysRevLett.127.180501

[3] Qingling Zhu, Sirui Cao, Fusheng Chen, Ming-Cheng Chen, Xiawei Chen, Tung-Hsun Chung, Hui Deng, Yajie Du, Daojin Fan, Ming Gong, et al. „Quantenberechnungsvorteil durch 60-Qubit-24-Zyklen-Zufallsschaltungsabtastung“. Science Bulletin 67, 240–245 (2022).
https: / / doi.org/ 10.1016 / j.scib.2021.10.017

[4] Suguru Endo, Zhenyu Cai, Simon C. Benjamin und Xiao Yuan. „Hybride quantenklassische Algorithmen und Quantenfehlerminderung“. Journal of the Physical Society of Japan 90, 032001 (2021).
https: / / doi.org/ 10.7566 / JPSJ.90.032001

[5] Michael Perelshtein, Asel Sagingalieva, Karan Pinto, Vishal Shete, Alexey Pakhomchik, Artem Melnikov, Florian Neukart, Georg Gesek, Alexey Melnikov und Valerii Vinokur. „Praktischer anwendungsspezifischer Vorteil durch hybrides Quantencomputing“ (2022). arXiv:2205.04858.
arXiv: 2205.04858

[6] Sergey Bravyi, Graeme Smith und John A. Smolin. „Handel mit klassischen und quanteninformatischen Ressourcen“. Physik. Rev. X 6, 021043 (2016).
https://doi.org/ 10.1103/PhysRevX.6.021043

[7] Jarrod R. McClean, Jonathan Romero, Ryan Babbush und Alán Aspuru-Guzik. „Die Theorie der Variations-Hybrid-Quanten-klassischen Algorithmen“. Neue Zeitschrift für Physik 18, 023023 (2016).
https://doi.org/10.1088/1367-2630/18/2/023023

[8] Jun Li, Xiaodong Yang, Xinhua Peng und Chang-Pu Sun. „Hybrider quantenklassischer Ansatz zur quantenoptimalen Kontrolle“. Physik. Rev. Lett. 118, 150503 (2017).
https://doi.org/ 10.1103/PhysRevLett.118.150503

[9] Daiwei Zhu, Norbert M Linke, Marcello Benedetti, Kevin A Landsman, Nhung H Nguyen, C Huerta Alderete, Alejandro Perdomo-Ortiz, Nathan Korda, A Garfoot, Charles Brecque, et al. „Training von Quantenschaltkreisen auf einem hybriden Quantencomputer“. Science Advances 5, eaaw9918 (2019).
https: / / doi.org/ 10.1126 / sciadv.aaw9918

[10] Akshay Ajagekar, Travis Humble und Fengqi You. „Quantum-Computing-basierte hybride Lösungsstrategien für groß angelegte diskret-kontinuierliche Optimierungsprobleme“. Computer & Chemieingenieurwesen 132, 106630 (2020).
https:///doi.org/10.1016/j.compchemeng.2019.106630

[11] Ruslan Shaydulin, Hayato Ushijima-Mwesigwa, Christian F. A. Negre, Ilya Safro, Susan M. Mniszewski und Yuri Alexeev. „Ein hybrider Ansatz zur Lösung von Optimierungsproblemen auf kleinen Quantencomputern“. Computer 52, 18–26 (2019).
https: / / doi.org/ 10.1109 / MC.2019.2908942

[12] Libor Caha, Alexander Kliesch und Robert Koenig. „Twisted-Hybrid-Algorithmen zur kombinatorischen Optimierung“. Quantenwissenschaft und -technologie 7, 045013 (2022).
https://doi.org/10.1088/2058-9565/ac7f4f

[13] Boukthir Haddar, Mahdi Khemakhem, Saïd Hanafi und Christophe Wilbaut. „Eine hybride Quantenteilchenschwarmoptimierung für das mehrdimensionale Rucksackproblem“. Technische Anwendungen künstlicher Intelligenz 55, 1–13 (2016).
https:///doi.org/10.1016/j.engappai.2016.05.006

[14] Reza Mahroo und Amin Kargarian. „Hybrid Quantum-Classical Unit Commitment“. Im Jahr 2022 IEEE Texas Power and Energy Conference (TPEC). Seiten 1–5. (2022).
https:///doi.org/10.1109/TPEC54980.2022.9750763

[15] Tony T Tran, Minh Do, Eleanor G Rieffel, Jeremy Frank, Zhihui Wang, Bryan O’Gorman, Davide Venturelli und J Christopher Beck. „Ein hybrider quantenklassischer Ansatz zur Lösung von Planungsproblemen“. Im neunten jährlichen Symposium zur kombinatorischen Suche. Band 7, Seiten 98–106. (2016).
https:///doi.org/10.1609/socs.v7i1.18390

[16] Xiao-Hong Liu, Mi-Yuan Shan, Ren-Long Zhang und Li-Hong Zhang. „Optimierung der Routenführung für umweltfreundliche Fahrzeuge basierend auf Kohlenstoffemission und multiobjektivem Hybrid-Quantenimmunalgorithmus“. Mathematische Probleme im Ingenieurwesen 2018, 8961505 (2018).
https: / / doi.org/ 10.1155 / 2018/8961505

[17] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, et al. „Variative Quantenalgorithmen“. Nature Reviews Physics 3, 625–644 (2021).
https://doi.org/10.1038/s42254-021-00348-9

[18] Samuel Mugel, Mario Abad, Miguel Bermejo, Javier Sánchez, Enrique Lizaso und Román Orús. „Hybride Quanteninvestitionsoptimierung mit minimaler Haltedauer“. Wissenschaftliche Berichte 11, 19587 (2021).
https: / / doi.org/ 10.1038 / s41598-021-98297-x

[19] Xiaozhen Ge, Re-Bing Wu und Herschel Rabitz. „Die Optimierungslandschaft hybrider quantenklassischer Algorithmen: Von der Quantenkontrolle zu NISQ-Anwendungen“. Annual Reviews in Control 54, 314–323 (2022).
https:///doi.org/10.1016/j.arcontrol.2022.06.001

[20] Edward Farhi, Jeffrey Goldstone und Sam Gutmann. „Ein quantennaher Optimierungsalgorithmus“ (2014). arXiv:1411.4028.
arXiv: 1411.4028

[21] Madita Willsch, Dennis Willsch, Fengping Jin, Hans De Raedt und Kristel Michielsen. „Benchmarking des Quantennäherungsoptimierungsalgorithmus“. Quanteninformationsverarbeitung 19, 197 (2020).
https://doi.org/10.1007/s11128-020-02692-8

[22] Danylo Lykov, Jonathan Wurtz, Cody Poole, Mark Saffman, Tom Noel und Yuri Alexeev. „Abtastfrequenzschwellen für den Quantenvorteil des Quanten-Approximationsoptimierungsalgorithmus“ (2022). arXiv:2206.03579.
arXiv: 2206.03579

[23] Davide Venturelli und Alexei Kondratyev. „Reverse Quantum Annealing-Ansatz für Portfoliooptimierungsprobleme“. Quantum Machine Intelligence 1, 17–30 (2019).
https: / / doi.org/ 10.1007 / s42484-019-00001-w

[24] WangChun Peng, BaoNan Wang, Feng Hu, YunJiang Wang, XianJin Fang, XingYuan Chen und Chao Wang. „Faktorisierung größerer Ganzzahlen mit weniger Qubits durch Quantenglühen mit optimierten Parametern“. Science China Physics, Mechanics & Astronomy 62, 60311 (2019).
https://doi.org/10.1007/s11433-018-9307-1

[25] Fred Glover, Gary Kochenberger und Yu Du. „Ein Tutorial zur Formulierung und Verwendung von QUBO-Modellen“ (2018). arXiv:1811.11538.
arXiv: 1811.11538

[26] Marcello Benedetti, Mattia Fiorentini und Michael Lubasch. „Hardwareeffiziente Variationsquantenalgorithmen für die Zeitentwicklung“. Physik. Rev. Res. 3, 033083 (2021).
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033083

[27] Sheir Yarkoni, Elena Raponi, Thomas Bäck und Sebastian Schmitt. „Quantenglühen für Industrieanwendungen: Einführung und Rückblick“. Berichte über Fortschritte in der Physik 85, 104001 (2022).
https://doi.org/10.1088/1361-6633/ac8c54

[28] Benjamin Tan, Marc-Antoine Lemonde, Supanut Thanasilp, Jirawat Tangpanitanon und Dimitris G. Angelakis. „Qubit-effiziente Kodierungsschemata für binäre Optimierungsprobleme“. Quantum 5, 454 (2021).
https://doi.org/10.22331/q-2021-05-04-454

[29] Jin-Guo Liu und Lei Wang. „Differenzierbares Lernen von durch Quantenschaltungen geborenen Maschinen“. Physik. Rev. A 98, 062324 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.062324

[30] Atsushi Matsuo, Yudai Suzuki und Shigeru Yamashita. „Problemspezifische parametrisierte Quantenschaltungen des VQE-Algorithmus für Optimierungsprobleme“ (2020). arXiv:2006.05643.
arXiv: 2006.05643

[31] Austin Gilliam, Stefan Woerner und Constantin Gonciulea. „Grover Adaptive Search für eingeschränkte polynomiale Binäroptimierung“. Quantum 5, 428 (2021).
https://doi.org/10.22331/q-2021-04-08-428

[32] Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu und Marco Pistoia. „Eingeschränkte Quantenoptimierung für die extraktive Zusammenfassung auf einem Quantencomputer mit gefangenen Ionen“. Wissenschaftliche Berichte 12, 17171 (2022).
https: / / doi.org/ 10.1038 / s41598-022-20853-w

[33] M. R. Perelshtein und A. I. Pakhomchik. „Polynomialer Hybrid-Quantenalgorithmus zur diskreten Optimierung“. Patent (2021).

[34] A. I. Pakhomchik und M. R. Perelshtein. „Hybride Quantenberechnungsarchitektur zur Lösung eines Systems linearer binärer Beziehungen“. Patent (2022).

[35] Richard M. Karp. „Reduzierbarkeit bei kombinatorischen Problemen“. Seiten 85–103. Springer USA. Boston, MA (1972).
https://doi.org/10.1007/978-1-4684-2001-2_9

[36] „QMware: Die erste globale Quantencloud“.

[37] „IBM Q-Erfahrung“.

[38] Giuseppe E. Santoro und Erio Tosatti. „Optimierung mittels Quantenmechanik: Quantenglühen durch adiabatische Evolution“. Journal of Physics A: Mathematical and General 39, R393 (2006).
https://doi.org/10.1088/0305-4470/39/36/R01

[39] Francisco Barahona, Martin Grötschel, Michael Jünger und Gerhard Reinelt. „Eine Anwendung der kombinatorischen Optimierung auf die statistische Physik und das Schaltungslayoutdesign“. Operations Research 36, 493–513 (1988).
https: / / doi.org/ 10.1287 / opre.36.3.493

[40] Giuseppe E. Santoro, Roman Martoňák, Erio Tosatti und Roberto Car. „Theorie des Quantenglühens eines Ising-Spin-Glases“. Wissenschaft 295, 2427–2430 (2002).
https: / / doi.org/ 10.1126 / science.1068774

[41] Yurii Nesterov und Vladimir Spokoiny. „Zufällige gradientenfreie Minimierung konvexer Funktionen“. Grundlagen der Computermathematik 17, 527–566 (2017).
https://doi.org/10.1007/s10208-015-9296-2

[42] Michael JD Powell. „Ein Blick auf Algorithmen zur Optimierung ohne Ableitungen“. Mathematics Today – Bulletin des Instituts für Mathematik und ihre Anwendungen 43, 170–174 (2007). URL:optimierung-online.org/wp-content/uploads/2007/06/1680.pdf.
https:///optimization-online.org/wp-content/uploads/2007/06/1680.pdf

[43] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac und Nathan Killoran. „Auswertung analytischer Gradienten auf Quantenhardware“. Phys. Rev. A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331

[44] Diederik P. Kingma und Jimmy Ba. „Adam: Eine Methode zur stochastischen Optimierung“ (2014). arXiv:1412.6980.
arXiv: 1412.6980

[45] Mohammad Kordzanganeh, Markus Buchberger, Maxim Povolotskii, Wilhelm Fischer, Andrii Kurkin, Wilfrid Somogyi, Asel Sagingalieva, Markus Pflitsch und Alexey Melnikov. „Benchmarking simulierter und physikalischer Quantenverarbeitungseinheiten mithilfe von Quanten- und Hybridalgorithmen“ Adv Quantum Technol. 2023, 6, 2300043 (2023). arXiv:2211.15631.
https: / / doi.org/ 10.1002 / qute.202300043
arXiv: 2211.15631

[46] IBM ILOG CPLEX. „Benutzerhandbuch für CPLEX“. International Business Machines Corporation 46, 157 (2009). URL: www.ibm.com/docs/en/icos/12.8.0.0?topic=cplex-users-manual.
https:///www.ibm.com/docs/en/icos/12.8.0.0?topic=cplex-users-manual

[47] M. Somov, M. Abelian, M. Podobrii, V. Voloshinov, M. Veshchezerova, B. Nuriev, D. Lemtiuzhnikova, M. Zarrin und M. R. Perelshtein. „Hybride Quanten-Branch-and-Bound-Pipeline für diskrete Optimierung“. unveröffentlicht (2023).

[48] Junyu Liu, Frederik Wilde, Antonio Anna Mele, Liang Jiang und Jens Eisert. „Rauschen kann für Variationsquantenalgorithmen hilfreich sein“ (2022). arXiv:2210.06723.
arXiv: 2210.06723

[49] Steven R. Weiß. "Dichtematrixformulierung für Quantenrenormalisierungsgruppen". Phys. Rev. Lett. 69, 2863–2866 (1992).
https://doi.org/ 10.1103/PhysRevLett.69.2863

[50] Johnnie Gray und Stefanos Kourtis. „Hyperoptimierte Tensornetzwerkkontraktion“. Quantum 5, 410 (2021).
https://doi.org/10.22331/q-2021-03-15-410

[51] Igor L. Markov und Yaoyun Shi. „Simulation von Quantenberechnungen durch Kontraktion von Tensornetzwerken“. SIAM Journal on Computing 38, 963–981 (2008).
https: / / doi.org/ 10.1137 / 050644756

[52] Yong Liu, Xin Liu, Fang Li, Haohuan Fu, Yuling Yang, Jiawei Song, Pengpeng Zhao, Zhen Wang, Dajia Peng, Huarong Chen, et al. „Die Lücke in der „Quantenüberlegenheit“ schließen: Echtzeitsimulation eines zufälligen Quantenschaltkreises mithilfe eines neuen Sunway-Supercomputers erreichen.“ In Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis. SC ’21New York, NY, USA (2021). Verband für Rechenmaschinen. URL: dl.acm.org/doi/abs/10.1145/3458817.3487399.
https: / / doi.org/ 10.1145 / 3458817.3487399

[53] Frank Arute, Kunal Arya, Ryan Babbush, Dave Bacon, Joseph C. Bardin, Rami Barends, Rupak Biswas, Sergio Boixo, Fernando GSL Brandao, David A. Buell, et al. „Quantenüberlegenheit mit einem programmierbaren supraleitenden Prozessor“. Natur 574, 505–510 (2019).
https://doi.org/10.1038/s41586-019-1666-5

[54] C. Schön, K. Hammerer, M. M. Wolf, J. I. Cirac und E. Solano. „Sequentielle Erzeugung von Matrixproduktzuständen in der Hohlraum-QED“. Physik. Rev. A 75, 032311 (2007).
https: / / doi.org/ 10.1103 / PhysRevA.75.032311

[55] Kouhei Nakaji und Naoki Yamamoto. „Ausdrückbarkeit des alternierenden Schichtansatzes für die Quantenberechnung“. Quantum 5, 434 (2021).
https://doi.org/10.22331/q-2021-04-19-434

[56] I. V. Oseledets. „Tensor-Train-Zerlegung“. SIAM Journal on Scientific Computing 33, 2295–2317 (2011).
https: / / doi.org/ 10.1137 / 090752286

[57] Roman Orús. "Eine praktische Einführung in Tensornetzwerke: Matrixproduktzustände und projizierte verschränkte Paarzustände". Annals of Physics 349, 117–158 (2014).
https: / / doi.org/ 10.1016 / j.aop.2014.06.013

[58] Danylo Lykov, Roman Schutski, Alexey Galda, Valeri Vinokur und Yuri Alexeev. „Tensor-Netzwerk-Quantensimulator mit schrittabhängiger Parallelisierung“. Im Jahr 2022 IEEE International Conference on Quantum Computing and Engineering (QCE). Seiten 582–593. (2022).
https: / / doi.org/ 10.1109 / QCE53715.2022.00081

[59] Ilia A Luchnikov, Mikhail E Krechetov und Sergey N Filippov. „Riemannsche Geometrie und automatische Differentiation für Optimierungsprobleme der Quantenphysik und Quantentechnologien“. New Journal of Physics 23, 073006 (2021).
https://doi.org/10.1088/1367-2630/ac0b02

[60] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles und M. Cerezo. „Diagnose karger Plateaus mit Werkzeugen der quantenoptimalen Kontrolle“. Quantum 6, 824 (2022).
https://doi.org/10.22331/q-2022-09-29-824

[61] Ar A Melnikov, A A Termanova, S V Dolgov, F Neukart und M R Perelshtein. „Quantenzustandsvorbereitung mithilfe von Tensornetzwerken“. Quantenwissenschaft und -technologie 8, 035027 (2023).
https://doi.org/10.1088/2058-9565/acd9e7

[62] Karol Życzkowski und Hans-Jürgen Sommers. „Durchschnittliche Genauigkeit zwischen zufälligen Quantenzuständen“. Physik. Rev. A 71, 032313 (2005).
https: / / doi.org/ 10.1103 / PhysRevA.71.032313

[63] Zoë Holmes, Kunal Sharma, M. Cerezo und Patrick J. Coles. „Ansatz-Expressibilität mit Gradientengrößen und unfruchtbaren Plateaus verbinden“. PRX Quantum 3, 010313 (2022).
https: / / doi.org/ 10.1103 / PRXQuantum.3.010313

[64] AI Pakhomchik, S. Yudin, MR Perelshtein, A. Alekseyenko und S. Yarkoni. „Lösung von Workflow-Planungsproblemen mit QUBO-Modellierung“ (2022). arXiv:2205.04844.
arXiv: 2205.04844

[65] Marko J. Rančić. „Verrauschter Quantencomputeralgorithmus mittlerer Skala zur Lösung eines $n$-Vertex-MaxCut-Problems mit log($n$)-Qubits“. Physik. Rev. Res. 5, L012021 (2023).
https:///doi.org/10.1103/PhysRevResearch.5.L012021

[66] Yagnik Chatterjee, Eric Bourreau und Marko J. Rančić. „Lösen verschiedener NP-schwerer Probleme mit exponentiell weniger Qubits auf einem Quantencomputer“ (2023). arXiv:2301.06978.
arXiv: 2301.06978

[67] Jacek Gondzio. „Warmstart der im Schnittebenenschema angewendeten Primal-Dual-Methode“. Mathematische Programmierung 83, 125–143 (1998).
https: / / doi.org/ 10.1007 / bf02680554

[68] Daniel J. Egger, Jakub Mareček und Stefan Woerner. „Warmstartende Quantenoptimierung“. Quantum 5, 479 (2021).
https://doi.org/10.22331/q-2021-06-17-479

[69] Felix Truger, Martin Beisel, Johanna Barzen, Frank Leymann und Vladimir Yussupov. „Auswahl und Optimierung von Hyperparametern in der Warmstart-Quantenoptimierung für das MaxCut-Problem“. Elektronik 11, 1033 (2022).
https:///doi.org/10.3390/electronics11071033

[70] Sukin Sim, Peter D. Johnson und Alán Aspuru-Guzik. „Expressibilität und Verschränkungsfähigkeit parametrisierter Quantenschaltungen für hybride quantenklassische Algorithmen“. Advanced Quantum Technologies 2, 1900070 (2019).
https: / / doi.org/ 10.1002 / qute.201900070

Zitiert von

[1] Ar A. Melnikov, AA Termanova, SV Dolgov, F. Neukart und MR Perelshtein, „Quantum State Preparation Using Tensor Networks“, Quantenwissenschaft und -technologie 8 3, 035027 (2023).

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2023, 11:21:14 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

Konnte nicht abrufen Crossref zitiert von Daten während des letzten Versuchs 2023-11-21 14:11:42: Von Crossref konnten keine zitierten Daten für 10.22331 / q-2023-11-21-1186 abgerufen werden. Dies ist normal, wenn der DOI kürzlich registriert wurde.

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
Quelle: https://quantum-journal.org/papers/q-2023-11-21-1186/

Zeitstempel: 21. November 2023

Zeitstempel: 11. September 2023

Neuauflage von Plato

Quantum Message-Passing-Algorithmus für optimale und effiziente Dekodierung

Anpassen von Quantenrauschmodellen an Tomographiedaten

Design von quantenoptischen Experimenten mit logischer künstlicher Intelligenz

Orthonormale Grundlagen extremer Quantenhaftigkeit

Von der nicht-markovianischen Dissipation zur räumlich-zeitlichen Kontrolle von Quanten-Nanogeräten

Abstraqt: Analyse von Quantenschaltungen mittels abstrakter Stabilisatorsimulation

Chirale Supraleitung im dotierten Dreiecksgitter-Fermi-Hubbard-Modell in zwei Dimensionen

Messungsbasierte Erzeugung und Erhaltung von Cat- und Grid-Zuständen innerhalb eines Continuous-Variable-Cluster-Zustands

Tiefeneffiziente Beweise der Quantenhaftigkeit

Jede konsistente Kopplung zwischen klassischer Schwerkraft und Quantenmaterie ist grundsätzlich irreversibel

Quantendaten fälschen: Klassisches Scheitern eines IQP-basierten Quantentests

Über uns

Vertikale Suche & Ai

Plattform

Bleiben Sie in Verbindung

Konto