Adaptive Schätzung von Quantenobservablen

Neuauflage von Plato

Verfolger: 0

Ariel Shlosberg^1,2, Andrew J. Jena^3,4, Priyanka Mukhopadhyay^3,4, Jan F. Haase^3,5,6, Felix Leditzky^3,4,7,8, und Luca Dellantonio^3,5,9

¹JILA, University of Colorado und National Institute of Standards and Technology, Boulder, CO 80309, USA
²Institut für Physik, University of Colorado, Boulder, CO 80309, USA
³Institut für Quantencomputer, Universität Waterloo, Waterloo, ON N2L 3G1, Kanada
⁴Institut für Kombinatorik und Optimierung, University of Waterloo, Waterloo, ON N2L 3G1, Kanada
⁵Institut für Physik und Astronomie, University of Waterloo, Waterloo, ON N2L 3G1, Kanada
⁶Institut für Theoretische Physik und IQST, Universität Ulm, D-89069 Ulm, Deutschland
⁷Institut für Mathematik und IQUIST, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA
⁸Perimeter-Institut für Theoretische Physik, Waterloo, ON N2L 2Y5, Kanada
⁹Institut für Physik und Astronomie, University of Exeter, Stocker Road, Exeter EX4 4QL, Vereinigtes Königreich

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

Abstrakt

Die genaue Schätzung von Quantenobservablen ist eine kritische Aufgabe in der Wissenschaft. Mit den Fortschritten bei der Hardware wird die Messung eines Quantensystems immer anspruchsvoller, insbesondere für Variationsprotokolle, die ein umfangreiches Sampling erfordern. Hier führen wir ein Messschema ein, das den Schätzer basierend auf zuvor erhaltenen Daten adaptiv modifiziert. Unser Algorithmus, den wir AEQuO nennen, überwacht kontinuierlich sowohl den geschätzten Durchschnitt als auch den damit verbundenen Fehler der betrachteten Observable und bestimmt auf Basis dieser Informationen den nächsten Messschritt. Wir erlauben sowohl überlappende als auch nicht-bitweise Kommutierungsbeziehungen in den Teilmengen von Pauli-Operatoren, die gleichzeitig untersucht werden, wodurch die Menge der gesammelten Informationen maximiert wird. AEQuO gibt es in zwei Varianten: ein Greedy-Bucket-Filling-Algorithmus mit guter Leistung für kleine Probleminstanzen und ein auf maschinellem Lernen basierender Algorithmus mit günstigerer Skalierung für größere Instanzen. Die durch diese Subroutinen bestimmte Messkonfiguration wird weiter nachbearbeitet, um den Fehler des Schätzers zu verringern. Wir testen unser Protokoll an Chemie-Hamiltonianern, für die AEQuO Fehlerschätzungen bereitstellt, die alle hochmodernen Methoden auf der Grundlage verschiedener Gruppierungstechniken oder randomisierter Messungen verbessern, wodurch die Zahl der Messungen in aktuellen und zukünftigen Quantenanwendungen erheblich gesenkt wird.

Adaptive Schätzung von Quantenobservablen PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Ausgewähltes Bild: Schema von AEqUO, unserem Messalgorithmus. Ein beobachtbares O wird als Eingabe gegeben und über einen gewichteten Graphen dargestellt, aus dem es möglich ist, den Durchschnitt und den Fehler des Schätzers wiederzugewinnen. Nachdem die Clique des Graphen gefunden wurde, die den gleichzeitig messbaren Teilen von O entspricht, werden Schüsse entweder über die Subroutinen Machine Learning (ML) oder Bucket Filling (BF) zugewiesen. Wenn das Messbudget erschöpft ist, wird eine Nachbearbeitung angewendet und die endgültigen Werte der Durchschnitts- und Fehlerschätzungen werden erhalten.

Populäre Zusammenfassung

Quantensysteme werden im Gegensatz zu klassischen bei jeder Messung irreversibel zerstört. Dies hat tiefgreifende Auswirkungen, wenn man Informationen aus einem Quantensystem extrahieren möchte. Wenn man beispielsweise den Mittelwert einer Observablen schätzen muss, ist es oft erforderlich, das gesamte Experiment mehrmals zu wiederholen. Je nach verwendeter Messstrategie variieren die Anforderungen, um die gleiche Genauigkeit zu erreichen, erheblich. In dieser Arbeit schlagen wir einen neuen Ansatz vor, der die Ressourcen auf der Hardware erheblich senkt. Unsere Strategie ist adaptiv, in dem Sinne, dass sie lernt und die Messzuordnung verbessert, während Daten erfasst werden. Darüber hinaus ermöglicht es die gleichzeitige Schätzung sowohl des Durchschnitts als auch des Fehlers, der sich auf die gewünschte Observable auswirkt. Im Vergleich zu anderen hochmodernen Ansätzen zeigen wir eine konsistente und erhebliche Verbesserung der Genauigkeit der Schätzung, wenn unser Protokoll verwendet wird.

► BibTeX-Daten

@article{Shlosberg2023adaptiveestimation, doi = {10.22331/q-2023-01-26-906}, url = {https://doi.org/10.22331/q-2023-01-26-906}, Titel = {Adaptive Schätzung von Quantenobservablen}, Autor = {Shlosberg, Ariel und Jena, Andrew J. und Mukhopadhyay, Priyanka und Haase, Jan F. und Leditzky, Felix und Dellantonio, Luca}, Zeitschrift = {{Quantum}}, issn = {2521- 327X}, Herausgeber = {{Verein zur Förderung des Open Access Publizierens in den Quantenwissenschaften}}, Band = {7}, Seiten = {906}, Monat = Jan, Jahr = {2023} }

► Referenzen

[1] PW Shor „Algorithmen für die Quantenberechnung: Diskrete Logarithmen und Faktorisierung“ Proceedings 35th Annual Symposium on Foundations of Computer Science 124-134 (1994).
https: / / doi.org/ 10.1109 / SFCS.1994.365700

[2] Michael A. Nielsen und Issaac L. Chuang „Quantum Computation and Quantum Information“ Cambridge University Press (2010).
https: / / doi.org/ 10.1017 / CBO9780511976667

[3] Antonio Acín, Immanuel Bloch, Harry Buhrman, Tommaso Calarco, Christopher Eichler, Jens Eisert, Daniel Esteve, Nicolas Gisin, Steffen J. Glaser, Fedor Jelezko, Stefan Kuhr, Maciej Lewenstein, Max F. Riedel, Piet O. Schmidt, Rob Thew, Andreas Wallraff , Ian Walmsley und Frank K. Wilhelm, „Die Roadmap für Quantentechnologien: eine europäische Gemeinschaftsansicht“, New Journal of Physics 20, 080201 (2018).
https: / / doi.org/ 10.1088 / 1367-2630 / aad1ea
arXiv: 1712.03773

[4] John Preskill „Quantum Computing in the NISQ era and beyond“ Quantum 2, 79 (2018).
https://doi.org/10.22331/q-2018-08-06-79
arXiv: 1801.00862

[5] IM Georgescu, S. Ashhab und Franco Nori, „Quantum simulation“ Reviews of Modern Physics 86, 153–185 (2014).
https: / / doi.org/ 10.1103 / RevModPhys.86.153
arXiv: 1308.6253

[6] Mari Carmen Banuls, Rainer Blatt, Jacopo Catani, Alessio Celi, Juan Ignacio Cirac, Marcello Dalmonte, Leonardo Fallani, Karl Jansen, Maciej Lewenstein und Simone Montangero, „Simulating lattice gauge theories within quanten technologies“ The European Physical Journal D 74, 1 –42 (2020).
https: / / doi.org/ 10.1140 / epjd / e2020-100571-8
arXiv: 1911.00003

[7] Jan F. Haase, Luca Dellantonio, Alessio Celi, Danny Paulson, Angus Kan, Karl Jansen und Christine A Muschik, „Ein ressourceneffizienter Ansatz für Quanten- und klassische Simulationen von Eichtheorien in der Teilchenphysik“ Quantum 5, 393 (2021).
https://doi.org/10.22331/q-2021-02-04-393
arXiv: 2006.14160

[8] Danny Paulson, Luca Dellantonio, Jan F. Haase, Alessio Celi, Angus Kan, Andrew Jena, Christian Kokail, Rick van Bijnen, Karl Jansen, Peter Zoller und Christine A. Muschik, „Simulating 2D Effects in Lattice Gauge Theories on a Quantum Computer“ PRX Quantum 2, 030334 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030334
arXiv: 2008.09252

[9] Yudong Cao, Jonathan Romero, Jonathan P. Olson, Matthias Degroote, Peter D. Johnson, Mária Kieferová, Ian D. Kivlichan, Tim Menke, Borja Peropadre, Nicolas PD Sawaya, Sukin Sim, Libor Veis und Alán Aspuru-Guzik, „ Quantum Chemistry in the Age of Quantum Computing“ Chemical Reviews 119, 10856–10915 (2019).
https: // doi.org/ 10.1021 / acs.chemrev.8b00803
arXiv: 1812.09976

[10] John Preskill „Quantum computing 40 years later“ arXiv Preprint (2021).
https:///doi.org/10.48550/arXiv.2106.10522
arXiv: 2106.10522

[11] Heinz-Peter Breuerand Francesco Petruccione „Die Theorie offener Quantensysteme“ Oxford University Press on Demand (2002).
https: / / doi.org/ 10.1093 / acprof: oso / 9780199213900.001.0001

[12] Y. Cao, J. Romero und A. Aspuru-Guzik, „Potenzial des Quantencomputings für die Arzneimittelforschung“, IBM Journal of Research and Development 62, 6:1–6:20 (2018).
https: / / doi.org/ 10.1147 / JRD.2018.2888987

[13] WM Itano, JC Bergquist, JJ Bollinger, JM Gilligan, DJ Heinzen, FL Moore, MG Raizen und DJ Wineland, „Quantenprojektionsrauschen: Populationsfluktuationen in zweistufigen Systemen“, Physical Review A 47, 3554–3570 (1993).
https: / / doi.org/ 10.1103 / PhysRevA.47.3554

[14] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan und Lukasz Cincio, „Variative Quantenalgorithmen“, Nature Reviews Physics 3, 625–644 (2021) .
https://doi.org/10.1038/s42254-021-00348-9
arXiv: 2012.09265

[15] RR Ferguson, L. Dellantonio, A. Al Balushi, K. Jansen, W. Dür und CA Muschik, „Measurement-Based Variational Quantum Eigensolver“, Physical Review Letters 126, 220501 (2021).
https://doi.org/ 10.1103/PhysRevLett.126.220501
arXiv: 2010.13940

[16] Andrew Jena, Scott Genin und Michele Mosca, „Pauli Partitioning with Respect to Gate Sets“, arXiv-Preprint (2019).
https:///doi.org/10.48550/arXiv.1907.07859
arXiv: 1907.07859

[17] Jarrod R. McClean, Jonathan Romero, Ryan Babbush und Alán Aspuru-Guzik, „Theory of Variational Hybrid Quantum-Classical Algorithms“, New Journal of Physics 18, 023023 (2016).
https://doi.org/10.1088/1367-2630/18/2/023023
arXiv: 1509.04279

[18] Vladyslav Verteletskyi, Tzu-Ching Yen und Artur F. Izmaylov, „Messoptimierung im Variational Quantum Eigensolver unter Verwendung einer minimalen Cliquenabdeckung“ The Journal of Chemical Physics 152, 124114 (2020).
https: / / doi.org/ 10.1063 / 1.5141458
arXiv: 1907.03358

[19] Andrew Arrasmith, Lukasz Cincio, Rolando D. Somma und Patrick J. Coles, „Operator Sampling for Shot-frugal Optimization in Variational Algorithms“, arXiv-Preprint (2020).
https:///doi.org/10.48550/arXiv.2004.06252
arXiv: 2004.06252

[20] Ophelia Crawford, Barnaby van Straaten, Daochen Wang, Thomas Parks, Earl Campbell und Stephen Brierley, „Effiziente Quantenmessung von Pauli-Operatoren bei endlichem Abtastfehler“ Quantum 5, 385 (2021).
https://doi.org/10.22331/q-2021-01-20-385
arXiv: 1908.06942

[21] Hsin-Yuan Huang, Richard Kueng und John Preskill, „Effiziente Schätzung von Pauli-Observablen durch Derandomisierung“, Physical Review Letters 127, 030503 (2021).
https://doi.org/ 10.1103/PhysRevLett.127.030503
arXiv: 2103.07510

[22] Giacomo Torlai, Guglielmo Mazzola, Giuseppe Carleo und Antonio Mezzacapo, „Präzise Messung von Quantenobservablen mit neuronalen Netzwerkschätzern“, Physical Review Research 2, 022060 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.022060
arXiv: 1910.07596

[23] Stefan Hillmich, Charles Hadfield, Rudy Raymond, Antonio Mezzacapo und Robert Wille, „Decision Diagrams for Quantum Measurements with Shallow Circuits“ 2021 IEEE International Conference on Quantum Computing and Engineering (QCE) 24–34 (2021).
https: / / doi.org/ 10.1109 / QCE52317.2021.00018

[24] Hsin-Yuan Huang, Richard Kueng und John Preskill, „Vorhersage vieler Eigenschaften eines Quantensystems aus sehr wenigen Messungen“ Nature Physics 16, 1050–1057 (2020).
https://doi.org/10.1038/s41567-020-0932-7
arXiv: 2002.08953

[25] Charles Hadfield, Sergey Bravyi, Rudy Raymond und Antonio Mezzacapo, „Measurements of Quantum Hamiltonians with Locally-Biased Classical Shadows“, Communications in Mathematical Physics 391, 951–967 (2022).
https://doi.org/10.1007/s00220-022-04343-8

[26] Charles Hadfield „Adaptive Pauli Shadows for Energy Estimation“ arXiv Preprint (2021).
https:///doi.org/10.48550/arXiv.2105.12207
arXiv: 2105.12207

[27] Bujiao Wu, Jinzhao Sun, Qi Huang und Xiao Yuan, „Überlappende Gruppierungsmessung: Ein einheitlicher Rahmen zur Messung von Quantenzuständen“, arXiv-Vorabdruck (2021).
https:///doi.org/10.48550/arXiv.2105.13091
arXiv: 2105.13091

[28] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami und Yuya O. Nakagawa, „Quantum Expectation Value Estimate by Computational Base Sampling“ Phys. Rev. Res. 4, 033173 (2022).
https: / / doi.org/ 10.1103 / PhysRevResearch.4.033173

[29] Pranav Gokhale, Olivia Angiuli, Yongshan Ding, Kaiwen Gui, Teague Tomesh, Martin Suchara, Margaret Martonosi und Frederic T. Chong, „Minimizing State Preparations in Variational Quantum Eigensolver by Partitioning into Commuting Families“ arXiv Preprint (2019).
https:///doi.org/10.48550/arXiv.1907.13623
arXiv: 1907.13623

[30] Ikko Hamamura und Takashi Imamichi „Effiziente Bewertung von Quantenobservablen mit verschränkten Messungen“ npj Quantum Information 6, 1–8 (2020).
https://doi.org/10.1038/s41534-020-0284-2

[31] Tzu-Ching Yen, Vladyslav Verteletskyi und Artur F. Izmaylov, „Messung aller kompatiblen Operatoren in einer Reihe von Einzel-Qubit-Messungen mit einheitlichen Transformationen“, Journal of Chemical Theory and Computation 16, 2400–2409 (2020).
https: / / doi.org/ 10.1021 / acs.jctc.0c00008

[32] Artur F. Izmaylov, Tzu-Ching Yen, Robert A. Lang und Vladyslav Verteletskyi, „Unitary Partitioning Approach to the Measurement Problem in the Variational Quantum Eigensolver Method“, Journal of Chemical Theory and Computation 16, 190–195 (2020).
https: / / doi.org/ 10.1021 / acs.jctc.9b00791

[33] Cambyse Rouzé und Daniel Stilck França „Quanten-Vielteilchensysteme aus wenigen Exemplaren lernen“ arXiv-Preprint (2021).
https:///doi.org/10.48550/arXiv.2107.03333
arXiv: 2107.03333

[34] Andrew J. Jena und Ariel Shlosberg „VQE-Messoptimierung (GitHub-Repository)“ https://github.com/AndrewJena/VQE_measurement_optimization (2021).
https:///github.com/AndrewJena/VQE_measurement_optimization

[35] Scott Aaronson und Daniel Gottesman „Verbesserte Simulation von Stabilisatorschaltungen“ Physical Review A 70, 052328 (2004).
https: / / doi.org/ 10.1103 / PhysRevA.70.052328

[36] Coen Bronand Joep Kerbosch „Algorithmus 457: Finding all cliques of an undirected graph“ Communications of the ACM 16, 575–577 (1973).
https: / / doi.org/ 10.1145 / 362342.362367

[37] Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest und Clifford Stein, „Introduction to algorithms“, MIT press (2009).

[38] Stephan Hoyer, Jascha Sohl-Dickstein und Sam Greydanus, „Neurale Reparametrierung verbessert die strukturelle Optimierung“ NeurIPS 2019 Deep Inverse Workshop (2019).
https:///doi.org/10.48550/arXiv.1909.04240
arXiv: 1909.04240

[39] Herbert Robbinsand Sutton Monro „Eine stochastische Approximationsmethode“ The Annals of Mathematical Statistics 400–407 (1951).
https: / / doi.org/ 10.1214 / aoms / 1177729586

[40] Diederik P. Kingma und Jimmy Ba „Adam: A Method for Stochastic Optimization“ 3rd International Conference on Learning Representations (2015).
https:///doi.org/10.48550/arXiv.1412.6980
arXiv: 1412.6980

[41] Stephen Wright und Jorge Nocedal „Numerische Optimierung“ Springer Science 35, 7 (1999).

[42] Philip E. Gilland Walter Murray „Quasi-Newton-Methoden für uneingeschränkte Optimierung“ IMA Journal of Applied Mathematics 9, 91–108 (1972).
https:///doi.org/10.1093/imamat/9.1.91

[43] Chigozie Nwankpa, Winifred Ijomah, Anthony Gachagan und Stephen Marshall, „Activation Functions: Comparison of trends in Practice and Research for Deep Learning“, arXiv-Preprint (2018).
https:///doi.org/10.48550/arXiv.1811.03378
arXiv: 1811.03378

[44] Fabian H. L. Essler, Holger Frahm, Frank Göhmann, Andreas Klümper und Vladimir E. Korepin, „Das eindimensionale Hubbard-Modell“, Cambridge University Press (2005).

[45] Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang und Philip S. Yu, „A Comprehensive Survey on Graph Neural Networks“ IEEE Transactions on Neural Networks and Learning Systems 32, 4–24 (2021).
https:///doi.org/10.1109/TNNLS.2020.2978386
arXiv: 1901.00596

[46] JF Haase, PJ Vetter, T. Unden, A. Smirne, J. Rosskopf, B. Naydenov, A. Stacey, F. Jelezko, MB Plenio und SF Huelga, „Controllable Non-Markovianity for a Spin Qubit in Diamond“ Physical Review Letters 121, 060401 (2018).
https://doi.org/ 10.1103/PhysRevLett.121.060401
arXiv: 1802.00819

[47] Nicholas C. Rubin, Ryan Babbush und Jarrod McClean, „Anwendung fermionischer Randbedingungen auf hybride Quantenalgorithmen“, New Journal of Physics 20, 053020 (2018).
https: / / doi.org/ 10.1088 / 1367-2630 / aab919
arXiv: 1801.03524

[48] John Kruschke „Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan“ Academic Press (2014).
https://doi.org/10.1016/B978-0-12-405888-0.09999-2

[49] Andrew Gelman, John B. Carlin, Hal S. Stern und Donald B. Rubin, „Bayesian data analysis“ Chapman Hall/CRC (1995).

[50] Paolo Fornasini „Die Unsicherheit physikalischer Messungen: eine Einführung in die Datenanalyse im Physiklabor“ Springer (2008).
https://doi.org/10.1007/978-0-387-78650-6

[51] Roger A. Horn und Charles R. Johnson „Matrixanalyse“ Cambridge University Press (2012).

[52] JW Moonand L. Moser „Über Cliquen in Graphen“ Israel Journal of Mathematics 3, 23–28 (1965).
https: / / doi.org/ 10.1007 / BF02760024

[53] Dong C. Liuand Jorge Nocedal „Über die BFGS-Methode mit begrenztem Speicher für die Optimierung im großen Maßstab“ Mathematische Programmierung 45, 503–528 (1989).
https: / / doi.org/ 10.1007 / BF01589116

Zitiert von

[1] Andreas Elben, Steven T. Flammia, Hsin-Yuan Huang, Richard Kueng, John Preskill, Benoît Vermersch und Peter Zoller, „The randomized Measurement Toolbox“, Nature Reviews Physik 5 1, 9 (2023).

[2] Zachary Pierce Bansingh, Tzu-Ching Yen, Peter D. Johnson und Artur F. Izmaylov, „Fidelity Overhead für nichtlokale Messungen in Variationsquantenalgorithmen“, arXiv: 2205.07113, (2022).

[3] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami und Yuya O. Nakagawa, „Quantum Expectation-Value Estimate by Computational Base Sampling“, Physical Review Research 4 3, 033173 (2022).

[4] Bujiao Wu, Jinzhao Sun, Qi Huang und Xiao Yuan, „Überlappende Gruppierungsmessung: Ein einheitlicher Rahmen zur Messung von Quantenzuständen“, arXiv: 2105.13091, (2021).

[5] Tzu-Ching Yen, Aadithya Ganeshram und Artur F. Izmaylov, „Deterministische Verbesserungen von Quantenmessungen mit Gruppierung kompatibler Operatoren, nichtlokaler Transformationen und Kovarianzschätzungen“, arXiv: 2201.01471, (2022).

[6] Bojia Duan und Chang-Yu Hsieh, „Hamiltonsches Datenladen mit flachen Quantenschaltkreisen“, Physische Überprüfung A 106 5, 052422 (2022).

[7] Daniel Miller, Laurin E. Fischer, Igor O. Sokolov, Panagiotis Kl. Barkoutsos und Ivano Tavernelli, „Hardware-maßgeschneiderte Diagonalisierungsschaltungen“, arXiv: 2203.03646, (2022).

[8] Francisco Escudero, David Fernández-Fernández, Gabriel Jaumà, Guillermo F. Peñas und Luciano Pereira, „Hardware-effiziente verschränkte Messungen für Variationsquantenalgorithmen“, arXiv: 2202.06979, (2022).

[9] William Kirby, Mario Motta und Antonio Mezzacapo, „Exakte und effiziente Lanczos-Methode auf einem Quantencomputer“, arXiv: 2208.00567, (2022).

[10] Lane G. Gunderman, „Umwandlung von Sammlungen von Pauli-Operatoren in äquivalente Sammlungen von Pauli-Operatoren über Minimalregister“, arXiv: 2206.13040, (2022).

[11] Andrew Jena, Scott N. Genin und Michele Mosca, „Optimierung der Variations-Quanten-Eigensolver-Messung durch Partitionierung von Pauli-Operatoren unter Verwendung von Multiqubit-Clifford-Gattern auf verrauschter Quantenhardware im mittleren Maßstab“, Physische Überprüfung A 106 4, 042443 (2022).

[12] Alexander Gresch und Martin Kliesch, „Garantierte effiziente Energieschätzung von Quanten-Vielteilchen-Hamiltonianern mit ShadowGrouping“, arXiv: 2301.03385, (2023).

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2023, 01:26:13 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 2023-01-26 13:33:03: Von Crossref konnten keine zitierten Daten für 10.22331 / q-2023-01-26-906 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.
Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
Quelle: https://quantum-journal.org/papers/q-2023-01-26-906/

Zeitstempel: 26. Januar 2023

Zeitstempel: 29. Dezember 2022

Quantum Message-Passing-Algorithmus für optimale und effiziente Dekodierung

Quellcluster:

Quantenjournal

Quellknoten: 1635272

Zeitstempel: 23. August 2022

Adaptive Schätzung von Quantenobservablen

Neuauflage von Plato

Abstrakt

Populäre Zusammenfassung

► BibTeX-Daten

► Referenzen

Zitiert von

Mehr von Quantenjournal

Klassische Schatten basierend auf lokal verschränkten Messungen

Overhead-beschränktes Schaltungsstricken für Variationsquantendynamik

Zur effizienten Quantenblockkodierung von Pseudodifferentialoperatoren

Adaptive Schätzung von Quantenobservablen

Kritische Quantenthermometrie und ihre Machbarkeit in Spinsystemen

Die Qudit-Pauli-Gruppe: nicht kommutierende Paare, nicht kommutierende Mengen und Struktursätze

Energiedichten in der Quantenmechanik

Erreichen der Grenze der Quantenfeldtheorie in Quantenverbindungsmodellen, die weit vom Gleichgewicht entfernt sind

Untersuchung der Quantenverschränkung aus Populationen magnetischer Unterebenen: jenseits von Spin-Squeezing-Ungleichungen

Quantum Message-Passing-Algorithmus für optimale und effiziente Dekodierung

Über uns

Vertikale Suche & Ai

Plattform

Bleiben Sie in Verbindung

Konto