Aprendizaje por refuerzo profundo para la preparación del estado cuántico con mediciones no lineales débiles PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Aprendizaje por refuerzo profundo para la preparación del estado cuántico con mediciones no lineales débiles

Marca de tiempo: 28 de junio de 2022 7:43 a.m.

Ricardo Porotti1,2, Antoine Essig3, benjamin huard3y florian marquardt1,2

1Instituto Max Planck para la Ciencia de la Luz, Erlangen, Alemania
2Departamento de Física, Friedrich-Alexander Universität Erlangen-Nürnberg, Alemania
3Univ Lyon, ENS de Lyon, CNRS, Laboratoire de Physique,F-69342 Lyon, Francia

¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.

Resumen

El control cuántico ha sido de creciente interés en los últimos años, por ejemplo, para tareas como la inicialización y estabilización de estados. Las estrategias basadas en comentarios son particularmente poderosas, pero también difíciles de encontrar, debido al aumento exponencial del espacio de búsqueda. El aprendizaje por refuerzo profundo es muy prometedor en este sentido. Puede proporcionar nuevas respuestas a preguntas difíciles, como si las mediciones no lineales pueden compensar el control lineal restringido. Aquí mostramos que el aprendizaje por refuerzo puede descubrir con éxito tales estrategias de retroalimentación, sin conocimiento previo. Ilustramos esto para la preparación de estado en una cavidad sujeta a detección cuántica sin demolición del número de fotones, con un control lineal simple como control. Los estados de Fock se pueden producir y estabilizar con una fidelidad muy alta. Incluso es posible alcanzar estados de superposición, siempre que también se puedan controlar las tasas de medición para diferentes estados de Fock.

Imagen destacada: esquemas del algoritmo RL. El agente RL solo puede aplicar control lineal simple, en nuestro caso desplazamiento, a un estado cuántico en una cavidad. La medición débil no lineal permite al agente conducir el sistema hacia superposiciones complejas. Aquí se muestra la función de Wigner de $frac{|1rangle+|3rangle}{sqrt{2}}$. El agente RL se modela con una red neuronal feed-forward.

Resumen popular

El control cuántico ha tenido una gran relevancia en los últimos años, especialmente debido a la difusión de las computadoras cuánticas. Tratar con la retroalimentación en el control cuántico (es decir, usar medidas para dirigir la dinámica) es especialmente difícil ya que las opciones de control se vuelven exponencialmente grandes. El sistema estudiado aquí se puede modelar como una cavidad, que se puede medir débilmente para obtener información parcial sobre cada nivel de energía. Para preparar y estabilizar los estados cuánticos en dicha cavidad, utilizamos el aprendizaje por refuerzo (RL). RL es una rama del aprendizaje automático que se ocupa de los problemas de control. En un marco RL, el algoritmo intenta maximizar una función objetivo (en este caso, la fidelidad) al interactuar con el sistema a través de un proceso de prueba y error. En este trabajo, RL logra preparar superposiciones complejas del estado de Fock en la cavidad, con un control lineal muy limitado. El agente RL también aprende a estabilizar estados cuánticos frente a diferentes formas de descomposición.

► datos BibTeX

► referencias

[ 1 ] Navin Khaneja, Timo Reiss, Cindie Kehlet, Thomas Schulte-Herbrüggen y Steffen J. Glaser. “Control óptimo de la dinámica de espín acoplado: Diseño de secuencias de pulsos de RMN mediante algoritmos de ascenso de gradiente”. Revista de resonancia magnética 172, 296–305 (2005).
https: / / doi.org/ 10.1016 / j.jmr.2004.11.004

[ 2 ] P. de Fouquieres, SG Schirmer, SJ Glaser e Ilya Kuprov. “Ingeniería de pulsos de ascenso de gradiente de segundo orden”. Revista de resonancia magnética 212, 412–417 (2011).
https: / / doi.org/ 10.1016 / j.jmr.2011.07.023

[ 3 ] AC Doherty y K. Jacobs. “Control de retroalimentación de sistemas cuánticos usando estimación de estado continuo”. física Rev. A 60, 2700–2711 (1999).
https: / / doi.org/ 10.1103 / PhysRevA.60.2700

[ 4 ] Pavel Bushev, Daniel Rotter, Alex Wilson, François Dubin, Christoph Becher, Jürgen Eschner, Rainer Blatt, Viktor Steixner, Peter Rabl y Peter Zoller. “Enfriamiento por retroalimentación de un solo ion atrapado”. física Rev. Lett. 96, 043003 (2006).
https: / / doi.org/ 10.1103 / physrevlett.96.043003

[ 5 ] Howard M. Wiseman y Gerard J. Milburn. “Medición y Control Cuántico”. Prensa de la Universidad de Cambridge. Cambridge (2009).
https: / / doi.org/ 10.1017 / CBO9780511813948

[ 6 ] GG Gillett, RB Dalton, BP Lanyon, MP Almeida, M. Barbieri, GJ Pryde, JL O'Brien, KJ Resch, SD Bartlett y AG White. “Control de retroalimentación experimental de sistemas cuánticos usando medidas débiles”. física Rev. Lett. 104, 080503 (2010).
https: / / doi.org/ 10.1103 / physrevlett.104.080503

[ 7 ] Clément Sayrin, Igor Dotsenko, Xingxing Zhou, Bruno Peaudecerf, Théo Rybarczyk, Sébastien Gleyzes, Pierre Rouchon, Mazyar Mirrahimi, Hadis Amini, Michel Brune, Jean-Michel Raimond y Serge Haroche. “La retroalimentación cuántica en tiempo real prepara y estabiliza los estados del número de fotones”. Naturaleza 477, 73–77 (2011).
https: / / doi.org/ 10.1038 / nature10376

[ 8 ] P. Campagne-Ibarcq, E. Flurin, N. Roch, D. Darson, P. Morfin, M. Mirrahimi, MH Devoret, F. Mallet y B. Huard. “Control persistente de un Qubit superconductor mediante retroalimentación de medición estroboscópica”. física Rev. X 3, 021008 (2013).
https: / / doi.org/ 10.1103 / physrevx.3.021008

[ 9 ] Nissim Ofek, Andrei Petrenko, Reinier Heeres, Philip Reinhold, Zaki Leghtas, Brian Vlastakis, Yehan Liu, Luigi Frunzio, SM Girvin, L. Jiang, Mazyar Mirrahimi, MH Devoret y RJ Schoelkopf. “Extensión de la vida útil de un bit cuántico con corrección de errores en circuitos superconductores”. Naturaleza 536, 441–445 (2016).
https: / / doi.org/ 10.1038 / nature18949

[ 10 ] Massimiliano Rossi, David Mason, Junxin Chen, Yeghishe Tsaturyan y Albert Schliesser. “Control cuántico del movimiento mecánico basado en la medición”. Naturaleza 563, 53–58 (2018).
https:/​/​doi.org/​10.1038/​s41586-018-0643-8

[ 11 ] Shay Hacohen-Gourgy y Leigh S. Martin. “Medidas continuas para el control de circuitos cuánticos superconductores”. Avances en Física: X 5, 1813626 (2020). arXiv:2009.07297.
https: / / doi.org/ 10.1080 / 23746149.2020.1813626
arXiv: 2009.07297

[ 12 ] Alessio Fallani, Matteo AC Rossi, Dario Tamascelli y Marco G. Genoni. “Aprendizaje de estrategias de control de retroalimentación para metrología cuántica”. PRX Quantum 3, 020310 (2022).
https: / / doi.org/ 10.1103 / PRXQuantum.3.020310

[ 13 ] Richard S. Sutton y Andrew G. Barto. “Aprendizaje por refuerzo, segunda edición: una introducción”. Prensa del MIT. (2018). URL: http:/​/​incompleteideas.net/​book/​the-book.html.
http://​/​incompleteideas.net/​book/​the-book.html

[ 14 ] Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A. Rusu, Joel Veness, Marc G. Bellemare, Alex Graves, Martin Riedmiller, Andreas K. Fidjeland, Georg Ostrovski, Stig Petersen, Charles Beattie, Amir Sadik, Ioannis Antonoglou, Helen King , Dharshan Kumaran, Daan Wierstra, Shane Legg y Demis Hassabis. “Control a nivel humano a través del aprendizaje de refuerzo profundo”. Naturaleza 518, 529–533 (2015).
https: / / doi.org/ 10.1038 / nature14236

[ 15 ] Tuomas Haarnoja, Sehoon Ha, Aurick Zhou, Jie Tan, George Tucker y Sergey Levine. “Aprender a caminar a través del aprendizaje por refuerzo profundo” (2019). arXiv:1812.11103.
arXiv: 1812.11103

[ 16 ] Thomas Fösel, Petru Tighineanu, Talitha Weiss y Florian Marquardt. “Aprendizaje por refuerzo con redes neuronales para retroalimentación cuántica”. física Rev. X 8, 031084 (2018).
https: / / doi.org/ 10.1103 / physrevx.8.031084

[ 17 ] Chunlin Chen, Daoyi Dong, Han-Xiong Li, Jian Chu y Tzyh-Jong Tarn. “Q-Learning Probabilístico Basado en la Fidelidad para el Control de Sistemas Cuánticos”. Transacciones IEEE en redes neuronales y sistemas de aprendizaje 25, 920–933 (2014).
https://​/​doi.org/​10.1109/​tnnls.2013.2283574

[ 18 ] Moritz August y José Miguel Hernández-Lobato. "Toma de gradientes a través de experimentos: LSTM y optimización de la política de proximidad de memoria para el control cuántico de caja negra". En Rio Yokota, Michèle Weiland, John Shalf y Sadaf Alam, editores, High Performance Computing. Páginas 591–613. Apuntes de conferencias en Ciencias de la ComputaciónCham (2018). Publicaciones internacionales de Springer.
https:/​/​doi.org/​10.1007/​978-3-030-02465-9_43

[ 19 ] Marin Bukov, Alexandre GR Day, Dries Sels, Phillip Weinberg, Anatoli Polkovnikov y Pankaj Mehta. “Aprendizaje por Refuerzo en Diferentes Fases del Control Cuántico”. física Rev. X 8, 031086 (2018). arXiv:1705.00565.
https: / / doi.org/ 10.1103 / physrevx.8.031086
arXiv: 1705.00565

[ 20 ] Riccardo Porotti, Dario Tamascelli, Marcello Restelli y Enrico Prati. “Transporte coherente de estados cuánticos por aprendizaje de refuerzo profundo”. Commun Phys 2, 1–9 (2019).
https: / / doi.org/ 10.1038 / s42005-019-0169-x

[ 21 ] Murphy Yuezhen Niu, Sergio Boixo, Vadim N. Smelyanskiy y Hartmut Neven. “Control cuántico universal a través del aprendizaje por refuerzo profundo”. npj Información cuántica 5, 1–8 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0141-3

[ 22 ] Zheng An y DL Zhou. “Aprendizaje de refuerzo profundo para el control de puertas cuánticas”. EPL 126, 60002 (2019).
https:/​/​doi.org/​10.1209/​0295-5075/​126/​60002

[ 23 ] Han Xu, Junning Li, Liqiang Liu, Yu Wang, Haidong Yuan y Xin Wang. “Control generalizable para la estimación de parámetros cuánticos mediante aprendizaje por refuerzo”. npj Quantum Inf 5, 1–8 (2019).
https: / / doi.org/ 10.1038 / s41534-019-0198-z

[ 24 ] Juan Miguel Arrazola, Thomas R. Bromley, Josh Izaac, Casey R. Myers, Kamil Brádler y Nathan Killoran. “Método de aprendizaje automático para la preparación de estados y la síntesis de puertas en computadoras cuánticas fotónicas”. Ciencia Cuántica. Tecnología 4, 024004 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / aaf59e

[ 25 ] L. O'Driscoll, R. Nichols y PA Knott. “Un algoritmo híbrido de aprendizaje automático para diseñar experimentos cuánticos”. Mach cuántico. Intel. 1, 5–15 (2019).
https:/​/​doi.org/​10.1007/​s42484-019-00003-8

[ 26 ] Thomas Fösel, Stefan Krastanov, Florian Marquardt y Liang Jiang. “Control eficiente de cavidades con compuertas SNAP” (2020). arXiv:2004.14256.
arXiv: 2004.14256

[ 27 ] Mogens Dalgaard, Felix Motzoi, Jens Jakob Sørensen y Jacob Sherson. “Optimización global de la dinámica cuántica con exploración profunda AlphaZero”. npj Inf. cuántica 6, 6 (2020).
https:/​/​doi.org/​10.1038/​s41534-019-0241-0

[ 28 ] Hailan Ma, Daoyi Dong, Steven X. Ding y Chunlin Chen. “Aprendizaje de refuerzo profundo basado en el plan de estudios para el control cuántico” (2021). arXiv:2012.15427.
arXiv: 2012.15427

[ 29 ] Zheng An, Hai-Jing Song, Qi-Kai He y DL Zhou. “Control óptimo cuántico de sistemas cuánticos disipativos multinivel con aprendizaje por refuerzo”. física Rev. A 103, 012404 (2021).
https: / / doi.org/ 10.1103 / physreva.103.012404

[ 30 ] Yuval Baum, Mirko Amico, Sean Howell, Michael Hush, Maggie Liuzzi, Pranav Mundada, Thomas Merkh, Andre RR Carvalho y Michael J. Biercuk. "Aprendizaje de refuerzo profundo experimental para el diseño de conjuntos de puertas resistentes a errores en una computadora cuántica superconductora". PRX Quantum 2, 040324 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.040324

[ 31 ] Thomas Fösel, Murphy Yuezhen Niu, Florian Marquardt y Li Li. “Optimización de circuitos cuánticos con aprendizaje de refuerzo profundo” (2021). arXiv:2103.07585.
arXiv: 2103.07585

[ 32 ] E. Flurin, LS Martin, S. Hacohen-Gourgy e I. Siddiqi. “Uso de una red neuronal recurrente para reconstruir la dinámica cuántica de un qubit superconductor a partir de observaciones físicas”. Revisión física X 10 (2020).
https: / / doi.org/ 10.1103 / physrevx.10.011006

[ 33 ] DT Lennon, H. Moon, LC Camenzind, Liuqi Yu, DM Zumbühl, G. a. D. Briggs, MA Osborne, EA Laird y N. Ares. “Medición eficiente de un dispositivo cuántico usando aprendizaje automático”. npj Información cuántica 5, 1–8 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0193-4

[ 34 ] Kyunghoon Jung, MH Abobeih, Jiwon Yun, Gyeonghun Kim, Hyunseok Oh, Ang Henry, TH Taminiau y Dohun Kim. "El aprendizaje profundo mejoró la detección de espín nuclear individual". npj Quantum Inf 7, 1–9 (2021).
https:/​/​doi.org/​10.1038/​s41534-021-00377-3

[ 35 ] V Nguyen. “Aprendizaje de refuerzo profundo para la medición eficiente de dispositivos cuánticos”. npj Información cuántica Página 9 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00434-x

[ 36 ] Alexander Hentschel y Barry C. Sanders. “Aprendizaje automático para la medición cuántica precisa”. física Rev. Lett. 104, 063603 (2010).
https: / / doi.org/ 10.1103 / physrevlett.104.063603

[ 37 ] M. Tiersch, EJ Ganahl y HJ Briegel. “Computación cuántica adaptativa en entornos cambiantes mediante simulación proyectiva”. Informe científico 5, 12874 (2015).
https: / / doi.org/ 10.1038 / srep12874

[ 38 ] Pantita Palittapongarnpim, Peter Wittek, Ehsan Zahedinejad, Shakib Vedaie y Barry C. Sanders. “Aprendizaje en control cuántico: Optimización global de alta dimensión para dinámica cuántica ruidosa”. Neurocomputación 268, 116–126 (2017).
https: / / doi.org/ 10.1016 / j.neucom.2016.12.087

[ 39 ] Jelena Mackeprang, Durga B. Rao Dasari y Jörg Wrachtrup. “Un enfoque de aprendizaje por refuerzo para la ingeniería del estado cuántico”. Mach cuántico. Intel. 2, 5 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00016-8

[ 40 ] Christian Sommer, Muhammad Asjad y Claudiu Genes. “Perspectivas del aprendizaje por refuerzo para el amortiguamiento simultáneo de muchos modos mecánicos”. Informe científico 10, 2623 (2020).
https: / / doi.org/ 10.1038 / s41598-020-59435-z

[ 41 ] Zhikang T. Wang, Yuto Ashida y Masahito Ueda. “Control de Aprendizaje por Refuerzo Profundo de Cartpoles Cuánticos”. física Rev. Lett. 125, 100401 (2020).
https: / / doi.org/ 10.1103 / PhysRevLett.125.100401

[ 42 ] Sangkha Borah, Bijita Sarma, Michael Kewming, Gerard J. Milburn y Jason Twamley. “Control cuántico de retroalimentación basado en mediciones con aprendizaje de refuerzo profundo para un potencial no lineal de pozo doble”. física Rev. Lett. 127, 190403 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.127.190403

[ 43 ] VV Sivak, A. Eickbusch, H. Liu, B. Royer, I. Tsioutsios y MH Devoret. “Control cuántico sin modelo con aprendizaje por refuerzo”. física Rev. X 12, 011059 (2022).
https: / / doi.org/ 10.1103 / PhysRevX.12.011059

[ 44 ] Antoine Essig, Quentin Ficheux, Théau Peronnin, Nathanaël Cottet, Raphaël Lescanne, Alain Sarlette, Pierre Rouchon, Zaki Leghtas y Benjamin Huard. “Medición del número de fotones multiplexados”. física Rev. X 11, 031045 (2021).
https: / / doi.org/ 10.1103 / PhysRevX.11.031045

[ 45 ] B. Peaudecerf, C. Sayrin, X. Zhou, T. Rybarczyk, S. Gleyzes, I. Dotsenko, JM Raimond, M. Brune y S. Haroche. “Experimentos de retroalimentación cuántica que estabilizan los estados de luz de Fock en una cavidad”. física Rev. A 87, 042320 (2013).
https: / / doi.org/ 10.1103 / physreva.87.042320

[ 46 ] X. Zhou, I. Dotsenko, B. Peaudecerf, T. Rybarczyk, C. Sayrin, S. Gleyzes, JM Raimond, M. Brune y S. Haroche. "Campo bloqueado en un estado Fock por retroalimentación cuántica con correcciones de fotón único". física Rev. Lett. 108, 243602 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.243602

[ 47 ] Jacob C. Curtis, Connor T. Hann, Salvatore S. Elder, Christopher S. Wang, Luigi Frunzio, Liang Jiang y Robert J. Schoelkopf. “Detección de fotones de microondas con resolución numérica de disparo único con mitigación de errores”. física Rev. A 103, 023705 (2021).
https: / / doi.org/ 10.1103 / physreva.103.023705

[ 48 ] Christine Guerlin, Julien Bernu, Samuel Deléglise, Clément Sayrin, Sébastien Gleyzes, Stefan Kuhr, Michel Brune, Jean-Michel Raimond y Serge Haroche. "Colapso progresivo del estado de campo y conteo cuántico de fotones sin demolición". Naturaleza 448, 889–893 (2007).
https: / / doi.org/ 10.1038 / nature06057

[ 49 ] BR Johnson, MD Reed, AA Houck, DI Schuster, Lev S. Bishop, E. Ginossar, JM Gambetta, L. DiCarlo, L. Frunzio, SM Girvin y RJ Schoelkopf. “Detección cuántica sin demolición de fotones de microondas individuales en un circuito”. Nature Phys 6, 663–667 (2010).
https: / / doi.org/ 10.1038 / nphys1710

[ 50 ] B. Peaudecerf, T. Rybarczyk, S. Gerlich, S. Gleyzes, JM Raimond, S. Haroche, I. Dotsenko y M. Brune. “Medición adaptativa de no demolición cuántica de un número de fotones”. física Rev. Lett. 112, 080401 (2014).
https: / / doi.org/ 10.1103 / physrevlett.112.080401

[ 51 ] Crispin Gardiner y Peter Zoller. "Ruido cuántico: un manual de métodos estocásticos cuánticos markovianos y no markovianos con aplicaciones a la óptica cuántica". Serie Springer en Sinergética. Springer-Verlag. Berlín Heidelberg (2004). Tercera edicion. URL: link.springer.com/​book/​9783540223016.
https: / / link.springer.com/ book / 9783540223016

[ 52 ] John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford y Oleg Klimov. “Algoritmos de optimización de políticas proximales” (2017). arXiv:1707.06347.
arXiv: 1707.06347

[ 53 ] John Schulman, Sergey Levine, Philipp Moritz, Michael I. Jordan y Pieter Abbeel. “Optimización de políticas de región de confianza” (2017). arXiv:1502.05477.
arXiv: 1502.05477

[ 54 ] Ashley Hill, Antonin Raffin, Maximilian Ernestus, Adam Gleave, Anssi Kanervisto, Rene Traore, Prafulla Dhariwal, Christopher Hesse, Oleg Klimov, Alex Nichol, Matthias Plappert, Alec Radford, John Schulman, Szymon Sidor y Yuhuai Wu. “Líneas de base estables”. URL: github.com/​hill-a/​stable-baselines.
https:/​/​github.com/​hill-a/​stable-baselines

[ 55 ] Weizhou Cai, Yuwei Ma, Weiting Wang, Chang-Ling Zou y Luyan Sun. “Códigos de corrección de errores cuánticos bosónicos en circuitos cuánticos superconductores”. Investigación fundamental 1, 50–67 (2021).
https://​/​doi.org/​10.1016/​j.fmre.2020.12.006

[ 56 ] FAM de Oliveira, MS Kim, PL Knight y V. Buek. “Propiedades de los estados numéricos desplazados”. Revisión física A 41, 2645–2652 (1990).
https: / / doi.org/ 10.1103 / physreva.41.2645

[ 57 ] Miguel Martín Nieto. “Estados numéricos desplazados y comprimidos”. Letras de física A 229, 135–143 (1997). arXiv:quant-ph/9612050.
https:/​/​doi.org/​10.1016/​s0375-9601(97)00183-7
arXiv: quant-ph / 9612050

Citado por

[1] Anna Dawid, Julian Arnold, Borja Requena, Alexander Gresch, Marcin Płodzień, Kaelan Donatella, Kim A. Nicoli, Paolo Stornati, Rouven Koch, Miriam Büttner, Robert Okuła, Gorka Muñoz-Gil, Rodrigo A. Vargas-Hernández, Alba Cervera-Lierta, Juan Carrasquilla, Vedran Dunjko, Marylou Gabrié, Patrick Huembeli, Evert van Nieuwenburg, Filippo Vicentini, Lei Wang, Sebastian J. Wetzel, Giuseppe Carleo, Eliška Greplová, Roman Krems, Florian Marquardt, Michał Tomza, Maciej Lewenstein, y Alexandre Dauphin, “Aplicaciones modernas del aprendizaje automático en ciencias cuánticas”, arXiv: 2204.04198.

[2] Riccardo Porotti, Vittorio Peano y Florian Marquardt, "Gradient Ascent Pulse Engineering with Feedback", arXiv: 2203.04271.

[3] Luigi Giannelli, Pierpaolo Sgroi, Jonathon Brown, Gheorghe Sorin Paraoanu, Mauro Paternostro, Elisabetta Paladino y Giuseppe Falci, “Un tutorial sobre métodos óptimos de control y aprendizaje por refuerzo para tecnologías cuánticas”, Cartas de física A 434, 128054 (2022).

[4] Björn Annby-Andersson, Faraj Bakhshinezhad, Debankur Bhattacharyya, Guilherme De Sousa, Christopher Jarzynski, Peter Samuelsson y Patrick P. Potts, “Ecuación maestra cuántica de Fokker-Planck para el control continuo de la retroalimentación”, arXiv: 2110.09159.

[5] Alessio Fallani, Matteo AC Rossi, Dario Tamascelli y Marco G. Genoni, “Aprendizaje de estrategias de control de retroalimentación para metrología cuántica”, PRX Cuántico 3 2, 020310 (2022).

[6] Paolo Andrea Erdman y Frank Noé, “Conducción de máquinas térmicas cuánticas de caja negra con compensaciones óptimas de potencia/eficiencia mediante el aprendizaje por refuerzo”, arXiv: 2204.04785.

[7] David A. Herrera-Martí, “Enfoque de gradiente de políticas para la compilación de circuitos cuánticos variacionales”, arXiv: 2111.10227.

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2022-07-22 01:21:35). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.

On Servicio citado por Crossref no se encontraron datos sobre las obras citadas (último intento 2022-07-22 01:21:34).

Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.

Sello de tiempo:

Mas de Diario cuántico