Solucionador propio de espín cuántico variacional mejorado por simetría

Solucionador propio de espín cuántico variacional mejorado por simetría

Marca de tiempo: 19 de enero de 2023 7:14 a. M.
Simetría mejorada eigensolver de espín cuántico variacional PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Chu Fan Lyu1, Xusheng Xu2, Man-Hong Yung2,3,4y Abolfazl Bayat1

1Instituto de Ciencias Fundamentales y de Frontera, Universidad de Ciencia y Tecnología Electrónica de China, Chengdu 610051, China
2Instituto Central de Investigación, Laboratorios 2012, Huawei Technologies
3Departamento de Física, Universidad de Ciencia y Tecnología del Sur, Shenzhen 518055, China
4Instituto de Ciencia e Ingeniería Cuántica de Shenzhen, Universidad de Ciencia y Tecnología del Sur, Shenzhen 518055, China

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

Resumen

Los algoritmos clásicos cuánticos variacionales son el enfoque más prometedor para lograr una ventaja cuántica en los simuladores cuánticos a corto plazo. Entre estos métodos, el autoresolver cuántico variacional ha atraído mucha atención en los últimos años. Si bien es muy efectivo para simular el estado fundamental de sistemas de muchos cuerpos, su generalización a estados excitados requiere muchos recursos. Aquí mostramos que este problema puede mejorarse significativamente explotando las simetrías del hamiltoniano. La mejora es aún más efectiva para estados propios de mayor energía. Presentamos dos métodos para incorporar las simetrías. En el primer enfoque, llamado preservación de la simetría del hardware, todas las simetrías se incluyen en el diseño del circuito. En el segundo enfoque, la función de costo se actualiza para incluir las simetrías. El enfoque de preservación de la simetría del hardware de hecho supera al segundo enfoque. Sin embargo, la integración de todas las simetrías en el diseño del circuito podría ser un gran desafío. Por lo tanto, presentamos el método de preservación de simetría híbrida en el que las simetrías se dividen entre el circuito y la función de costo clásica. Esto permite aprovechar la ventaja de las simetrías al tiempo que evita el diseño de circuitos sofisticados.

Resumen popular

Los simuladores cuánticos están surgiendo rápidamente en varias plataformas físicas. Sin embargo, los ruidosos simuladores cuánticos de escala intermedia (NISQ, por sus siglas en inglés) actuales sufren una inicialización imperfecta, un funcionamiento ruidoso y una lectura defectuosa. Los algoritmos cuánticos variacionales se han propuesto como el enfoque más prometedor para lograr una ventaja cuántica en los dispositivos NISQ. En estos algoritmos, la complejidad se divide entre un simulador cuántico parametrizado y un optimizador clásico para optimizar los parámetros del circuito. Por lo tanto, en los algoritmos cuánticos variacionales tratamos tanto con recursos cuánticos como clásicos, para los cuales tenemos que ser eficientes. Aquí, nos enfocamos en el algoritmo Variational Quantum Eigensolver (VQE), que ha sido diseñado para generar de manera variable los estados propios de baja energía de un sistema de muchos cuerpos en un simulador cuántico. Aprovechamos las simetrías del sistema para mejorar la eficiencia de los recursos en un algoritmo VQE. Se investigan dos métodos: (i) incorporar las simetrías en el diseño del circuito que genera naturalmente estados cuánticos con la simetría deseada; y (ii) agregar términos adicionales a la función de costo para penalizar los estados cuánticos sin la simetría relevante. A través de un análisis extenso, mostramos que el primer enfoque es mucho más eficiente en cuanto a recursos, con respecto a los recursos cuánticos y clásicos. En escenarios realistas, es posible que sea necesario utilizar un esquema híbrido en el que se incorporen algunas simetrías en el hardware y otras se apunten a través de la función de costo.

► datos BibTeX

► referencias

[ 1 ] Christian Kokail, Christine Maier, Rick van Bijnen, Tiff Brydges, Manoj K Joshi, Petar Jurcevic, Christine A Muschik, Pietro Silvi, Rainer Blatt, Christian F Roos, et al. “Simulación cuántica variacional autoverificadora de modelos reticulares”. Naturaleza 569, 355–360 (2019).
https:/​/​doi.org/​10.1038/​s41586-019-1177-4

[ 2 ] Alan Aspuru-Guzik, Anthony D Dutoi, Peter J Love y Martin Head-Gordon. “Cómputo cuántico simulado de energías moleculares”. Ciencia 309, 1704–1707 (2005).
https: / / doi.org/ 10.1126 / science.1113479

[ 3 ] Trygve Helgaker, Poul Jorgensen y Jeppe Olsen. “Teoría de la estructura electrónica molecular”. John Wiley & Sons, Ltd. (2013).
https: / / doi.org/ 10.1002 / 9781119019572

[ 4 ] Román Orus, Samuel Mugel y Enrique Lizaso. “Computación cuántica para las finanzas: panorama general y perspectivas”. Reseñas en Physics 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[ 5 ] Patrick Rebentrost, Brajesh Gupt y Thomas R. Bromley. “Finanzas computacionales cuánticas: fijación de precios Monte Carlo de derivados financieros”. física Rev. A 98, 022321 (2018).
https: / / doi.org/ 10.1103 / physreva.98.022321

[ 6 ] Daniel J Egger, Claudio Gambella, Jakub Marecek, Scott McFaddin, Martin Mevissen, Rudy Raymond, Andrea Simonetto, Stefan Woerner y Elena Yndurain. “Computación cuántica para las finanzas: estado del arte y perspectivas de futuro”. Transacciones IEEE sobre ingeniería cuántica (2020).
https: / / doi.org/ 10.1109 / tqe.2020.3030314

[ 7 ] Pranjal Bordia, Henrik Lüschen, Sebastian Scherg, Sarang Gopalakrishnan, Michael Knap, Ulrich Schneider e Immanuel Bloch. "Sondeo de relajación lenta y localización de muchos cuerpos en sistemas cuasiperiódicos bidimensionales". física Rev. X 7, 041047 (2017).
https: / / doi.org/ 10.1103 / physrevx.7.041047

[ 8 ] Michael Schreiber, Sean S Hodgman, Pranjal Bordia, Henrik P Lüschen, Mark H Fischer, Ronen Vosk, Ehud Altman, Ulrich Schneider e Immanuel Bloch. "Observación de la localización de muchos cuerpos de fermiones que interactúan en una red óptica casi aleatoria". Ciencia 349, 842–845 (2015).
https: / / doi.org/ 10.1126 / science.aaa7432

[ 9 ] Christian Gross y Immanuel Bloch. “Simulaciones cuánticas con átomos ultrafríos en redes ópticas”. Ciencia 357, 995–1001 (2017).
https: / / doi.org/ 10.1126 / science.aal3837

[ 10 ] Cornelius Hempel, Christine Maier, Jonathan Romero, Jarrod McClean, Thomas Monz, Heng Shen, Petar Jurcevic, Ben P Lanyon, Peter Love, Ryan Babbush, et al. “Cálculos de química cuántica en un simulador cuántico de iones atrapados”. física Rev. X 8, 031022 (2018).
https: / / doi.org/ 10.1103 / PhysRevX.8.031022

[ 11 ] Ben P Lanyon, Cornelius Hempel, Daniel Nigg, Markus Müller, Rene Gerritsma, F Zähringer, Philipp Schindler, Julio T Barreiro, Markus Rambach, Gerhard Kirchmair, et al. “Simulación cuántica digital universal con iones atrapados”. Ciencia 334, 57–61 (2011).
https: / / doi.org/ 10.1126 / science.1208001

[ 12 ] Alan Aspuru-Guzik y Philip Walther. “Simuladores cuánticos fotónicos”. Nat. física 8, 285–291 (2012).
https: / / doi.org/ 10.1038 / nphys2253

[ 13 ] Jianwei Wang, Fabio Sciarrino, Anthony Laing y Mark G Thompson. “Tecnologías cuánticas fotónicas integradas”. Nat. Fotónica 14, 273–284 (2020).
https:/​/​doi.org/​10.1038/​s41566-019-0532-1

[ 14 ] Toivo Hensgens, Takafumi Fujita, Laurens Janssen, Xiao Li, CJ Van Diepen, Christian Reichl, Werner Wegscheider, S Das Sarma y Lieven MK Vandersypen. "Simulación cuántica de un modelo fermi-hubbard utilizando una matriz de puntos cuánticos de semiconductores". Naturaleza 548, 70–73 (2017).
https: / / doi.org/ 10.1038 / nature23022

[ 15 ] J Salfi, JA Mol, R Rahman, G Klimeck, MY Simmons, LCL Hollenberg y S Rogge. “Simulación cuántica del modelo hubbard con átomos dopantes en silicio”. Nat. común 7, 1–6 (2016).
https: / / doi.org/ 10.1038 / ncomms11342

[ 16 ] Frank Arute, Kunal Arya, Ryan Babbush, Dave Bacon, Joseph C Bardin, Rami Barends, Sergio Boixo, Michael Broughton, Bob B Buckley, David A Buell, et al. “Hartree-fock en una computadora cuántica qubit superconductora”. Ciencia 369, 1084–1089 (2020).
https: / / doi.org/ 10.1126 / science.abb9811

[ 17 ] Rami Barends, Alireza Shabani, Lucas Lamata, Julian Kelly, Antonio Mezzacapo, Urtzi Las Heras, Ryan Babbush, Austin G Fowler, Brooks Campbell, Yu Chen, et al. “Computación cuántica adiabática digitalizada con un circuito superconductor”. Naturaleza 534, 222–226 (2016).
https: / / doi.org/ 10.1038 / nature17658

[ 18 ] Juan Preskill. “La computación cuántica en la era nisq y más allá”. Cuántica 2, 79 (2018).
https:/​/​doi.org/​10.22331/​q-2018-08-06-79

[ 19 ] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S. Kottmann, Tim Menke, Wai-Keong Mok, Sukin Sim, Leong-Chuan Kwek, y Alan Aspuru-Guzik. “Algoritmos cuánticos ruidosos de escala intermedia”. Rev.Mod. física 94 (2022).
https: / / doi.org/ 10.1103 / revmodphys.94.015004

[ 20 ] Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J Love, Alán Aspuru-Guzik y Jeremy L O'brien. "Un solucionador de valor propio variacional en un procesador cuántico fotónico". Nat. común 5, 1–7 (2014).
https: / / doi.org/ 10.1038 / ncomms5213

[ 21 ] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, et al. “Algoritmos cuánticos variacionales”. Nat. Rev. Phys.Páginas 1–20 (2021).
https:/​/​doi.org/​10.1038/​s42254-021-00348-9

[ 22 ] Jarrod R McClean, Jonathan Romero, Ryan Babbush y Alán Aspuru-Guzik. “La teoría de los algoritmos cuánticos-clásicos híbridos variacionales”. Nuevo J. Phys. 18, 023023 (2016).
https:/​/​doi.org/​10.1088/​1367-2630/​18/​2/​023023

[ 23 ] Xiao Yuan, Suguru Endo, Qi Zhao, Ying Li y Simon C Benjamin. “Teoría de la simulación cuántica variacional”. Cuántica 3, 191 (2019).
https:/​/​doi.org/​10.22331/​q-2019-10-07-191

[ 24 ] Tao Xin, Xinfang Nie, Xiangyu Kong, Jingwei Wen, Dawei Lu y Jun Li. “Tomografía cuántica de estado puro a través del método cuántico-clásico híbrido variacional”. física Rev. Aplicada 13, 024013 (2020).
https: / / doi.org/ 10.1103 / PhysRevApplied.13.024013

[ 25 ] Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe y Seth Lloyd. “Aprendizaje automático cuántico”. Naturaleza 549, 195–202 (2017).
https: / / doi.org/ 10.1038 / nature23474

[ 26 ] Srinivasan Arunachalam y Ronald de Wolf. “Una encuesta sobre la teoría del aprendizaje cuántico” (2017). arXiv:1701.06806.
arXiv: 1701.06806

[ 27 ] Carlo Ciliberto, Mark Herbster, Alessandro Davide Ialongo, Massimiliano Pontil, Andrea Rocchetto, Simone Severini y Leonard Wossnig. “Aprendizaje automático cuántico: una perspectiva clásica”. Actas de la Royal Society A: Ciencias Matemáticas, Físicas y de Ingeniería 474, 20170551 (2018).
https: / / doi.org/ 10.1098 / rspa.2017.0551

[ 28 ] Vedran Dunjko y Hans J. Briegel. “Aprendizaje automático e inteligencia artificial en el dominio cuántico: una revisión del progreso reciente”. Informes sobre el progreso en física 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[ 29 ] Edward Farhi y Hartmut Neven. “Clasificación con redes neuronales cuánticas en procesadores a corto plazo” (2018). arXiv:1802.06002.
arXiv: 1802.06002

[ 30 ] María Schuld y Nathan Killoran. “Aprendizaje automático cuántico en espacios característicos de hilbert”. física Rev. Lett. 122, 040504 (2019).
https: / / doi.org/ 10.1103 / physrevlett.122.040504

[ 31 ] Edward Farhi, Jeffrey Goldstone y Sam Gutmann. “Un algoritmo de optimización cuántica aproximada” (2014). arXiv:1411.4028.
arXiv: 1411.4028

[ 32 ] Sergey Bravyi, Alexander Kliesch, Robert Koenig y Eugene Tang. “Obstáculos para la optimización cuántica variacional de la protección de la simetría”. física Rev. Lett. 125, 260505 (2020).
https: / / doi.org/ 10.1103 / physrevlett.125.260505

[ 33 ] Cristina Cirstoiu, Zoe Holmes, Joseph Iosue, Lukasz Cincio, Patrick J Coles y Andrew Sornborger. “Avance rápido variacional para simulación cuántica más allá del tiempo de coherencia”. Inf. cuántica Npj. 6, 1–10 (2020).
https:/​/​doi.org/​10.1038/​s41534-020-00302-0

[ 34 ] Joe Gibbs, Kaitlin Gili, Zoë Holmes, Benjamin Commeau, Andrew Arrasmith, Lukasz Cincio, Patrick J. Coles y Andrew Sornborger. “Simulaciones de larga duración con alta fidelidad en hardware cuántico” (2021). arXiv:2102.04313.
arXiv: 2102.04313

[ 35 ] Sam McArdle, Tyson Jones, Suguru Endo, Ying Li, Simon C Benjamin y Xiao Yuan. “Simulación cuántica variacional basada en ansatz de la evolución del tiempo imaginario”. Inf. cuántica Npj. 5, 1–6 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0187-2

[ 36 ] Kentaro Heya, Ken M Nakanishi, Kosuke Mitarai y Keisuke Fujii. “Simulador cuántico variacional subespacial” (2019). arXiv:1904.08566.
arXiv: 1904.08566

[ 37 ] Joonsuk Huh, Sarah Mostame, Takatoshi Fujita, Man-Hong Yung y Alán Aspuru-Guzik. “Transformación de baño lineal-algebraica para la simulación de sistemas cuánticos abiertos complejos”. Nuevo J. Phys. 16, 123008 (2014).
https:/​/​doi.org/​10.1088/​1367-2630/​16/​12/​123008

[ 38 ] Zixuan Hu, Rongxin Xia y Saber Kais. “Un algoritmo cuántico para la evolución de la dinámica cuántica abierta en dispositivos de computación cuántica”. ciencia Rep. 10, 1–9 (2020).
https: / / doi.org/ 10.1038 / s41598-020-60321-x

[ 39 ] Suguru Endo, Jinzhao Sun, Ying Li, Simon C Benjamin y Xiao Yuan. “Simulación cuántica variacional de procesos generales”. física Rev. Lett. 125, 010501 (2020).
https: / / doi.org/ 10.1103 / physrevlett.125.010501

[ 40 ] Tobias Haug y Kishor Bharti. “Simulador asistido cuántico generalizado” (2020). arXiv:2011.14737.
arXiv: 2011.14737

[ 41 ] Johannes Jakob Meyer, Johannes Borregaard y Jens Eisert. “Una caja de herramientas variacional para la estimación multiparamétrica cuántica”. Inf. cuántica Npj. 7, 1–5 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00425-y

[ 42 ] Johanes Jakob Meyer. “Información de Fisher en aplicaciones cuánticas ruidosas de escala intermedia”. Cuántica 5, 539 (2021).
https:/​/​doi.org/​10.22331/​q-2021-09-09-539

[ 43 ] Jacob L. Beckey, M. Cerezo, Akira Sone y Patrick J. Coles. “Algoritmo cuántico variacional para estimar la información del pescador cuántico”. física Res. Rev. 4 (2022).
https: / / doi.org/ 10.1103 / physrevresearch.4.013083

[ 44 ] Raphael Kaubruegger, Pietro Silvi, Christian Kokail, Rick van Bijnen, Ana Maria Rey, Jun Ye, Adam M Kaufman y Peter Zoller. “Algoritmos variacionales de compresión de espín en sensores cuánticos programables”. física Rev. Lett. 123, 260505 (2019).
https: / / doi.org/ 10.1103 / physrevlett.123.260505

[ 45 ] Bálint Koczor, Suguru Endo, Tyson Jones, Yuichiro Matsuzaki y Simon C Benjamin. “Metrología cuántica de estado variacional”. Nuevo J. Phys. 22, 083038 (2020).
https: / / doi.org/ 10.1088 / 1367-2630 / ab965e

[ 46 ] Ziqi Ma, Pranav Gokhale, Tian-Xing Zheng, Sisi Zhou, Xiaofei Yu, Liang Jiang, Peter Maurer y Frederic T. Chong. “Aprendizaje adaptativo de circuitos para metrología cuántica”. En 2021 Conferencia internacional IEEE sobre computación e ingeniería cuánticas (QCE). IEEE (2021).

[ 47 ] Tobias Haug y MS Kim. “Circuito cuántico natural parametrizado”. física Rev. A 106, 052611 (2022).
https: / / doi.org/ 10.1103 / PhysRevA.106.052611

[ 48 ] Changsu Cao, Jiaqi Hu, Wengang Zhang, Xusheng Xu, Dechin Chen, Fan Yu, Jun Li, Hanshi Hu, Dingshun Lv y Man-Hong Yung. “Hacia una simulación molecular más grande en la computadora cuántica: sistemas de hasta 28 qubits acelerados por simetría de grupos puntuales” (2021). arXiv:2109.02110.
arXiv: 2109.02110

[ 49 ] Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M Chow y Jay M Gambetta. “Eigensolver cuántico variacional eficiente en hardware para moléculas pequeñas e imanes cuánticos”. Naturaleza 549, 242–246 (2017).
https: / / doi.org/ 10.1038 / nature23879

[ 50 ] Yunseong Nam, Jwo-Sy Chen, Neal C Pisenti, Kenneth Wright, Conor Delaney, Dmitri Maslov, Kenneth R Brown, Stewart Allen, Jason M Amini, Joel Apisdorf, et al. “Estimación de la energía del estado fundamental de la molécula de agua en una computadora cuántica de iones atrapados”. Inf. cuántica Npj. 6, 1–6 (2020).
https:/​/​doi.org/​10.1038/​s41534-020-0259-3

[ 51 ] Carlos Bravo-Prieto, Josep Lumbreras-Zarapico, Luca Tagliacozzo y José I. Latorre. “Escalado de la profundidad del circuito cuántico variacional para sistemas de materia condensada”. Cuántica 4, 272 (2020).
https:/​/​doi.org/​10.22331/​q-2020-05-28-272

[ 52 ] Chufan Lyu, Victor Montenegro y Abolfazl Bayat. “Algoritmos variacionales acelerados para la simulación cuántica digital de estados fundamentales de muchos cuerpos”. Cuántica 4, 324 (2020).
https:/​/​doi.org/​10.22331/​q-2020-09-16-324

[ 53 ] Alexey Uvarov, Jacob D Biamonte y Dmitry Yudin. “Eigensolver cuántico variacional para sistemas cuánticos frustrados”. física Rev. B 102, 075104 (2020).
https: / / doi.org/ 10.1103 / physrevb.102.075104

[ 54 ] Ken N. Okada, Keita Osaki, Kosuke Mitarai y Keisuke Fujii. “Identificación de fases topológicas utilizando un autosolvente cuántico variacional optimizado clásicamente” (2022). arXiv:2202.02909.
arXiv: 2202.02909

[ 55 ] Ming-Cheng Chen, Ming Gong, Xiaosi Xu, Xiao Yuan, Jian-Wen Wang, Can Wang, Chong Ying, Jin Lin, Yu Xu, Yulin Wu, et al. “Demostración de computación cuántica variacional adiabática con un coprocesador cuántico superconductor”. física Rev. Lett. 125, 180501 (2020).
https: / / doi.org/ 10.1103 / physrevlett.125.180501

[ 56 ] Matthew P Harrigan, Kevin J Sung, Matthew Neeley, Kevin J Satzinger, Frank Arute, Kunal Arya, Juan Atalaya, Joseph C Bardin, Rami Barends, Sergio Boixo, et al. “Optimización aproximada cuántica de problemas de gráficos no planos en un procesador superconductor plano”. Nat. física 17, 332–336 (2021).
https: / / doi.org/ 10.1038 / s41567-020-01105-y

[ 57 ] Guido Pagano, Aniruddha Bapat, Patrick Becker, Katherine S Collins, Arinjoy De, Paul W Hess, Harvey B Kaplan, Antonis Kyprianidis, Wen Lin Tan, Christopher Baldwin, et al. “Optimización cuántica aproximada del modelo ising de largo alcance con un simulador cuántico de iones atrapados”. Actas de la Academia Nacional de Ciencias 117, 25396–25401 (2020).
https: / / doi.org/ 10.1073 / pnas.2006373117

[ 58 ] Andrew Zhao, Andrew Tranter, William M Kirby, Shu Fay Ung, Akimasa Miyake y Peter J Love. “Reducción de medidas en algoritmos cuánticos variacionales”. física Rev. A 101, 062322 (2020).
https: / / doi.org/ 10.1103 / physreva.101.062322

[ 59 ] Artur F Izmaylov, Tzu-Ching Yen, Robert A Lang y Vladyslav Verteletskyi. “Enfoque de partición unitaria para el problema de medición en el método de resolución propia cuántica variacional”. J. Chem. Cálculo de la teoría. 16, 190–195 (2019).
https: / / doi.org/ 10.1021 / acs.jctc.9b00791

[ 60 ] Vladyslav Verteletskyi, Tzu-Ching Yen y Artur F Izmaylov. “Optimización de la medición en el autosolvente cuántico variacional utilizando una cobertura de camarilla mínima”. J. Chem. física 152, 124114 (2020).
https: / / doi.org/ 10.1063 / 1.5141458

[ 61 ] Pranav Gokhale, Olivia Angiuli, Yongshan Ding, Kaiwen Gui, Teague Tomesh, Martin Suchara, Margaret Martonosi y Frederic T. Chong. "$ o (n ^ 3) $ costo de medición para el solucionador propio cuántico variacional en hamiltonianos moleculares". Transacciones IEEE sobre ingeniería cuántica 1, 1–24 (2020).
https: / / doi.org/ 10.1109 / TQE.2020.3035814

[ 62 ] Alexis Ralli, Peter J Love, Andrew Tranter y Peter V Coveney. “Implementación de reducción de medidas para el eigensolver cuántico variacional”. física Res. Rev. 3, 033195 (2021).
https: / / doi.org/ 10.1103 / physrevresearch.3.033195

[ 63 ] Barnaby van Straaten y Bálint Koczor. “Costo de medición de algoritmos cuánticos variacionales conscientes de métricas”. PRX Quantum 2, 030324 (2021).
https: / / doi.org/ 10.1103 / prxquantum.2.030324

[ 64 ] Edward Grant, Leonard Wossnig, Mateusz Ostaszewski y Marcello Benedetti. "Una estrategia de inicialización para abordar mesetas estériles en circuitos cuánticos parametrizados". Cuántica 3, 214 (2019).
https:/​/​doi.org/​10.22331/​q-2019-12-09-214

[ 65 ] Tyler Volkoff y Patrick J. Coles. “Grandes gradientes mediante correlación en circuitos cuánticos parametrizados aleatorios”. Ciencia Cuántica. Tecnología 6, 025008 (2021).
https: / / doi.org/ 10.1088 / 2058-9565 / abd891

[ 66 ] James Stokes, Josh Izaac, Nathan Killoran y Giuseppe Carleo. “Gradiente natural cuántico”. Cuántica 4, 269 (2020).
https:/​/​doi.org/​10.22331/​q-2020-05-25-269

[ 67 ] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev y Prasanna Balaprakash. “Aprender a optimizar circuitos cuánticos variacionales para resolver problemas combinatorios”. Actas de la Conferencia AAAI sobre Inteligencia Artificial 34, 2367–2375 (2020).
https: / / doi.org/ 10.1609 / aaai.v34i03.5616

[ 68 ] András Gilyén, Srinivasan Arunachalam y Nathan Wiebe. “Optimización de algoritmos de optimización cuántica a través de un cálculo de gradiente cuántico más rápido”. En Actas del Trigésimo Simposio Anual ACM-SIAM sobre Algoritmos Discretos. Páginas 1425–1444. Sociedad de Matemáticas Industriales y Aplicadas (2019).
https: / / doi.org/ 10.1137 / 1.9781611975482.87

[ 69 ] Mateusz Ostaszewski, Lea M. Trenkwalder, Wojciech Masarczyk, Eleanor Scerri y Vedran Dunjko. “Aprendizaje por refuerzo para la optimización de arquitecturas de circuitos cuánticos variacionales” (2021). arXiv:2103.16089.
arXiv: 2103.16089

[ 70 ] Mohammad Pirhooshyaran y Tamas Terlaky. “Búsqueda de diseño de circuitos cuánticos” (2020). arXiv:2012.04046.
arXiv: 2012.04046

[ 71 ] 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

[ 72 ] Arthur G. Rattew, Shaohan Hu, Marco Pistoia, Richard Chen y Steve Wood. “Un solucionador propio cuántico variacional evolutivo, independiente del dominio, resistente al ruido y eficiente en hardware” (2019). arXiv:1910.09694.
arXiv: 1910.09694

[ 73 ] D. Chivilikhin, A. Samarin, V. Ulyantsev, I. Iorsh, AR Oganov y O. Kyriienko. “Mog-vqe: Eigensolver cuántico variacional genético multiobjetivo” (2020). arXiv:2007.04424.
arXiv: 2007.04424

[ 74 ] Yuhan Huang, Qingyu Li, Xiaokai Hou, Rebing Wu, Man-Hong Yung, Abolfazl Bayat y Xiaoting Wang. "Ansatz variacional cuántico robusto y eficiente en recursos a través de un algoritmo evolutivo". física Rev. A 105, 052414 (2022).
https: / / doi.org/ 10.1103 / PhysRevA.105.052414

[ 75 ] János K Asbóth, László Oroszlány y András Pályi. “El modelo su-schrieffer-heeger (ssh)”. En Un curso breve sobre aisladores topológicos. Páginas 1–22. Springer (2016).
https:/​/​doi.org/​10.1007/​978-3-319-25607-8

[ 76 ] Ken M Nakanishi, Kosuke Mitarai y Keisuke Fujii. "Autosolvente cuántico variacional de búsqueda subespacial para estados excitados". física Res. Rev. 1, 033062 (2019).
https: / / doi.org/ 10.1103 / physrevresearch.1.033062

[ 77 ] Oscar Higgott, Daochen Wang y Stephen Brierley. “Cálculo cuántico variacional de estados excitados”. Cuántica 3, 156 (2019).
https:/​/​doi.org/​10.22331/​q-2019-07-01-156

[ 78 ] Jarrod R McClean, Mollie E Kimchi-Schwartz, Jonathan Carter y Wibe A De Jong. “Jerarquía híbrida cuántica-clásica para la mitigación de la decoherencia y determinación de estados excitados”. física Rev. A 95, 042308 (2017).
https: / / doi.org/ 10.1103 / physreva.95.042308

[ 79 ] Raffaele Santagati, Jianwei Wang, Antonio A Gentile, Stefano Paesani, Nathan Wiebe, Jarrod R McClean, Sam Morley-Short, Peter J Shadbolt, Damien Bonneau, Joshua W Silverstone, et al. "Presencia de estados propios para la simulación cuántica de espectros hamiltonianos". ciencia Adv. 4, eaap9646 (2018).
https: / / doi.org/ 10.1126 / sciadv.aap9646

[ 80 ] Walter Greiner y Berndt Muller. “Mecánica cuántica: simetrías”. Springer Science & Business Media. (2012).
https:/​/​doi.org/​10.1007/​978-3-662-00902-4

[ 81 ] Roy McWeeny. “Simetría: Una introducción a la teoría de grupos y sus aplicaciones”. Corporación de mensajería. (2002).

[ 82 ] Ramiro Sagastizabal, Xavier Bonet-Monroig, Malay Singh, M Adriaan Rol, CC Bultink, Xiang Fu, CH Price, VP Ostroukh, N Muthusubramanian, A Bruno, et al. “Mitigación de errores experimentales a través de la verificación de simetría en un autosolvente cuántico variacional”. física Rev. A 100, 010302 (2019).
https: / / doi.org/ 10.1103 / physreva.100.010302

[ 83 ] Johannes Jakob Meyer, Marian Mularski, Elies Gil-Fuster, Antonio Anna Mele, Francesco Arzani, Alissa Wilms y Jens Eisert. “Explotación de la simetría en el aprendizaje automático cuántico variacional” (2022). arXiv:2205.06217.
arXiv: 2205.06217

[ 84 ] Jin-Guo Liu, Yi-Hong Zhang, Yuan Wan y Lei Wang. “Eigensolver cuántico variacional con menos qubits”. física Res. Rev. 1, 023025 (2019).
https: / / doi.org/ 10.1103 / physrevresearch.1.023025

[ 85 ] Panagiotis Kl Barkoutsos, Jerome F Gonthier, Igor Sokolov, Nikolaj Moll, Gian Salis, Andreas Fuhrer, Marc Ganzhorn, Daniel J Egger, Matthias Troyer, Antonio Mezzacapo, et al. “Algoritmos cuánticos para cálculos de estructuras electrónicas: hamiltoniano de agujeros de partículas y expansiones optimizadas de funciones de onda”. física Rev. A 98, 022322 (2018).
https: / / doi.org/ 10.1103 / physreva.98.022322

[ 86 ] Hefeng Wang, S Ashhab y Franco Nori. "Algoritmo cuántico eficiente para preparar estados similares a sistemas moleculares en una computadora cuántica". física Rev. A 79, 042335 (2009).
https: / / doi.org/ 10.1103 / physreva.79.042335

[ 87 ] Kazuhiro Seki, Tomonori Shirakawa y Seiji Yunoki. “Eigensolver cuántico variacional adaptado a la simetría”. física Rev. A 101, 052340 (2020).
https: / / doi.org/ 10.1103 / physreva.101.052340

[ 88 ] Bryan T. Gard, Linghua Zhu, George S. Barron, Nicholas J. Mayhall, Sophia E. Economou y Edwin Barnes. "Circuitos eficientes de preparación de estado que conservan la simetría para el algoritmo de resolución propia cuántica variacional". Inf. cuántica Npj. 6, 10 (2020).
https:/​/​doi.org/​10.1038/​s41534-019-0240-1

[ 89 ] George S Barron, Bryan T Gard, Orien J Altman, Nicholas J Mayhall, Edwin Barnes y Sophia E Economou. “Preservación de simetrías para autosolucionadores cuánticos variacionales en presencia de ruido”. física Aplicación Rev. 16, 034003 (2021).
https: / / doi.org/ 10.1103 / physrevapplied.16.034003

[ 90 ] Feng Zhang, Niladri Gomes, Noah F Berthusen, Peter P Orth, Cai-Zhuang Wang, Kai-Ming Ho y Yong-Xin Yao. "Eigensolver cuántico variacional de circuito poco profundo basado en la partición del espacio de Hilbert inspirada en la simetría para cálculos químicos cuánticos". física Res. Rev. 3, 013039 (2021).
https: / / doi.org/ 10.1103 / physrevresearch.3.013039

[ 91 ] Han Zheng, Zimu Li, Junyu Liu, Sergii Strelchuk y Risi Kondor. “Aceleración del aprendizaje de estados cuánticos a través de ansätze cuántico convolucional equivariante de grupo” (2021). arXiv:2112.07611.
arXiv: 2112.07611

[ 92 ] Ilya G Ryabinkin, Scott N Genin y Artur F Izmaylov. "Eigensolver cuántico variacional restringido: motor de búsqueda de computadora cuántica en el espacio fock". J. Chem. Cálculo de la teoría. 15, 249–255 (2018).
https: / / doi.org/ 10.1021 / acs.jctc.8b00943

[ 93 ] Andrew G Taube y Rodney J Bartlett. “Nuevas perspectivas sobre la teoría unitaria de cúmulos acoplados”. Revista internacional de química cuántica 106, 3393–3401 (2006).
https: / / doi.org/ 10.1002 / qua.21198

[ 94 ] Peter JJ O'Malley, Ryan Babbush, Ian D Kivlichan, Jonathan Romero, Jarrod R McClean, Rami Barends, Julian Kelly, Pedram Roushan, Andrew Tranter, Nan Ding, et al. “Simulación cuántica escalable de energías moleculares”. física Rev. X 6, 031007 (2016).
https: / / doi.org/ 10.1103 / physrevx.6.031007

[ 95 ] Jonathan Romero, Ryan Babbush, Jarrod R McClean, Cornelius Hempel, Peter J Love y Alán Aspuru-Guzik. “Estrategias para la computación cuántica de energías moleculares utilizando el clúster acoplado unitario ansatz”. Ciencia Cuántica. Tecnología 4, 014008 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad3e4

[ 96 ] Dave Wecker, Matthew B. Hastings y Matthias Troyer. “Progreso hacia algoritmos variacionales cuánticos prácticos”. física Rev. A 92, 042303 (2015).
https: / / doi.org/ 10.1103 / physreva.92.042303

[ 97 ] Dong C. Liu y Jorge Nocedal. “Sobre el método bfgs de memoria limitada para la optimización a gran escala”. Programación matemática 45, 503–528 (1989).
https: / / doi.org/ 10.1007 / BF01589116

[ 98 ] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush y Hartmut Neven. “Mesetas estériles en paisajes de entrenamiento de redes neuronales cuánticas”. Nat. común 9, 1–6 (2018).
https:/​/​doi.org/​10.1038/​s41467-018-07090-4

[ 99 ] Yoshifumi Nakata, Christoph Hirche, Ciara Morgan y Andreas Winter. "Diseños unitarios de 2 a partir de unitarios aleatorios x y z-diagonales". J. Matemáticas. física 58, 052203 (2017).
https: / / doi.org/ 10.1063 / 1.4983266

[ 100 ] Farrokh Vatan y Colin Williams. "Circuitos cuánticos óptimos para puertas generales de dos qubits". física Rev. A 69, 032315 (2004).
https: / / doi.org/ 10.1103 / PhysRevA.69.032315

[ 101 ] Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow y Jay M Gambetta. “Aprendizaje supervisado con espacios de funciones mejorados cuánticamente”. Naturaleza 567, 209–212 (2019).
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[ 102 ] Juan Carlos García-Escartin y Pedro Chamorro-Posada. “La prueba de intercambio y el efecto hong-ou-mandel son equivalentes”. física Rev. A 87, 052330 (2013).
https: / / doi.org/ 10.1103 / physreva.87.052330

[ 103 ] Lukasz Cincio, Yiğit Subaşı, Andrew T Sornborger y Patrick J Coles. “Aprendizaje del algoritmo cuántico para la superposición de estados”. Nuevo J. Phys. 20, 113022 (2018).
https: / / doi.org/ 10.1088 / 1367-2630 / aae94a

[ 104 ] Kohdai Kuroiwa y Yuya O Nakagawa. “Métodos de penalización para un autosolvente cuántico variacional”. física Res. Rev. 3, 013197 (2021).
https: / / doi.org/ 10.1103 / physrevresearch.3.013197

[ 105 ] Chufan Lyu, Xiaoyu Tang, Junning Li, Xusheng Xu, Man-Hong Yung y Abolfazl Bayat. “Simulación cuántica variacional de sistemas interactivos de largo alcance” (2022). arXiv:2203.14281.
arXiv: 2203.14281

[ 106 ] Chufan Lyu. "Códigos para simetría mejorada de resolución propia de espín cuántico variacional". https:/​/​gitee.com/​mindspore/​mindquantum/​tree/​research/​paper_with_code/​symmetry_enhanced_variational_quantum_spin_eigensolver (2022).
https:/​/​gitee.com/​mindspore/​mindquantum/​tree/​research/​paper_with_code/​symmetry_enhanced_variational_quantum_spin_eigensolver

Citado por

[1] Yuhan Huang, Qingyu Li, Xiaokai Hou, Rebing Wu, Man-Hong Yung, Abolfazl Bayat y Xiaoting Wang, "Ansatz variacional cuántico robusto y eficiente en recursos a través de un algoritmo evolutivo", Revisión física A 105 5, 052414 (2022).

[2] Margarite L. LaBorde y Mark M. Wilde, "Algoritmos cuánticos para probar la simetría hamiltoniana", Cartas de revisión física 129 16, 160503 (2022).

[3] Chufan Lyu, Xiaoyu Tang, Junning Li, Xusheng Xu, Man-Hong Yung y Abolfazl Bayat, “Simulación cuántica variacional de sistemas interactivos de largo alcance”, arXiv: 2203.14281.

[4] Arunava Majumder, Dylan Lewis y Sougato Bose, "Circuitos cuánticos variacionales para autómatas de puerta multi-Qubit", arXiv: 2209.00139.

[5] Raphael César de Souza Pimenta y Anibal Thiago Bezerra, “Revisitando los hamiltonianos a granel de semiconductores usando computadoras cuánticas”, arXiv: 2208.10323.

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-01-21 01:01:04). 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 2023-01-21 01:01:02).

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