NISQ-compatible Approximate Quantum Algorithm For Unconstrained And Constrained Discrete Optimization

بازنشر افلاطون

دنبال: 0

آقای پرلشتاین^1,2,3، هوش مصنوعی پاخومچیک¹، آر. A. Melnikov¹، M. Podobrii¹، A. Termanova¹، I. Kreidich¹، B. Nuriev¹S. Iudin¹، سی دبلیو منسل¹و VM Vinokur^1,4

¹Terra Quantum AG, Kornhausstrasse 25, 9000 St. Gallen, Switzerland
²مرکز تعالی QTF، گروه فیزیک کاربردی، دانشگاه آلتو، صندوق پستی 15100، FI-00076 AALTO، فنلاند
³InstituteQ - موسسه کوانتومی فنلاند، دانشگاه آلتو، فنلاند
⁴گروه فیزیک، کالج شهری دانشگاه سیتی نیویورک، خیابان کانونت 160، نیویورک، NY 10031، ایالات متحده آمریکا

این مقاله را جالب می دانید یا می خواهید بحث کنید؟ SciRate را ذکر کنید یا در SciRate نظر بدهید.

چکیده

الگوریتم‌های کوانتومی به دلیل پتانسیلی که برای عملکرد بهتر از الگوریتم‌های کلاسیک دارند، بسیار محبوب می‌شوند. با این حال، استفاده از الگوریتم‌های کوانتومی برای مسائل بهینه‌سازی با چالش‌های مربوط به کارایی آموزش الگوریتم‌های کوانتومی، شکل چشم‌انداز هزینه‌های آن‌ها، دقت خروجی‌های آن‌ها و توانایی آن‌ها در مقیاس‌پذیری به مسائل با اندازه بزرگ مواجه می‌شود. در اینجا، ما یک الگوریتم کوانتومی مبتنی بر گرادیان تقریبی برای مدارهای سخت‌افزاری کارآمد با رمزگذاری دامنه ارائه می‌کنیم. ما نشان می‌دهیم که چگونه محدودیت‌های خطی ساده را می‌توان مستقیماً بدون تغییر اضافی تابع هدف با شرایط جریمه وارد مدار کرد. ما از شبیه‌سازی‌های عددی برای آزمایش آن روی مشکلات $texttt{MaxCut}$ با نمودارهای وزن‌دار کامل با هزاران گره استفاده می‌کنیم و الگوریتم را روی یک پردازنده کوانتومی ابررسانا اجرا می‌کنیم. ما متوجه شدیم که برای مسائل بدون محدودیت $texttt{MaxCut}$ با بیش از 1000 گره، رویکرد ترکیبی که الگوریتم ما را با یک حل کننده کلاسیک به نام CPLEX ترکیب می کند، می تواند راه حل بهتری نسبت به CPLEX به تنهایی پیدا کند. این نشان می دهد که بهینه سازی ترکیبی یکی از موارد استفاده پیشرو برای دستگاه های کوانتومی مدرن است.

NISQ-compatible approximate quantum algorithm for unconstrained and constrained discrete optimization PlatoBlockchain Data Intelligence. Vertical Search. Ai.

تصویر ویژه: نمودار انرژی (یا هزینه) راه حل ها به عنوان تابعی از تعداد تکرارها. راه حل های مقید با رنگ قرمز و راه حل های بدون محدودیت با رنگ سبز نشان داده شده اند. خطوط چین نشان دهنده هزینه راه حل های بهینه است.

خلاصه محبوب

بهینه سازی فرآیند تنظیم سیستم ها و عملیات برای کارآمدتر و موثرتر کردن آنهاست. به عنوان مثال، کنترل پنل را در یک کارخانه با تنظیمات زیاد تصور کنید. یافتن چگونگی تنظیم تنظیمات برای بهینه سازی مصرف انرژی کارخانه تا حد ممکن، یک کار بهینه سازی را تشکیل می دهد. توسعه الگوریتم‌های بهینه‌سازی بهتر، چه کلاسیک و چه کوانتومی، یک حوزه مهم تحقیقاتی است.

اغلب مفید است که هر ترکیبی از تنظیمات را مطابق با موقعیتی روی نقشه تصور کنید. مقدار بهینه سازی شده - کارایی انرژی در مثال قبلی - با ارتفاع بالاتر از سطح دریا موقعیت های مختلف نقشه نشان داده می شود. در کار قبلی، یک روش کارآمد برای رمزگذاری مسائل بهینه‌سازی در پردازنده‌های کوانتومی با یک روش مبتنی بر گرادیان ترکیب شد (یعنی روشی که از شیب یا کم عمقی زمین برای تصمیم‌گیری تنظیمات بعدی استفاده می‌کند).

ما بر روی این کار قبلی با گنجاندن قیود خطی ساده در مسئله ایجاد می‌کنیم. این مفید است زیرا معمولاً هر ترکیبی از تنظیمات از نظر فیزیکی امکان پذیر نیست. بنابراین، گزینه های موجود باید محدود شوند. نکته مهم، همانطور که با تجزیه و تحلیل در مقاله نشان داده شده است، روش ما برای ارائه محدودیت ها مشکل بهینه سازی را دشوارتر یا پیچیده تر نمی کند.

► داده های BibTeX

@article{Perelshtein2023nisqcompatible، doi = {10.22331/q-2023-11-21-1186}، url = {https://doi.org/10.22331/q-2023-11-21-1186}، عنوان = {{NISQ }-الگوریتم کوانتومی تقریبی سازگار برای بهینه‌سازی گسسته نامحدود و محدود}، نویسنده = {Perelshtein, MR and Pakhomchik, AI and Melnikov, Ar. A. and Podobrii, M. and Termanova, A. and Kreidich, I. and Nuriev, B. and Iudin, S. and Mansell, CW and Vinokur, VM}, journal = {{Quantum}}, issn = {2521- 327X}، ناشر = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}، جلد = {7}، صفحات = {1186}، ماه = نوامبر، سال = {2023} }

◄ مراجع

[1] فرانک آروت، کونال آریا، رایان بابوش، دیو بیکن، جوزف سی باردین، رامی بارندز، روپاک بیسواس، سرجیو بویکسو، فرناندو جی‌اس‌ال براندائو، دیوید آ بوئل و دیگران. "بهینه سازی تقریبی کوانتومی مسائل گراف غیر مسطح در یک پردازنده ابررسانا مسطح". Nature Physics 17، 332-336 (2021).
https://doi.org/10.1038/s41567-020-01105-y

[2] یولین وو، وان سو بائو، سیروی کائو، فوشنگ چن، مینگ-چنگ چن، ژیاوی چن، تونگ-هسون چونگ، هوی دنگ، یاجی دو، دائوجین فن، و همکاران. "مزیت محاسباتی کوانتومی قوی با استفاده از یک پردازنده کوانتومی ابررسانا". فیزیک کشیش لِت 127, 180501 (2021).
https://doi.org/10.1103/PhysRevLett.127.180501

[3] چینگلینگ ژو، سیروی کائو، فوشنگ چن، مینگ-چنگ چن، ژیاوی چن، تونگ-هسون چونگ، هوی دنگ، یاجی دو، دائوجین فن، مینگ گونگ، و همکاران. "مزیت محاسباتی کوانتومی از طریق نمونه برداری مدار تصادفی 60 سیکلی 24 کیوبیت". بولتن علوم 67، 240-245 (2022).
https://doi.org/10.1016/j.scib.2021.10.017

[4] Suguru Endo، Zhenyu Cai، Simon C. Benjamin و Xiao Yuan. "الگوریتم های ترکیبی کوانتومی-کلاسیک و کاهش خطای کوانتومی". مجله انجمن فیزیکی ژاپن 90، 032001 (2021).
https://doi.org/10.7566/JPSJ.90.032001

[5] مایکل پرلشتاین، آسل ساگینگالیوا، کاران پینتو، ویشال شیته، الکسی پاخومچیک، آرتم ملنیکوف، فلوریان نوکارت، گئورگ گسک، الکسی ملنیکوف و والری وینوکور. "مزیت کاربردی کاربردی خاص از طریق محاسبات کوانتومی ترکیبی" (2022). arXiv:2205.04858.
arXiv: 2205.04858

[6] سرگئی براوی، گریم اسمیت و جان اسمولین. "تجارت منابع محاسباتی کلاسیک و کوانتومی". فیزیک Rev. X 6, 021043 (2016).
https://doi.org/10.1103/PhysRevX.6.021043

[7] جارود آر مک‌کلین، جاناتان رومرو، رایان بابوش و آلان آسپورو-گوزیک. "نظریه الگوریتم های کوانتومی-کلاسیک ترکیبی تنوع". مجله جدید فیزیک 18, 023023 (2016).
https://doi.org/10.1088/1367-2630/18/2/023023

[8] جون لی، ژیائودونگ یانگ، شین هوا پنگ، و چانگ-پو سان. "رویکرد ترکیبی کوانتومی-کلاسیک به کنترل بهینه کوانتومی". فیزیک کشیش لِت 118, 150503 (2017).
https://doi.org/10.1103/PhysRevLett.118.150503

[9] دایوی ژو، نوربرت ام لینکه، مارچلو بندتی، کوین آ لندزمن، نهانگ اچ نگوین، سی هوئرتا آلدرته، آلخاندرو پردومو-اورتیز، ناتان کوردا، آ گارفوت، چارلز برکه و همکاران. "آموزش مدارهای کوانتومی در کامپیوتر کوانتومی ترکیبی". Science Advances 5, eaaw9918 (2019).
https://doi.org/10.1126/sciadv.aaw9918

[10] آکشای آجاگکار، تراویس هامبل و فنگکی تو. "راهبردهای راه حل ترکیبی مبتنی بر محاسبات کوانتومی برای مسائل بهینه سازی گسسته پیوسته در مقیاس بزرگ". Computers & Chemical Engineering 132, 106630 (2020).
https://doi.org/10.1016/j.compchemeng.2019.106630

[11] Ruslan Shaydulin، Hayato Ushijima-Mwesigwa، Christian FA Negre، Ilya Safro، Susan M. Mniszewski، و Yuri Alexeev. "رویکرد ترکیبی برای حل مسائل بهینه سازی در کامپیوترهای کوانتومی کوچک". Computer 52, 18–26 (2019).
https://doi.org/10.1109/MC.2019.2908942

[12] لیبور کاها، الکساندر کلیش و رابرت کونیگ. "الگوریتم های ترکیبی پیچ خورده برای بهینه سازی ترکیبی". علوم و فناوری کوانتومی 7، 045013 (2022).
https://doi.org/10.1088/2058-9565/ac7f4f

[13] بوکتیر حدار، مهدی خماخم، سعید حنفی و کریستوف ویلبو. "بهینه سازی ازدحام ذرات کوانتومی ترکیبی برای مسئله کوله پشتی چند بعدی". کاربردهای مهندسی هوش مصنوعی 55، 1-13 (2016).
https://doi.org/10.1016/j.engappai.2016.05.006

[14] رضا ماهرو و امین کارگران. “تعهد واحد کوانتومی-کلاسیک ترکیبی”. در کنفرانس برق و انرژی تگزاس IEEE در سال 2022 (TPEC). صفحات 1-5. (2022).
https://doi.org/10.1109/TPEC54980.2022.9750763

[15] تونی تی تران، مین دو، النور جی ریفل، جرمی فرانک، ژیهوی وانگ، برایان اوگرمن، دیوید ونچرلی و جی کریستوفر بک. "رویکرد ترکیبی کوانتومی-کلاسیک برای حل مسائل زمان بندی". در نهمین سمپوزیوم سالانه جستجوی ترکیبی. جلد 7، صفحات 98-106. (2016).
https://doi.org/10.1609/socs.v7i1.18390

[16] شیائو-هنگ لیو، می یوان شان، رن-لانگ ژانگ و لی-هنگ ژانگ. "بهینه سازی مسیریابی خودرو سبز بر اساس انتشار کربن و الگوریتم ایمنی کوانتومی ترکیبی چندهدفه". مسائل ریاضی در مهندسی 2018, 8961505 (2018).
https://doi.org/10.1155/2018/8961505

[17] مارکو سرزو، اندرو آراسمیت، رایان بابوش، سایمون سی بنجامین، سوگورو اندو، کیسوکه فوجی، جارود آر مک‌کلین، کوسوکه میتارای، شیائو یوان، لوکاس سینسیو، و همکاران. الگوریتم های کوانتومی متغیر Nature Reviews Physics 3، 625–644 (2021).
https://doi.org/10.1038/s42254-021-00348-9

[18] ساموئل موگل، ماریو آباد، میگل برمخو، خاویر سانچز، انریکه لیزاسو و رومان اوروس. "بهینه سازی سرمایه گذاری کوانتومی ترکیبی با حداقل دوره نگهداری". گزارش های علمی 11، 19587 (2021).
https://doi.org/10.1038/s41598-021-98297-x

[19] Xiaozhen Ge، Re-Bing Wu، و Herschel Rabitz. "چشم انداز بهینه سازی الگوریتم های کوانتومی-کلاسیک ترکیبی: از کنترل کوانتومی تا کاربردهای NISQ". بررسی‌های سالانه در کنترل 54، 314–323 (2022).
https://doi.org/10.1016/j.arcontrol.2022.06.001

[20] ادوارد فرهی، جفری گلدستون و سام گاتمن. "یک الگوریتم بهینه سازی تقریبی کوانتومی" (2014). arXiv:1411.4028.
arXiv: 1411.4028

[21] مادیتا ویلش، دنیس ویلش، فنگ پینگ جین، هانس دی رادت و کریستل میچیلسن. "معیارسازی الگوریتم بهینه سازی تقریبی کوانتومی". پردازش اطلاعات کوانتومی 19، 197 (2020).
https://doi.org/10.1007/s11128-020-02692-8

[22] دانیلو لیکوف، جاناتان ورتز، کودی پول، مارک سافمن، تام نوئل و یوری الکسیف. "آستانه های فرکانس نمونه برداری برای مزیت کوانتومی الگوریتم بهینه سازی تقریبی کوانتومی" (2022). arXiv:2206.03579.
arXiv: 2206.03579

[23] داویده ونتورلی و الکسی کندراتیف. "رویکرد بازپخت کوانتومی معکوس برای مسائل بهینه سازی پورتفولیو". هوش ماشین کوانتومی 1، 17-30 (2019).
https://doi.org/10.1007/s42484-019-00001-w

[24] وانگچون پنگ، بائونان وانگ، فنگ هو، یونجیانگ وانگ، شیان جین فانگ، زینگ یوان چن و چائو وانگ. "فاکتورگیری اعداد صحیح بزرگتر با کیوبیت های کمتر از طریق آنیل کوانتومی با پارامترهای بهینه". Science China Physics, Mechanics & Astronomy 62, 60311 (2019).
https://doi.org/10.1007/s11433-018-9307-1

[25] فرد گلاور، گری کوچنبرگر و یو دو. "آموزش فرمول بندی و استفاده از مدل های QUBO" (2018). arXiv:1811.11538.
arXiv: 1811.11538

[26] مارچلو بندیتی، ماتیا فیورنتینی و مایکل لوباش. "الگوریتم های کوانتومی متغیر کارآمد سخت افزاری برای تکامل زمان". فیزیک Rev. Res. 3, 033083 (2021).
https://doi.org/10.1103/PhysRevResearch.3.033083

[27] شیر یارکونی، النا راپونی، توماس بک و سباستین اشمیت. "آنیل کوانتومی برای کاربردهای صنعتی: مقدمه و بررسی". گزارش‌های پیشرفت در فیزیک 85، 104001 (2022).
https://doi.org/10.1088/1361-6633/ac8c54

[28] بنجامین تان، مارک-آنتوان لموند، سوپانوت تاناسیلپ، جیراوات تانگپانیتانون، و دیمیتریس جی. آنجلاکیس. "طرح های رمزگذاری با کارآمدی کمی برای مسائل بهینه سازی باینری". Quantum 5, 454 (2021).
https://doi.org/10.22331/q-2021-05-04-454

[29] جین گو لیو و لی وانگ. "یادگیری متفاوت ماشین های متولد شده در مدار کوانتومی". فیزیک Rev. A 98, 062324 (2018).
https://doi.org/10.1103/PhysRevA.98.062324

[30] آتسوشی ماتسو، یودای سوزوکی و شیگرو یاماشیتا. "مدارهای کوانتومی پارامتری خاص از الگوریتم VQE برای مسائل بهینه سازی" (2020). arXiv:2006.05643.
arXiv: 2006.05643

[31] آستین گیلیام، استفان وورنر و کنستانتین گونسیولیا. "جستجوی تطبیقی گروور برای بهینه سازی باینری چند جمله ای محدود". Quantum 5, 428 (2021).
https://doi.org/10.22331/q-2021-04-08-428

[32] پرادیپ نیرولا، روسلان شایدولین، رومینا یالووتزکی، پیر مینسن، دیلان هرمان، شائوهان هو و مارکو پیستویا. "بهینه سازی کوانتومی محدود برای خلاصه سازی استخراجی در یک کامپیوتر کوانتومی یون به دام افتاده". گزارش های علمی 12، 17171 (2022).
https://doi.org/10.1038/s41598-022-20853-w

[33] MR Perelshtein و AI Pakhomchik. "الگوریتم کوانتومی ترکیبی چند جمله ای برای بهینه سازی گسسته". ثبت اختراع (2021).

[34] آی پاخومچیک و ام آر پرلشتاین. معماری محاسبات کوانتومی ترکیبی برای حل یک سیستم روابط باینری خطی ثبت اختراع (2022).

[35] ریچارد ام. کارپ. «کاهش پذیری در میان مسائل ترکیبی». صفحات 85-103. Springer US. بوستون، MA (1972).
https://doi.org/10.1007/978-1-4684-2001-2_9

[36] QMware: اولین ابر کوانتومی جهانی.

[37] "تجربه IBM Q".

[38] جوزپه ای سانتورو و اریو توساتی. "بهینه سازی با استفاده از مکانیک کوانتومی: بازپخت کوانتومی از طریق تکامل آدیاباتیک". مجله فیزیک الف: ریاضی و عمومی 39، R393 (2006).
https://doi.org/10.1088/0305-4470/39/36/R01

[39] فرانسیسکو باراونا، مارتین گروتشل، مایکل یونگر و گرهارد راینلت. "کاربرد بهینه سازی ترکیبی در فیزیک آماری و طراحی چیدمان مدار". تحقیقات عملیات 36، 493-513 (1988).
https://doi.org/10.1287/opre.36.3.493

[40] جوزپه ای. سانتورو، رومن مارتوناک، اریو توساتی، و روبرتو کار. "نظریه آنیل کوانتومی یک شیشه اسپین ایزینگ". Science 295, 2427-2430 (2002).
https://doi.org/10.1126/science.1068774

[41] یوری نستروف و ولادیمیر اسپوکوینی. "به حداقل رساندن تصادفی بدون گرادیان توابع محدب". مبانی ریاضیات محاسباتی 17، 527-566 (2017).
https://doi.org/10.1007/s10208-015-9296-2

[42] مایکل جی دی پاول. نمایی از الگوریتم‌ها برای بهینه‌سازی بدون مشتقات ریاضیات امروز-بولتن موسسه ریاضیات و کاربردهای آن 43، 170-174 (2007). آدرس اینترنتی: optimization-online.org/wp-content/uploads/2007/06/1680.pdf.
https://optimization-online.org/wp-content/uploads/2007/06/1680.pdf

[43] ماریا شولد، ویل برگهولم، کریستین گوگولین، جاش ایزاک و ناتان کیلوران. "ارزیابی گرادیان های تحلیلی بر روی سخت افزار کوانتومی". فیزیک Rev. A 99, 032331 (2019).
https://doi.org/10.1103/PhysRevA.99.032331

[44] دیدریک پی کینگما و جیمی با. "آدام: روشی برای بهینه سازی تصادفی" (2014). arXiv:1412.6980.
arXiv: 1412.6980

[45] محمد کردزنگنه، مارکوس بوخبرگر، ماکسیم پوولوتسکی، ویلهلم فیشر، آندری کورکین، ویلفرد سوموگی، آسل ساگینگالیوا، مارکوس پفلیچ و الکسی ملنیکوف. «معیارسازی واحدهای پردازش کوانتومی شبیه‌سازی‌شده و فیزیکی با استفاده از الگوریتم‌های کوانتومی و ترکیبی» Adv Quantum Technol. 2023, 6, 2300043 (2023). arXiv:2211.15631.
https://doi.org/10.1002/qute.202300043
arXiv: 2211.15631

[46] IBM ILOG CPLEX. "راهنمای کاربر برای CPLEX". International Business Machines Corporation 46, 157 (2009). آدرس اینترنتی: 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. Zarin، و M.R Perelshtein. "خط لوله انشعاب و محدود کوانتومی ترکیبی برای بهینه سازی گسسته". منتشر نشده (2023).

[48] جونیو لیو، فردریک وایلد، آنتونیو آنا مله، لیانگ جیانگ و ینس ایسرت. "نویز می تواند برای الگوریتم های کوانتومی متغیر مفید باشد" (2022). arXiv:2210.06723.
arXiv: 2210.06723

[49] استیون آر وایت. فرمول ماتریس چگالی برای گروه‌های عادی سازی مجدد کوانتومی فیزیک کشیش لِت 69، 2863-2866 (1992).
https://doi.org/10.1103/PhysRevLett.69.2863

[50] جانی گری و استفانوس کورتیس. "انقباض شبکه تانسور بسیار بهینه". Quantum 5, 410 (2021).
https://doi.org/10.22331/q-2021-03-15-410

[51] ایگور ال. مارکوف و یائویون شی. "شبیه سازی محاسبات کوانتومی با شبکه های تانسور قراردادی". SIAM Journal on Computing 38, 963-981 (2008).
https://doi.org/10.1137/050644756

[52] یونگ لیو، شین لیو، فانگ لی، هائووان فو، یولینگ یانگ، جیاوئی سونگ، پنگ پنگ ژائو، ژن وانگ، داجیا پنگ، هوارونگ چن، و همکاران. بستن شکاف برتری کوانتومی: دستیابی به شبیه سازی بلادرنگ یک مدار کوانتومی تصادفی با استفاده از یک ابررایانه جدید Sunway. در مجموعه مقالات کنفرانس بین المللی محاسبات با عملکرد بالا، شبکه، ذخیره سازی و تجزیه و تحلیل. SC '21نیویورک، نیویورک، ایالات متحده آمریکا (2021). انجمن ماشین های محاسباتی. آدرس اینترنتی: dl.acm.org/doi/abs/10.1145/3458817.3487399.
https://doi.org/10.1145/3458817.3487399

[53] فرانک آروت، کونال آریا، رایان بابوش، دیو بیکن، جوزف سی باردین، رامی بارندز، روپاک بیسواس، سرجیو بویکسو، فرناندو جی‌اس‌ال براندائو، دیوید آ بوئل و دیگران. "برتری کوانتومی با استفاده از یک پردازنده ابررسانا قابل برنامه ریزی". Nature 574, 505–510 (2019).
https://doi.org/10.1038/s41586-019-1666-5

[54] C. Schön، K. Hammerer، MM Wolf، JI Cirac، و E. Solano. "تولید متوالی حالات محصول ماتریس در QED حفره". فیزیک Rev. A 75, 032311 (2007).
https://doi.org/10.1103/PhysRevA.75.032311

[55] کوهی ناکاجی و نائوکی یاماموتو. "بیان پذیری آنساتز لایه ای متناوب برای محاسبات کوانتومی". Quantum 5, 434 (2021).
https://doi.org/10.22331/q-2021-04-19-434

[56] IV اوسلدتس. "تجزیه تانسور-قطار". مجله SIAM در محاسبات علمی 33، 2295-2317 (2011).
https://doi.org/10.1137/090752286

[57] رومن اروس. "مقدمه ای عملی برای شبکه های تانسور: حالت های محصول ماتریس و حالت های جفت درهم تنیده پیش بینی شده". Annals of Physics 349، 117-158 (2014).
https://doi.org/10.1016/j.aop.2014.06.013

[58] دانیلو لیکوف، رومن شوتسکی، الکسی گالدا، والری وینوکور و یوری الکسیف. "شبیه ساز کوانتومی شبکه تنسور با موازی سازی وابسته به مرحله". در سال 2022 کنفرانس بین المللی IEEE در زمینه محاسبات و مهندسی کوانتومی (QCE). صفحات 582–593. (2022).
https://doi.org/10.1109/QCE53715.2022.00081

[59] ایلیا لوچنیکوف، میخائیل ای کرچتوف، و سرگئی ان فیلیپوف. "هندسه ریمانی و تمایز خودکار برای مسائل بهینه سازی فیزیک کوانتومی و فناوری های کوانتومی". مجله جدید فیزیک 23, 073006 (2021).
https://doi.org/10.1088/1367-2630/ac0b02

[60] مارتین لاروکا، پیوتر چرنیک، کونال شارما، گوپیکریشنان مورالیدهاران، پاتریک جی کولز و ام. سرزو. "تشخیص فلات های بایر با ابزار کنترل بهینه کوانتومی". Quantum 6, 824 (2022).
https://doi.org/10.22331/q-2022-09-29-824

[61] Ar A Melnikov، AA Termanova، SV Dolgov، F Neukart و MR Perelshtein. "آماده سازی حالت کوانتومی با استفاده از شبکه های تانسور". علوم و فناوری کوانتومی 8, 035027 (2023).
https://doi.org/10.1088/2058-9565/acd9e7

[62] کارول ژیکوفسکی و هانس یورگن سامرز. "متوسط وفاداری بین حالات کوانتومی تصادفی". فیزیک Rev. A 71, 032313 (2005).
https://doi.org/10.1103/PhysRevA.71.032313

[63] زوئه هولمز، کونال شارما، ام. سرزو و پاتریک جی کولز. "ارتباط بیان پذیری Ansatz به قدر گرادیان و فلات بی حاصل". PRX Quantum 3, 010313 (2022).
https://doi.org/10.1103/PRXQuantum.3.010313

[64] AI Pakhomchik، S Yudin، MR Perelshtein، A Alekseyenko، و S Yarkoni. حل مشکلات زمان‌بندی گردش کار با مدل‌سازی QUBO (2022). arXiv:2205.04844.
arXiv: 2205.04844

[65] مارکو جی رانچیچ. "الگوریتم محاسبات کوانتومی در مقیاس متوسط نویز برای حل یک مشکل MaxCut $n$-راس با log($n$) کیوبیت". فیزیک Rev. Res. 5, L012021 (2023).
https://doi.org/10.1103/PhysRevResearch.5.L012021

[66] یاگنیک چاترجی، اریک بوررو، و مارکو جی. رانچیچ. حل مسائل مختلف NP-hard با استفاده از کیوبیت های کمتر در یک کامپیوتر کوانتومی (2023). arXiv:2301.06978.
arXiv: 2301.06978

[67] یاچک گوندزیو "شروع گرم روش اولیه-دوگانه اعمال شده در طرح صفحه برش". برنامه نویسی ریاضی 83، 125-143 (1998).
https://doi.org/10.1007/bf02680554

[68] دانیل جی. اگر، یاکوب مارچک و استفان وورنر. "بهینه سازی کوانتومی با شروع گرم". Quantum 5, 479 (2021).
https://doi.org/10.22331/q-2021-06-17-479

[69] فلیکس تروگر، مارتین بیزل، یوهانا بارزن، فرانک لیمان و ولادیمیر یوسوپوف. "انتخاب و بهینه سازی هایپرپارامترها در بهینه سازی کوانتومی با شروع گرم برای مسئله MaxCut". Electronics 11, 1033 (2022).
https://doi.org/10.3390/electronics11071033

[70] سوکین سیم، پیتر دی. جانسون، و آلان آسپورو-گوزیک. قابلیت بیان و درهم‌تنیدگی مدارهای کوانتومی پارامتری برای الگوریتم‌های کوانتومی-کلاسیک ترکیبی. Advanced Quantum Technologies 2, 1900070 (2019).
https://doi.org/10.1002/qute.201900070

ذکر شده توسط

[1] Ar A. Melnikov، AA Termanova، SV Dolgov، F. Neukart و MR Perelshtein، "آماده سازی حالت کوانتومی با استفاده از شبکه های تانسور". علم و فناوری کوانتومی 8 3, 035027 (2023).

نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2023-11-21 14:11:44). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.

واکشی نشد داده های استناد شده متقاطع در آخرین تلاش 2023-11-21 14:11:42: داده های استناد شده برای 10.22331/q-2023-11-21-1186 از Crossref دریافت نشد. اگر DOI اخیراً ثبت شده باشد، طبیعی است.

این مقاله در Quantum تحت عنوان منتشر شده است Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز. حق چاپ نزد دارندگان حق چاپ اصلی مانند نویسندگان یا مؤسسات آنها باقی می ماند.

محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
منبع: https://quantum-journal.org/papers/q-2023-11-21-1186/

تمبر زمان: نوامبر 21، 2023

تمبر زمان: ژوئن 21، 2023

بازنشر افلاطون

هویت های دائمی الهام گرفته از کوانتومی

استفاده از محیط برای درک سیستم های کوانتومی باز غیر مارکوویی

پنجره های میکروکانونیکال در عملگرهای کوانتومی

نحوه انجام اندازه گیری منسجم فضای فاز منحنی با اندازه گیری همسانگرد پیوسته. I. چرخش و هندسه عملگر Kraus $mathrm{SL}(2,mathbb{C})$

آزمایشی برای آزمایش گسستگی زمان

اتساع زمان گرانشی به عنوان منبعی در سنجش کوانتومی

طراحی آنتن همسطح برای سیگنال های درهم تنیده مایکروویو که در هوای آزاد منتشر می شوند

مدارهای جبری بته

پراکندگی کوانتومی به عنوان منبع کاری

اندازه‌شناسی محدود با هایزنبرگ با فعل و انفعالات مزاحم

تولید فرمیون در مرز جهان در حال انبساط: آنالوگ گرانشی اتم سرد

درباره‌ ما

جستجوی عمودی و هوش مصنوعی

سکو

همیشه در ارتباط ماندن

حساب