شبیه سازی مونت کارلو زنجیره مارکوف با کوانتومی پیشرفته با دیوید لایدن

در اینجا سخنرانی دیوید لایدن در مورد زنجیره مارکوف پیشرفته کوانتومی مونت کارلو است

چکیده:

نمونه‌برداری از توزیع‌های احتمالی پیچیده، یک مشکل محاسباتی سخت است که در بسیاری از زمینه‌ها، از جمله فیزیک آماری، بهینه‌سازی، و یادگیری ماشین ایجاد می‌شود. رایانه‌های کوانتومی اخیراً برای نمونه‌برداری از توزیع‌های پیچیده استفاده می‌شوند که نمونه‌برداری از آنها به‌طور کلاسیک دشوار است، اما به ندرت در برنامه‌های کاربردی ایجاد می‌شوند. ما یک الگوریتم کوانتومی را برای نمونه‌برداری از توزیع‌هایی معرفی می‌کنیم که گلوگاهی را در چندین کاربرد ایجاد می‌کنند، که آن را روی یک پردازنده کوانتومی ابررسانا پیاده‌سازی می‌کنیم. الگوریتم زنجیره مارکوف مونت کارلو (MCMC)، یک تکنیک نمونه‌گیری تکراری محبوب را برای نمونه‌برداری از توزیع بولتزمن مدل‌های کلاسیک ایزینگ انجام می‌دهد. در هر مرحله، پردازنده کوانتومی مدل را در برهم‌نهی بررسی می‌کند تا یک حرکت تصادفی را پیشنهاد کند، که سپس توسط یک کامپیوتر کلاسیک پذیرفته یا رد می‌شود و به پردازنده کوانتومی بازگردانده می‌شود و از همگرایی به توزیع بولتزمن مورد نظر اطمینان حاصل می‌کند. ما متوجه شدیم که این الگوریتم کوانتومی در تکرارهای کمتری نسبت به جایگزین‌های رایج MCMC کلاسیک در نمونه‌های مسئله مربوطه، هم در شبیه‌سازی و هم در آزمایش‌ها، همگرا می‌شود. بنابراین مسیر جدیدی را برای رایانه‌های کوانتومی باز می‌کند تا در کوتاه‌مدت مشکلات مفید و نه فقط دشوار را حل کنند.

[محتوای جاسازی شده]