تنظیم پارامتر در کوانتومی بهینه سازی تقریبی مسائل وزنی

بازنشر افلاطون

دنبال: 0

شری هاری سورشبابو¹، دیلن هرمان¹، روسلان شایدولین¹ژوائو باسو²، شووانیک چاکرابارتی¹، یو سان¹و مارکو پیستویا¹

¹تحقیقات کاربردی فناوری جهانی، JPMorgan Chase، نیویورک، NY 10017
²گروه ریاضیات، دانشگاه کالیفرنیا، برکلی، CA 94720

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

چکیده

الگوریتم بهینه سازی تقریبی کوانتومی (QAOA) یک الگوریتم نامزد پیشرو برای حل مسائل بهینه سازی ترکیبی در رایانه های کوانتومی است. با این حال، در بسیاری از موارد QAOA نیاز به بهینه سازی پارامترهای فشرده محاسباتی دارد. چالش بهینه‌سازی پارامتر به‌ویژه در مورد مسائل وزنی، که برای آن‌ها مقادیر ویژه عملگر فاز غیر صحیح هستند و چشم‌انداز انرژی QAOA دوره‌ای نیست، حاد است. در این کار، ما اکتشافی تنظیم پارامتر را برای QAOA توسعه می‌دهیم که برای یک کلاس کلی از مسائل وزنی اعمال می‌شود. ابتدا، پارامترهای بهینه برای QAOA با عمق $p=1$ اعمال شده بر روی مسئله MaxCut وزنی تحت مفروضات مختلف روی وزن‌ها استخراج می‌کنیم. به طور خاص، ما عقل متعارف را با دقت ثابت می کنیم که در حالت متوسط، اولین بهینه محلی نزدیک به صفر، پارامترهای QAOA بهینه جهانی را ارائه می دهد. دوم، برای $pgeq 1$، ما ثابت می‌کنیم که چشم‌انداز انرژی QAOA برای MaxCut وزن‌دار به آن برای حالت وزن‌نشده تحت یک تغییر مقیاس ساده پارامترها نزدیک می‌شود. بنابراین، می‌توانیم از پارامترهایی که قبلاً برای MaxCut وزن‌نشده به‌دست‌آمده‌اند، برای مسائل وزنی استفاده کنیم. در نهایت، ما ثابت می‌کنیم که برای $p=1$، هدف QAOA به شدت حول انتظارات خود متمرکز می‌شود، به این معنی که قوانین تنظیم پارامتر ما برای یک نمونه وزن‌دار تصادفی با احتمال بالا برقرار می‌شوند. ما به صورت عددی این رویکرد را بر روی نمودارهای وزنی کلی تأیید می کنیم و نشان می دهیم که به طور متوسط انرژی QAOA با پارامترهای ثابت پیشنهادی تنها 1.1 دلار با پارامترهای بهینه شده فاصله دارد. سوم، ما یک طرح مقیاس‌بندی مجدد کلی ابتکاری با الهام از نتایج تحلیلی برای MaxCut وزن‌دار پیشنهاد می‌کنیم و اثربخشی آن را با استفاده از QAOA با میکسر حفظ وزن XY Hamming که برای مسئله بهینه‌سازی پورتفولیو اعمال می‌شود، نشان می‌دهیم. اکتشافی ما همگرایی بهینه سازهای محلی را بهبود می بخشد و تعداد تکرارها را به طور متوسط 7.4 برابر کاهش می دهد.

تنظیم پارامتر در بهینه سازی تقریبی کوانتومی مشکلات وزنی هوش داده پلاتو بلاک چین. جستجوی عمودی Ai.

تصویر ویژه: روشی برای انتقال پارامترهای QAOA بهینه از مدل Sherrington-Kirkpatrick (SK) به یک مسئله MaxCut وزنی در یک نمودار معمولی با همان اندازه. پارامترهای $gamma^{text{inf}}$ طبق روش پیشنهادی مقیاس‌بندی می‌شوند، در حالی که $beta^{text{inf}}$ ثابت هستند. نمودار نشان می‌دهد که QAOA با تکنیک مقیاس‌بندی جدید، نسبت تقریب بالاتری را نسبت به تکنیک‌های قبلی و قابل مقایسه با پارامترهای بهینه‌شده به دست می‌آورد.

خلاصه محبوب

این کار قوانین تنظیم پارامتر را برای QAOA، یک الگوریتم ابتکاری کوانتومی پیشرو، که برای یک کلاس کلی از مسائل بهینه‌سازی ترکیبی اعمال می‌شود، بررسی می‌کند. بهینه سازی پارامترها یک گلوگاه قابل توجه در برابر برنامه های کوتاه مدت است. یک اکتشافی مقیاس‌بندی پارامتر کلی برای انتقال پارامترهای QAOA بین نمونه‌های مسئله وزن‌دار پیشنهاد شده است و نتایج دقیقی که اثربخشی این روش را بر MaxCut نشان می‌دهد ارائه می‌شود. علاوه بر این، اعداد نشان می دهد که این روش به طور قابل توجهی زمان آموزش QAOA برای بهینه سازی پورتفولیو را کاهش می دهد، که یک مشکل مهم در مهندسی مالی است.

► داده های BibTeX

@article{Sureshbabu2024parametersettingin, doi = {10.22331/q-2024-01-18-1231}, url = {https://doi.org/10.22331/q-2024-01-18-1231}, عنوان = {P S}قرار دادن در {Q}انتوم {A}تقریبی {O}بهینه سازی {W}هشت {P}مشکلات}، نویسنده = {سورشبابو، شری هاری و هرمان، دیلن و شایدولین، روسلان و باسو، جوائو و چاکرابارتی، شووانیک and Sun، Yue and Pistoia، Marco}، journal = {{Quantum}}، issn = {2521-327X}، ناشر = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}، حجم = {8}، صفحات = {1231}، ماه = ژانویه، سال = {2024 }

◄ مراجع

[1] مایکل آ نیلسن و آیزاک ال چوانگ. محاسبات کوانتومی و اطلاعات کوانتومی انتشارات دانشگاه کمبریج. (2010).
https://doi.org/10.1017/CBO9780511976667

[2] دیلان هرمان، کودی گوگین، شیائویان لیو، الکسی گالدا، ایلیا سافرو، یو سان، مارکو پیستویا و یوری الکسیف. "بررسی محاسبات کوانتومی برای امور مالی" (2022). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2201.02773.
https://doi.org/10.48550/arXiv.2201.02773

[3] تاد هاگ و دیمیتری پورتنوف. "بهینه سازی کوانتومی". علوم اطلاعات 128، 181-197 (2000).
https://doi.org/10.1016/s0020-0255(00)00052-9

[4] ادوارد فرهی، جفری گلدستون و سام گاتمن. "الگوریتم بهینه سازی تقریبی کوانتومی" (2014). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1411.4028.
https://doi.org/10.48550/arXiv.1411.4028

[5] استوارت هادفیلد، ژیهوی وانگ، برایان اوگرمن، النور جی ریفل، دیوید ونچرلی و روپاک بیسواس. "از الگوریتم بهینه سازی تقریبی کوانتومی تا عملگر متناوب کوانتومی ansatz". الگوریتم‌ها 12، 34 (2019). آدرس اینترنتی: https://doi.org/10.3390/a12020034.
https://doi.org/10.3390/a12020034

[6] سامی بولبنان و اشلی مونتانارو. حل مسائل رضایت‌پذیری بولی با الگوریتم بهینه‌سازی تقریبی کوانتومی (2022). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2208.06909.
https://doi.org/10.48550/arXiv.2208.06909

[7] ژوائو باسو، ادوارد فرهی، کونال مرواها، بنجامین ویلاونگا و لئو ژو. "الگوریتم بهینه سازی تقریبی کوانتومی در عمق بالا برای maxcut در نمودارهای منظم با دور بزرگ و مدل شرینگتون-کیرک پاتریک". مجموعه مقالات کنفرانس تئوری محاسبات کوانتومی، ارتباطات و رمزنگاری 7، 1-21 (2022).
https://doi.org/10.4230/LIPICS.TQC.2022.7

[8] متیو بی. هستینگز. "یک الگوریتم کلاسیک که همچنین $frac{1}{2}+frac{2}{pi}frac{1}{sqrt{d}}$ را برای حداکثر برش با دور بالا شکست می‌دهد" (2021). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2111.12641.
https://doi.org/10.48550/arXiv.2111.12641

[9] روسلان شایدولین، فیلیپ سی. لوتشاو، جفری لارسون، جیمز اوستروفسکی و تراویس اس. هامبل. "انتقال پارامتر برای بهینه سازی تقریبی کوانتومی MaxCut وزن دار". ACM Transactions on Quantum Computing 4، 1-15 (2023).
https://doi.org/10.1145/3584706

[10] سامی بولبنان، خاویر لوکاس، اگنس میدر، استانیسلاو آداشفسکی و اشلی مونتانارو. نمونه‌برداری ساختاری پپتید با استفاده از الگوریتم بهینه‌سازی تقریبی کوانتومی. npj Quantum Information 9, 70 (2023). آدرس اینترنتی: https://doi.org/10.1038/s41534-023-00733-5.
https://doi.org/10.1038/s41534-023-00733-5

[11] سباستین برندهوفر، دانیل براون، ونسا دهن، گرهارد هلسترن، ماتیاس هولس، یانجون جی، ایلیا پولیان، آماندیپ سینگ باتیا و توماس ولنز. "معیارسازی عملکرد بهینه سازی پورتفولیو با qaoa". پردازش اطلاعات کوانتومی 22، 25 (2022).
https://doi.org/10.1007/s11128-022-03766-5

[12] سامی بولبنان و اشلی مونتانارو. "پیش بینی پارامترها برای الگوریتم بهینه سازی تقریبی کوانتومی برای حداکثر برش از حد بی نهایت اندازه" (2021). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2110.10685.
https://doi.org/10.48550/arXiv.2110.10685

[13] ادوارد فرهی، جفری گلدستون، سام گاتمن و لئو ژو. "الگوریتم بهینه سازی تقریبی کوانتومی و مدل شرینگتون-کرک پاتریک در اندازه بی نهایت". Quantum 6, 759 (2022).
https://doi.org/10.22331/q-2022-07-07-759

[14] امیر دمبو، آندره آ مونتاناری، و سناتور سابهابراتا "برش های شدید نمودارهای تصادفی پراکنده". The Annals of Probability 45 (2017).
https://doi.org/10.1214/15-aop1084

[15] گاوین ای کروکس. "عملکرد الگوریتم بهینه سازی تقریبی کوانتومی بر روی مشکل برش حداکثر" (2018). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1811.08419.
https://doi.org/10.48550/arXiv.1811.08419

[16] مایکل استریف و مارتین لیب "آموزش الگوریتم بهینه سازی تقریبی کوانتومی بدون دسترسی به واحد پردازش کوانتومی". علم و فناوری کوانتومی 5، 034008 (2020).
https://doi.org/10.1088/2058-9565/ab8c2b

[17] لئو ژو، شنگ تائو وانگ، سون وون چوی، هانس پیچلر، و میخائیل دی. لوکین. "الگوریتم بهینه سازی تقریبی کوانتومی: عملکرد، مکانیسم و پیاده سازی در دستگاه های کوتاه مدت". بررسی فیزیکی X 10، 021067 (2020).
https://doi.org/10.1103/PhysRevX.10.021067

[18] روسلان شایدولین، ایلیا سافرو و جفری لارسون. "روش های چند راه اندازی برای بهینه سازی تقریبی کوانتومی". در کنفرانس IEEE High Performance Extreme Computing. صفحات 1-8. (2019).
https://doi.org/10.1109/hpec.2019.8916288

[19] Xinwei Lee، Yoshiyuki Saito، Dongsheng Cai و Nobuyoshi Asai. "استراتژی تثبیت پارامترها برای الگوریتم بهینه سازی تقریبی کوانتومی". 2021 کنفرانس بین المللی IEEE در محاسبات و مهندسی کوانتومی (QCE) (2021).
https://doi.org/10.1109/qce52317.2021.00016

[20] استفان اچ ساک و ماکسیم سربین. "راه اندازی اولیه بازپخت کوانتومی الگوریتم بهینه سازی تقریبی کوانتومی". Quantum 5, 491 (2021).
https://doi.org/10.22331/q-2021-07-01-491

[21] اوحد آموسی، تموز دانزیگ، الی پورات، گال چچیک و آدی مکمال. "الگوریتم بهینه سازی تقریبی کوانتومی بدون تکرار با استفاده از شبکه های عصبی" (2022). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2208.09888.
https://doi.org/10.48550/arXiv.2208.09888

[22] دانیلو لیکوف، رومن شوتسکی، الکسی گالدا، والری وینوکور و یوری الکسیف. شبیه ساز کوانتومی شبکه تانسور با موازی سازی وابسته به گام 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

[23] ماتیا مدویدوویچ و جوزپه کارلئو. "شبیه سازی تغییرات کلاسیک الگوریتم بهینه سازی تقریبی کوانتومی". npj Quantum Information 7 (2021).
https://doi.org/10.1038/s41534-021-00440-z

[24] Ruslan Shaydulin و Stefan M. Wild. "بهره برداری از تقارن هزینه آموزش QAOA را کاهش می دهد". IEEE Transactions on Quantum Engineering 2، 1-9 (2021).
https://doi.org/10.1109/tqe.2021.3066275

[25] روسلان شایدولین و یوری الکسیف. "ارزیابی الگوریتم بهینه سازی تقریبی کوانتومی: مطالعه موردی". دهمین کنفرانس بین المللی محاسبات سبز و پایدار (2019).
https://doi.org/10.1109/IGSC48788.2019.8957201

[26] فرناندو جی اس ال براندائو، مایکل بروتون، ادوارد فرهی، سام گاتمن و هارتموت نون. «برای پارامترهای کنترل ثابت، مقدار تابع هدف الگوریتم بهینه‌سازی تقریبی کوانتومی برای نمونه‌های معمولی متمرکز می‌شود» (2018). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1812.04170.
https://doi.org/10.48550/arXiv.1812.04170

[27] V. Akshay، D. Rabinovich، E. Campos، و J. Biamonte. "غلظت پارامترها در بهینه سازی تقریبی کوانتومی". بررسی فیزیکی A 104 (2021).
https://doi.org/10.1103/physreva.104.l010401

[28] فیلیپ سی. لوتشاو، تراویس اس. هامبل، ربکا هرمن، جیمز اوستروفسکی و جورج سیوپسیس. "محدوده های عملکرد تجربی برای بهینه سازی تقریبی کوانتومی". پردازش اطلاعات کوانتومی 20، 403 (2021).
https://doi.org/10.1007/s11128-021-03342-3

[29] الکسی گالدا، شیائویان لیو، دانیلو لیکوف، یوری الکسیف و ایلیا سافرو. "قابلیت انتقال پارامترهای بهینه qaoa بین نمودارهای تصادفی". در کنفرانس بین المللی IEEE در سال 2021 در محاسبات و مهندسی کوانتومی (QCE). صفحات 171-180. (2021).
https://doi.org/10.1109/QCE52317.2021.00034

[30] Xinwei Lee، Ningyi Xie، Dongsheng Cai، Yoshiyuki Saito و Nobuyoshi Asai. "یک استراتژی اولیه سازی عمقی برای الگوریتم بهینه سازی تقریبی کوانتومی". ریاضیات 11، 2176 (2023).
https://doi.org/10.3390/math11092176

[31] سامی خیری، روسلان شایدولین، لوکاس سینسیو، یوری الکسیف و پراسانا بالاپراکاش. "آموزش بهینه سازی مدارهای کوانتومی متغیر برای حل مسائل ترکیبی". مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی 34، 2367-2375 (2020).
https://doi.org/10.1609/aaai.v34i03.5616

[32] گیوم وردون، مایکل بروتون، جارود آر مک‌کلین، کوین جی سانگ، رایان بابوش، ژانگ جیانگ، هارتموت نون و مسعود محسنی. "یادگیری یادگیری با شبکه های عصبی کوانتومی از طریق شبکه های عصبی کلاسیک" (2019). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1907.05415.
https://doi.org/10.48550/arXiv.1907.05415

[33] سامی خیری، روسلان شایدولین، لوکاس سینسیو، یوری الکسیف و پراسانا بالاپراکاش. "بهینه سازی مدارهای کوانتومی متغیر مبتنی بر یادگیری تقویتی برای مسائل ترکیبی" (2019). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1911.04574.
https://doi.org/10.48550/arXiv.1911.04574

[34] Matteo M. Wauters، Emanuele Panizon، Glen B. Mbeng و Giuseppe E. Santoro. "بهینه سازی کوانتومی به کمک یادگیری تقویتی". Physical Review Research 2 (2020).
https://doi.org/10.1103/physrevresearch.2.033446

[35] مهابوبول علم، عبدالله آش ساکی و سواروپ قوش. "تسریع الگوریتم بهینه سازی تقریبی کوانتومی با استفاده از یادگیری ماشین". 2020 طراحی، اتوماسیون و تست در کنفرانس و نمایشگاه اروپا (DATE) (2020).
https://doi.org/10.23919/date48585.2020.9116348

[36] جیهائو یائو، لین لین و مارین بوکوف. "یادگیری تقویتی برای آماده سازی بسیاری از بدن در حالت پایه با الهام از رانندگی ضد دیابت". بررسی فیزیکی X 11 (2021).
https://doi.org/10.1103/physrevx.11.031070

[37] ژیهوی وانگ، استوارت هادفیلد، ژانگ جیانگ و النور جی ریفل. "الگوریتم بهینه سازی تقریبی کوانتومی برای MaxCut: نمای فرمیونی". بررسی فیزیکی A 97 (2018).
https://doi.org/10.1103/physreva.97.022304

[38] جاناتان وورتس و دانیلو لیکوف "حدس زاویه ثابت برای QAOA در نمودارهای MaxCut معمولی" (2021). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2107.00677.
https://doi.org/10.48550/arXiv.2107.00677

[39] استوارت هادفیلد. "الگوریتم های کوانتومی برای محاسبات علمی و بهینه سازی تقریبی" (2018). آدرس اینترنتی: https://doi.org/10.48550/1805.03265.
https://doi.org/10.48550/1805.03265

[40] پل گلسرمن "روش های مونت کارلو در مهندسی مالی". جلد 53. اسپرینگر. (2004).
https://doi.org/10.1007/978-0-387-21617-1

[41] والتر رودین. "تحلیل واقعی و پیچیده". مک گراو هیل. (1974).

[42] والتر رودین. "اصول آنالیز ریاضی". مک گراو هیل. (1976).

[43] کالین مک دیارمید. "در مورد روش تفاوت های محدود". صفحه 148-188. مجموعه یادداشت های سخنرانی انجمن ریاضی لندن. انتشارات دانشگاه کمبریج. (1989).
https://doi.org/10.1017/CBO9781107359949.008

[44] لوتز وارنک. "در مورد روش تفاوت های کران معمولی". ترکیبات، احتمال و محاسبات 25، 269-299 (2016).
https://doi.org/10.1017/S0963548315000103

[45] رومن ورشینین. "احتمال ابعادی بالا: مقدمه ای با کاربردها در علم داده". سری کمبریج در ریاضیات آماری و احتمالاتی. انتشارات دانشگاه کمبریج. (2018).
https://doi.org/10.1017/9781108231596

[46] ژوائو باسو، دیوید گامارنیک، سونگ می و لئو ژو. "عملکرد و محدودیت های QAOA در سطوح ثابت بر روی هایپرگراف های پراکنده بزرگ و مدل های شیشه چرخشی". 2022 IEEE شصت و سومین سمپوزیوم سالانه مبانی علوم کامپیوتر (FOCS) (63).
https://doi.org/10.1109/focs54457.2022.00039

[47] جی پاریسی. "توالی از راه حل های تقریبی برای مدل s-k برای عینک های چرخشی". مجله فیزیک الف: ریاضی و عمومی 13، L115 (1980).
https://doi.org/10.1088/0305-4470/13/4/009

[48] میشل تالاگراند. "فرمول پاریسی". سالنامه ریاضیات (2006).
https://doi.org/10.4007/annals.2006.163.221

[49] دیمیتری پانچنکو "مدل شرینگتون-کرک پاتریک". Springer Science & Business Media. (2013).
https://doi.org/10.1007/978-1-4614-6289-7

[50] روسلان شایدولین، کونال مرواها، جاناتان وورتز، و فیلیپ سی لوتشاو. "QAOAKit: ابزاری برای مطالعه تکرارپذیر، کاربرد و تایید QAOA". دومین کارگاه بین المللی نرم افزار محاسبات کوانتومی (2021).
https://doi.org/10.1109/QCS54837.2021.00011

[51] ژوائو باسو، ادوارد فرهی، کونال مرواها، بنجامین ویلاونگا و لئو ژو. "الگوریتم بهینه سازی تقریبی کوانتومی در عمق بالا برای maxcut در نمودارهای منظم با دور بزرگ و مدل شرینگتون-کیرک پاتریک" (2021). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2110.14206.
https://doi.org/10.48550/arXiv.2110.14206

[52] دیلان هرمان، روسلان شایدولین، یو سان، شووانیک چاکرابارتی، شائوهان هو، پیر مینسن، آرتور راتیو، رومینا یالووتزکی، و مارکو پیستویا. "بهینه سازی محدود از طریق دینامیک زنو کوانتومی". فیزیک ارتباطات 6، 219 (2023).
https://doi.org/10.1038/s42005-023-01331-9

[53] N. Slate، E. Matwiejew، S. Marsh، و J. B. Wang. "بهینه سازی نمونه کارها مبتنی بر پیاده روی کوانتومی". Quantum 5, 513 (2021).
https://doi.org/10.22331/q-2021-07-28-513

[54] مارک هادسون، برندان راک، هیو اونگ، دیوید گاروین و استفان دولمن. "آزمایش‌های تعادل مجدد نمونه کارها با استفاده از عملگر متناوب کوانتومی ansatz" (2019). آدرس اینترنتی: https://doi.org/10.48550/arXiv.1911.05296.
https://doi.org/10.48550/arXiv.1911.05296

[55] تیانی هائو، روسلان شایدولین، مارکو پیستویا و جفری لارسون. "بهره برداری از انرژی درون محدودیت در بهینه سازی کوانتومی متغیر محدود". 2022 سومین کارگاه بین المللی IEEE/ACM در مورد نرم افزار محاسبات کوانتومی (QCS) (2022).
https://doi.org/10.1109/qcs56647.2022.00017

[56] زیچانگ هی، روسلان شایدولین، شووانیک چاکرابارتی، دیلان هرمان، چانگهائو لی، یو سان و مارکو پیستویا. تراز بین حالت اولیه و میکسر عملکرد qaoa را برای بهینه سازی محدود بهبود می بخشد. npj Quantum Information 9, 121 (2023).
https://doi.org/10.1038/s41534-023-00787-5

[57] "مالی Qiskit". https://qiskit.org/documentation/finance/.
https://qiskit.org/documentation/finance/

[58] استیون جی جانسون. "بسته بهینه سازی غیرخطی NLopt" (2022). http://github.com/stevengj/nlopt.
http://github.com/stevengj/nlopt

[59] مایکل جی دی پاول. الگوریتم BOBYQA برای بهینه سازی محدود محدود بدون مشتقات. گزارش NA کمبریج NA2009/06 26 (2009).

[60] Ruslan Shaydulin و Stefan M. Wild. "اهمیت پهنای باند هسته در یادگیری ماشین کوانتومی". بررسی فیزیکی A 106 (2022).
https://doi.org/10.1103/physreva.106.042407

[61] عبدالکادر کاناتار، ایوان پیترز، چنگیز پهلوان، استفان ام وایلد و روسلان شایدولین. "پهنای باند تعمیم در مدل های هسته کوانتومی را امکان پذیر می کند" (2022). آدرس اینترنتی: https://doi.org/10.48550/arXiv.2206.06686.
https://doi.org/10.48550/arXiv.2206.06686

[62] کاینینگ ژانگ، لیو لیو، مین هسیو هسیه و داچنگ تائو. "فرار از فلات بایر از طریق مقداردهی اولیه گاوسی در مدارهای کوانتومی متغیر عمیق". در پیشرفت در سیستم های پردازش اطلاعات عصبی. جلد 35، صفحات 18612–18627. Curran Associates, Inc. (2022).

ذکر شده توسط

[1] دیلان هرمان، کودی گوگین، شیائویان لیو، یو سان، الکسی گالدا، ایلیا سافرو، مارکو پیستویا و یوری الکسیف، "محاسبات کوانتومی برای امور مالی". Nature Reviews Physics 5 8, 450 (2023).

[2] Abid Khan، Bryan K. Clark و Norm M. Tubman، "پیش بهینه سازی حل ویژه کوانتومی متغیر با شبکه های تانسور". arXiv: 2310.12965, (2023).

[3] ایگور گایدای و ربکا هرمن، "تحلیل عملکرد QAOA چند زاویه برای p > 1"، arXiv: 2312.00200, (2023).

[4] دیلان هرمان، روسلان شایدولین، یو سان، شووانیک چاکرابارتی، شائوهان هو، پیر مینسن، آرتور راتیو، رومینا یالووتزکی و مارکو پیستویا، "بهینه سازی محدود از طریق دینامیک زنو کوانتومی"، فیزیک ارتباطات 6 1، 219 (2023).

[5] روسلان شایدولین، چانگهائو لی، شووانیک چاکرابارتی، متیو دکراس، دیلان هرمان، نیراج کومار، جفری لارسون، دانیلو لیکوف، پیر مینسن، یو سان، یوری الکسیف، جوآن ام. دریلینگ، جان پی گابلر، توماس ام. گاترمن ، جاستین آ. گربر، کوین گیلمور، دن گرش، ناتان هویت، چندلر وی. هورست، شائوهان هو، جیکوب یوهانسن، میچل ماتنی، تانر منگل، مایکل میلز، استیون ای. موزس، برایان نینهویس، پیتر زیگفرید، رومینا یالووتزکی، و مارکو پیستویا، شواهدی از مزیت مقیاس‌گذاری برای الگوریتم بهینه‌سازی تقریبی کوانتومی در یک مسئله کلاسیک غیرقابل حل، arXiv: 2308.02342, (2023).

[6] فیلیپ بی. ماسیجوسکی، استوارت هادفیلد، بنجامین هال، مارک هادسون، ماکسیم دوپونت، برام اورت، جیمز سود، ام. صهیب علم، ژیهوی وانگ، استفن جفری، بووانش ساندار، پی. آرون لات، شون گراب، النور جی ریفل، متیو جی. ریگور و دیوید ونچرلی، «طراحی و اجرای مدارهای کوانتومی با استفاده از ده‌ها کیوبیت ابررسانا و هزاران گیت برای مسائل بهینه‌سازی Ising متراکم» arXiv: 2308.12423, (2023).

[7] Mara Vizzuso، Gianluca Passarelli، Giovanni Cantele و Procolo Lucignano، "همگرایی QAOA دیجیتالی-ضد دیاباتیک: عمق مدار در مقابل پارامترهای آزاد". arXiv: 2307.14079, (2023).

نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2024-01-19 00:28:46). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.

On سرویس استناد شده توسط Crossref هیچ داده ای در مورد استناد به آثار یافت نشد (آخرین تلاش 2024-01-19 00:28:44).

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-2024-01-18-1231/

تمبر زمان: ژانویه 18، 2024

تمبر زمان: مار 2، 2023

تنظیم پارامتر در بهینه سازی تقریبی کوانتومی مسائل وزنی

بازنشر افلاطون

چکیده

خلاصه محبوب

► داده های BibTeX

◄ مراجع

ذکر شده توسط

بیشتر از مجله کوانتومی

کدهای LDPC کوانتومی متناسب با تعصب

در مورد نقش درهم تنیدگی در فشرده سازی مدار مبتنی بر qudit

الگوریتم بهینه سازی تقریبی کوانتومی و مدل شرینگتون-کرک پاتریک در اندازه بی نهایت

بافندگی مدار با محدودیت بالا برای دینامیک کوانتومی متغیر

همبستگی های کوانتومی در سناریوی حداقلی

الگوریتم های کوانتومی بهبود یافته برای معادلات دیفرانسیل خطی و غیرخطی

حقایق نسبی مکانیک کوانتومی رابطه ای با مکانیک کوانتومی ناسازگار است

ساخت جهانی از زیرفضاهای درهم تنیده واقعی با هر اندازه

نظریه کریلوف در زمان واقعی برای الگوریتم های محاسبات کوانتومی

سنتز و تلفیقی با گیت های چند کیوبیتی بهینه زمان

درباره‌ ما

جستجوی عمودی و هوش مصنوعی

سکو

همیشه در ارتباط ماندن

حساب