1Centre for Quantum Computation and Communication Technology, School of Physics, University of Melbourne, Parkville, 3010, VIC, Australie.
2École d'informatique et de systèmes d'information, École d'ingénierie de Melbourne, Université de Melbourne, Parkville, 3010, VIC, Australie
3Data61, CSIRO, Clayton, 3168, VIC, Australie
Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.
Abstract
La correction d'erreurs de code de surface offre une voie très prometteuse pour réaliser un calcul quantique évolutif et tolérant aux pannes. Lorsqu'ils fonctionnent comme des codes stabilisateurs, les calculs de code de surface consistent en une étape de décodage de syndrome où des opérateurs de stabilisateur mesurés sont utilisés pour déterminer les corrections appropriées pour les erreurs dans les qubits physiques. Les algorithmes de décodage ont subi un développement substantiel, avec des travaux récents intégrant des techniques d'apprentissage automatique (ML). Malgré des résultats initiaux prometteurs, les décodeurs de syndrome basés sur ML sont encore limités à des démonstrations à petite échelle avec une faible latence et sont incapables de gérer des codes de surface avec des conditions aux limites et diverses formes nécessaires à la chirurgie du treillis et au tressage. Nous rapportons ici le développement d'un décodeur de syndrome évolutif et rapide basé sur un réseau de neurones artificiels (ANN) capable de décoder des codes de surface de forme et de taille arbitraires avec des qubits de données souffrant du modèle d'erreur dépolarisant. Basé sur une formation rigoureuse sur 50 millions d'instances d'erreurs quantiques aléatoires, il a été démontré que notre décodeur ANN fonctionne avec des distances de code supérieures à 1000 (plus de 4 millions de qubits physiques), ce qui est la plus grande démonstration de décodeur basée sur ML à ce jour. Le décodeur ANN établi démontre un temps d'exécution en principe indépendant de la distance de code, ce qui implique que sa mise en œuvre sur du matériel dédié pourrait potentiellement offrir des temps de décodage de code de surface de O($mu$sec), proportionnels aux temps de cohérence qubit réalisables expérimentalement. Avec la mise à l'échelle prévue des processeurs quantiques au cours de la prochaine décennie, leur augmentation avec un décodeur de syndrome rapide et évolutif tel que développé dans nos travaux devrait jouer un rôle décisif dans la mise en œuvre expérimentale du traitement de l'information quantique tolérant aux pannes.
Résumé populaire
Notre travail a proposé et mis en œuvre un nouveau cadre de réseau neuronal convolutif pour résoudre les problèmes d'échelle rencontrés lors du décodage de codes de surface à grande distance. Le réseau neuronal convolutif a reçu une entrée composée de mesures de parité modifiées, ainsi que de la structure limite du code de correction d'erreurs. Compte tenu de la fenêtre finie d'observation locale se produisant dans tout le réseau neuronal convolutif, un décodeur de ratissage a été utilisé pour corriger les rares erreurs résiduelles qui pourraient subsister. Basé sur une formation rigoureuse sur 50 millions d'instances d'erreurs quantiques aléatoires, il a été démontré que notre décodeur fonctionnait avec des distances de code supérieures à 1000 (plus de 4 millions de qubits physiques), ce qui était la plus grande démonstration de décodeur basée sur ML à ce jour.
L'utilisation de réseaux de neurones convolutifs et de la structure des limites dans l'entrée a permis à notre réseau d'être appliqué sur une large gamme de distances de code de surface et de configurations de limites. La connectivité locale du réseau permet de conserver une faible latence lors du décodage de codes à plus grande distance et facilite facilement la parallélisation. Notre travail aborde un problème clé dans l'utilisation des réseaux de neurones pour le décodage à des échelles de problèmes d'intérêt pratique et permet d'approfondir les recherches impliquant l'utilisation de réseaux de structure similaire.
► Données BibTeX
► Références
S. Pirandola, UL Andersen, L. Banchi, M. Berta, D. Bunandar, R. Colbeck, D. Englund, T. Gehring, C. Lupo, C. Ottaviani, JL Pereira, M. Razavi, J. Shamsul Shaari , M. Tomamichel, VC Usenko, G. Vallone, P. Villoresi et P. Wallden. « Avancées en cryptographie quantique ». Adv. Opter. Photon. 12, 1012-1236 (2020).
https: / / doi.org/ 10.1364 / AOP.361502
Yudong Cao, Jonathan Romero, Jonathan P. Olson, Matthias Degroote, Peter D. Johnson, Mária Kieferová, Ian D. Kivlichan, Tim Menke, Borja Peropadre, Nicolas PD Sawaya, Sukin Sim, Libor Veis et Alán Aspuru-Guzik. "La chimie quantique à l'ère de l'informatique quantique". Revues chimiques 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803
Román Orús, Samuel Mugel et Enrique Lizaso. « L'informatique quantique pour la finance : bilan et perspectives ». Avis dans Physique 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028
Craig Gidney et Martin Ekerå. "Comment factoriser des entiers RSA de 2048 bits en 8 heures en utilisant 20 millions de qubits bruyants". Quantique 5, 433 (2021).
https://doi.org/10.22331/q-2021-04-15-433
Joonho Lee, Dominic W. Berry, Craig Gidney, William J. Huggins, Jarrod R. McClean, Nathan Wiebe et Ryan Babbush. "Des calculs quantiques encore plus efficaces de la chimie grâce à l'hypercontraction tensorielle". PRX Quantique 2, 030305 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030305
Yuval R. Sanders, Dominic W. Berry, Pedro CS Costa, Louis W. Tessler, Nathan Wiebe, Craig Gidney, Hartmut Neven et Ryan Babbush. "Compilation d'heuristiques quantiques tolérantes aux pannes pour l'optimisation combinatoire". PRX Quantique 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312
Eric Dennis, Alexei Kitaev, Andrew Landahl et John Preskill. "Mémoire quantique topologique". Journal de physique mathématique 43, 4452–4505 (2002).
https: / / doi.org/ 10.1063 / 1.1499754
Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Nathan Lacroix, Graham J. Norris, Mihai Gabureac, Christopher Eichler et Andreas Wallraff. "Détection d'erreurs quantiques répétées dans un code de surface". Physique de la nature 16, 875–880 (2020).
https: / / doi.org/ 10.1038 / s41567-020-0920-y
Zijun Chen, Kevin J Satzinger, Juan Atalaya, Alexander N Korotkov, Andrew Dunsworth, Daniel Sank, Chris Quintana, Matt McEwen, Rami Barends, Paul V Klimov, et al. "Suppression exponentielle des erreurs de bit ou de phase avec correction d'erreur cyclique". Nature 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y
Austin G. Fowler, David S. Wang et Lloyd CL Hollenberg. "Correction d'erreur quantique de code de surface incorporant une propagation d'erreur précise" (2010). arXiv :1004.0255.
https:///doi.org/10.48550/arXiv.1004.0255
arXiv: 1004.0255
Austin G. Fowler, Adam C. Whiteside et Lloyd CL Hollenberg. "Vers un traitement classique pratique pour le code de surface". Lettres d'examen physique 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501
Austin G. Fowler. « Correction optimale de la complexité des erreurs corrélées dans le code de surface » (2013). arXiv:1310.0863.
https:///doi.org/10.48550/arXiv.1310.0863
arXiv: 1310.0863
Fern HE Watson, Hussain Anwar et Dan E. Browne. "Décodeur rapide tolérant aux pannes pour les codes de surface qubit et qudit". Phys. Rév. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309
Guillaume Duclos-Cianci et David Poulin. « Décodeurs rapides pour codes quantiques topologiques ». Phys. Rév. Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504
Robert Raussendorf et Jim Harrington. "Calcul quantique tolérant aux pannes à haut seuil en deux dimensions". Phys. Rév. Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504
Daniel Litinski. "Un jeu de codes de surface: informatique quantique à grande échelle avec chirurgie du réseau". Quantique 3, 128 (2019).
https://doi.org/10.22331/q-2019-03-05-128
Savvas Varsamopoulos, Ben Criger et Koen Bertels. "Décodage de petits codes de surface avec des réseaux de neurones à anticipation". Science et technologie quantiques 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a
Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii et Masato Koashi. "Cadre général pour la construction d'un décodeur rapide et quasi optimal basé sur l'apprentissage automatique des codes stabilisateurs topologiques". Phys. Rév. Rés. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399
Giacomo Torlai et Roger G. Melko. « Décodeur neuronal pour codes topologiques ». Phys. Rév. Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501
Stefan Krastanov et Liang Jiang. "Décodeur probabiliste de réseau neuronal profond pour les codes stabilisateurs". Rapports scientifiques 7 (2017).
https://doi.org/10.1038/s41598-017-11266-1
Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski et Carlo WJ Beenakker. "Correction assistée par apprentissage automatique des erreurs de qubit corrélées dans un code topologique". Quantique 2, 48 (2018).
https://doi.org/10.22331/q-2018-01-29-48
Debasmita Bhoumik, Pinaki Sen, Ritajit Majumdar, Susmita Sur-Kolay, Latesh Kumar KJ et Sundaraja Sitharama Iyengar. "Décodage efficace des syndromes de code de surface pour la correction d'erreurs en informatique quantique" (2021). arXiv:2110.10896.
https:///doi.org/10.48550/arXiv.2110.10896
arXiv: 2110.10896
Ryan Sweke, Markus S Kesselring, Evert PL van Nieuwenburg et Jens Eisert. "Décodeurs d'apprentissage par renforcement pour le calcul quantique tolérant aux pannes". Apprentissage automatique : science et technologie 2, 025005 (2020).
https:///doi.org/10.1088/2632-2153/abc609
Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer et Samuel Yen-Chi Chen. "Décodage des codes de surface avec apprentissage par renforcement profond et réutilisation probabiliste des politiques" (2022). arXiv:2212.11890.
https:///doi.org/10.48550/arXiv.2212.11890
arXiv: 2212.11890
Ramon WJ Overwater, Masoud Babaie et Fabio Sebastiano. "Décodeurs de réseaux de neurones pour la correction d'erreurs quantiques à l'aide de codes de surface : une exploration spatiale des compromis coût-performance du matériel". Transactions IEEE sur l'ingénierie quantique 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017
Kai Meinerz, Chae-Yeun Park et Simon Trebst. "Décodeur neuronal évolutif pour les codes de surface topologiques". Phys. Rév. Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505
S. Varsamopoulos, K. Bertels et C. Almudever. "Comparaison des décodeurs basés sur un réseau de neurones pour le code de surface". Transactions IEEE sur les ordinateurs 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612
Oscar Higott. "Pymatching : un package python pour décoder les codes quantiques avec une correspondance parfaite de poids minimum" (2021). arXiv:2105.13082.
https:///doi.org/10.48550/arXiv.2105.13082
arXiv: 2105.13082
Christopher Chamberland et Pooya Ronagh. "Décodeurs neuronaux profonds pour des expériences à court terme tolérantes aux pannes". Science et technologie quantiques 3, 044002 (2018).
https://doi.org/10.1088/2058-9565/aad1f7
Daniel Gottesman. "Codes stabilisateurs et correction d'erreur quantique" (1997). arXiv:quant-ph/9705052.
https:///doi.org/10.48550/arXiv.quant-ph/9705052
arXiv: quant-ph / 9705052
Charles D. Hill, Eldad Peretz, Samuel J. Hile, Matthew G. House, Martin Fuechsle, Sven Rogge, Michelle Y. Simmons et Lloyd CL Hollenberg. "Un ordinateur quantique à code de surface en silicium". Science Advances 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707
G. Pica, BW Lovett, RN Bhatt, T. Schenkel et SA Lyon. "Architecture de code de surface pour donneurs et points en silicium avec couplages de qubits imprécis et non uniformes". Phys. Rév. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306
Charles D. Hill, Muhammad Usman et Lloyd CL Hollenberg. "Une architecture d'ordinateur quantique à code de surface basée sur l'échange dans le silicium" (2021). arXiv:2107.11981.
https:///doi.org/10.48550/arXiv.2107.11981
arXiv: 2107.11981
Christopher Chamberland, Guanyu Zhu, Theodore J. Yoder, Jared B. Hertzberg et Andrew W. Cross. "Codes topologiques et de sous-systèmes sur des graphes de bas degré avec des qubits de drapeau". Phys. Rév. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022
H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber et MA Martin-Delgado. « Forte résilience des codes topologiques à la dépolarisation ». Phys. Rév. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004
Ashley M. Stephens. "Seuils tolérants aux pannes pour la correction d'erreur quantique avec le code de surface". Phys. Rév. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321
David S. Wang, Austin G. Fowler et Lloyd CL Hollenberg. "Calcul quantique de code de surface avec des taux d'erreur supérieurs à 1%". Phys. Rév. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302
Austin G. Fowler et Craig Gidney. "Calcul quantique à faible surcharge utilisant la chirurgie du réseau" (2019). arXiv:1808.06709.
https:///doi.org/10.48550/arXiv.1808.06709
arXiv: 1808.06709
Austin G. Fowler, Matteo Mariantoni, John M. Martinis et Andrew N. Cleland. "Codes de surface: vers un calcul quantique pratique à grande échelle". Examen physique A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324
Xiaotong Ni. "Décodeurs de réseaux de neurones pour codes toriques 2d à grande distance". Quantique 4, 310 (2020).
https://doi.org/10.22331/q-2020-08-24-310
A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram et FT Chong. "Nisq +: Booster la puissance de calcul quantique en se rapprochant de la correction d'erreur quantique". En 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Pages 556–569. Los Alamitos, Californie, États-Unis (2020). Société informatique IEEE.
https:///doi.org/10.1109/ISCA45697.2020.00053
Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Johannes Heinsoo, Jean-Claude Besse, Mihai Gabureac, Andreas Wallraff et Christopher Eichler. " Stabilisation de l'intrication à l'aide de la détection de parité basée sur les auxiliaires et de la rétroaction en temps réel dans les circuits supraconducteurs ". npj Informations quantiques 5 (2019).
https://doi.org/10.1038/s41534-019-0185-4
Martín Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro, Greg S. Corrado, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow, Andrew Harp, Geoffrey Irving, Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser, Manjunath Kudlur, Josh Levenberg, Dan Mane, Rajat Monga, Sherry Moore, Derek Murray, Chris Olah, Mike Schuster, Jonathon Shlens, Benoit Steiner, Ilya Sutskever, Kunal Talwar, Paul Tucker, Vincent Vanhoucke, Vijay Vasudevan , Fernanda Viegas, Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu et Xiaoqiang Zheng. "Tensorflow : Apprentissage automatique à grande échelle sur des systèmes distribués hétérogènes" (2016). arXiv:1603.04467.
https:///doi.org/10.48550/arXiv.1603.04467
arXiv: 1603.04467
Nicolas Delfosse et Naomi H. Nickerson. "Algorithme de décodage temporel presque linéaire pour les codes topologiques". Quantique 5, 595 (2021).
https://doi.org/10.22331/q-2021-12-02-595
Takashi Kobayashi, Joseph Salfi, Cassandra Chua, Joost van der Heijden, Matthew G. House, Dimitrie Culcer, Wayne D. Hutchison, Brett C. Johnson, Jeff C. McCallum, Helge Riemann, Nikolay V. Abrosimov, Peter Becker, Hans- Joachim Pohl, Michelle Y. Simmons et Sven Rogge. "Ingénierie des temps de cohérence de spin longs des qubits spin-orbite dans le silicium". Matériaux naturels 20, 38–42 (2020).
https://doi.org/10.1038/s41563-020-0743-3
J. Pablo Bonilla Ataides, David K. Tuckett, Stephen D. Bartlett, Steven T. Flammia et Benjamin J. Brown. "Le code de surface XZZX". Nature Communications 12 (2021).
https://doi.org/10.1038/s41467-021-22274-1
Dmitri E. Nikonov et Ian A. Young. « Analyse comparative des délais et de l'énergie des circuits d'inférence neuronale ». IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 5, 75–84 (2019).
https:///doi.org/10.1109/JXCDC.2019.2956112
Austin G. Fowler. "Correspondance parfaite de poids minimum de la correction d'erreur quantique topologique tolérante aux pannes en temps parallèle moyen $ o (1) $" (2014). arXiv:1307.1740.
https:///doi.org/10.48550/arXiv.1307.1740
arXiv: 1307.1740
Vedran Dunjko et Hans J Briegel. « Apprentissage automatique et intelligence artificielle dans le domaine quantique : bilan des progrès récents ». Rapports sur les progrès en physique 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406
Laia Domingo Colomer, Michalis Skotiniotis et Ramon Muñoz-Tapia. "Apprentissage par renforcement pour une correction d'erreur optimale des codes toriques". Lettres de physique A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353
Milap Sheth, Sara Zafar Jafarzadeh et Vlad Gheorghiu. "Décodage d'ensemble neuronal pour les codes correcteurs d'erreurs quantiques topologiques". Phys. Rév. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338
David Fitzek, Mattias Eliasson, Anton Frisk Kockum et Mats Granath. "Décodeur d'apprentissage q profond pour dépolariser le bruit sur le code torique". Phys. Rév. Rés. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230
Savvas Varsamopoulos, Koen Bertels et Carmen G Almudever. "Décodage du code de surface avec un décodeur basé sur un réseau neuronal distribué". Quantum Machine Intelligence 2, 1–12 (2020).
https://doi.org/10.1007/s42484-020-00015-9
Thomas Wagner, Hermann Kampermann et Dagmar Bruß. "Symétries pour un décodeur neuronal de haut niveau sur le code torique". Phys. Rév. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411
Philip Andreasson, Joel Johansson, Simon Liljestrand et Mats Granath. "Correction d'erreur quantique pour le code torique en utilisant l'apprentissage par renforcement profond". Quantique 3, 183 (2019).
https://doi.org/10.22331/q-2019-09-02-183
Nikolas P. Breuckmann et Xiaotong Ni. "Décodeurs de réseaux de neurones évolutifs pour des codes quantiques de plus grande dimension". Quantique 2, 68 (2018).
https://doi.org/10.22331/q-2018-05-24-68
Cité par
[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson et Sebastian Grimberg, "Techniques pour combiner des décodeurs locaux rapides avec des décodeurs globaux sous un bruit au niveau du circuit", arXiv: 2208.01178, (2022).
[2] Samuel C. Smith, Benjamin J. Brown et Stephen D. Bartlett, "Prédécodeur local pour réduire la bande passante et la latence de la correction d'erreur quantique", Examen physique appliqué 19 3, 034050 (2023).
[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi et Jianxin Chen, "Scalable surface code decoders with parallelization in time", arXiv: 2209.09219, (2022).
[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg et Muhammad Usman, "Analyse comparative de l'apprentissage quantique robuste à grande échelle", Recherche sur l'examen physique 5 2, 023186 (2023).
[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki et Yutaka Tabuchi, "NEO-QEC : Décodeur supraconducteur en ligne amélioré par réseau neuronal pour les codes de surface", arXiv: 2208.05758, (2022).
[6] Mengyu Zhang, Xiangyu Ren, Guanglei Xi, Zhenxing Zhang, Qiaonian Yu, Fuming Liu, Hualiang Zhang, Shengyu Zhang et Yi-Cong Zheng, "Un décodeur neuronal évolutif, rapide et programmable pour le calcul quantique tolérant aux pannes utilisant la surface Codes", arXiv: 2305.15767, (2023).
[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum et Mats Granath, "Décodage agnostique du taux d'erreur des codes stabilisateurs topologiques", Examen physique A 105 4, 042616 (2022).
[8] Maxwell T. West et Muhammad Usman, "Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit", Examen physique appliqué 17 2, 024070 (2022).
[9] Maxwell T. West, Shu-Lok Tsang, Jia S. Low, Charles D. Hill, Christopher Leckie, Lloyd CL Hollenberg, Sarah M. Erfani et Muhammad Usman, "Vers une robustesse contradictoire améliorée quantique dans l'apprentissage automatique", arXiv: 2306.12688, (2023).
[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg et Mats Granath, "Décodage basé sur les données des codes de correction d'erreur quantique à l'aide de réseaux de neurones graphiques", arXiv: 2307.01241, (2023).
Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2023-07-12 14:31:13). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.
Impossible de récupérer Données de référence croisée lors de la dernière tentative 2023-07-12 14:31:11: Impossible de récupérer les données citées par 10.22331 / q-2023-07-12-1058 de Crossref. C'est normal si le DOI a été enregistré récemment.
Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://quantum-journal.org/papers/q-2023-07-12-1058/
- :possède
- :est
- :ne pas
- :où
- ][p
- 1
- 10
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 19
- 20
- 2011
- 2012
- 2013
- 2014
- 2015
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26%
- 27
- 28
- 2D
- 30
- 31
- 32
- 33
- 36
- 39
- 40
- 49
- 50
- 51
- 7
- 8
- 9
- 98
- a
- au dessus de
- RÉSUMÉ
- accès
- précision
- Avec cette connaissance vient le pouvoir de prendre
- atteindre
- atteint
- à travers
- infection
- Adam
- propos
- adresses
- avances
- contradictoire
- affiliations
- âge
- AL
- Alexandre
- algorithme
- algorithmes
- Tous
- permis
- permet
- aussi
- an
- et les
- Andrew
- annuel
- Prévoir
- tous
- appliqué
- approchant
- approprié
- architecture
- SONT
- artificiel
- intelligence artificielle
- AS
- At
- austin
- Australie
- auteur
- auteurs
- moyen
- Bande passante
- basé
- BE
- va
- bien
- analyse comparative
- Benjamin
- Bit
- stimuler
- limite
- Pause
- Brian
- by
- CA
- calculer
- CAN
- capable
- causé
- modifié
- Charles
- la chimie
- chimie
- chen
- chong
- Chris
- Christopher
- code
- codes
- combinant
- commentaire
- Chambre des communes
- Communication
- Communications
- complet
- complexité
- Composé
- calcul
- calculs
- ordinateur
- ordinateurs
- informatique
- Puissance de calcul
- conditions
- Connectivité
- la construction
- droit d'auteur
- correct
- Corrections
- pourriez
- Craig
- Cross
- crucial
- de la cryptographie
- Courant
- Daniel
- données
- data-driven
- David
- Davis
- décennie
- décisif
- Le décryptage
- dévoué
- profond
- retarder
- démontre
- déployé
- Profondeurs
- Derek
- Malgré
- détecter
- Détection
- Déterminer
- développé
- Développement
- Compatibles
- dimensions
- directement
- discuter
- distance
- distribué
- systèmes distribués
- domaine
- fait
- pendant
- e
- E & T
- de manière efficace
- efficace
- énergie
- ENGINEERING
- améliorée
- assez
- erreur
- Erreurs
- établies
- Eugene
- dépassement
- exécution
- attendu
- expériences
- exploration
- facilite
- facteur
- RAPIDE
- Réactions
- finance
- Pour
- Framework
- De
- plus
- jeu
- génération
- donné
- Global
- graphique
- graphiques
- Maniabilité
- Matériel
- harvard
- Vous avez
- ici
- Haute
- de haut niveau
- augmentation
- très
- titulaires
- HEURES
- Villa
- HTTPS
- IEEE
- if
- image
- la mise en oeuvre
- mis en œuvre
- in
- incapable
- incorporation
- indépendant
- d'information
- Systèmes D'Information
- initiale
- contribution
- les établissements privés
- Intelligence
- intérêt
- intéressant
- International
- enquête
- impliquant
- SES
- JavaScript
- jeffrey
- Jimmy
- John
- Johnson
- Journal
- jpg
- karl
- ACTIVITES
- gros
- grande échelle
- plus importantes
- le plus grand
- Nom
- Latence
- apprentissage
- Laisser
- Lee
- Licence
- LIMIT
- limité
- Liste
- locales
- logique
- Location
- regardé
- les
- Louis
- Faible
- click
- machine learning
- Martin
- assorti
- matières premières.
- mathématique
- matthew
- largeur maximale
- Maxwell
- Mai..
- McClean
- des mesures
- Melbourne
- Mémoire
- Métrologie
- Michael
- micro
- million
- minimum
- ML
- modèle
- Mois
- PLUS
- plus efficace
- Murray
- Nature
- Près
- Besoin
- nécessaire
- Besoins
- réseau et
- réseaux
- Réseau neuronal
- les réseaux de neurones
- next
- Nicolas
- Bruit
- Ordinaire
- roman
- se produire
- of
- code
- Offres Speciales
- on
- en ligne
- ouvert
- réalisés
- opérateurs
- optimaux
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- or
- de commander
- original
- nos
- plus de
- vue d'ensemble
- Rythme
- paquet
- pages
- Papier
- Parallèle
- parité
- Parc
- chemin
- paul
- parfaite
- Peter
- Peterson
- phase
- Physique
- Physique
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Jouez
- politique
- l'éventualité
- power
- Méthode
- précédent
- qui se déroulent
- principe
- Problème
- d'ouvrabilité
- traitement
- processeurs
- Progrès
- prometteur
- proposé
- perspectives
- fournir
- publié
- éditeur
- éditeurs
- Python
- Quantum
- Ordinateur quantique
- l'informatique quantique
- cryptographie quantique
- correction d'erreur quantique
- informations quantiques
- apprentissage automatique quantique
- Qubit
- qubits
- ramie
- aléatoire
- gamme
- Nos tests de diagnostic produisent des résultats rapides et précis sans nécessiter d'équipement de laboratoire complexe et coûteux,
- Tarifs
- en temps réel
- récent
- récemment
- réduire
- inscrit
- rester
- reste
- s
- rapport
- Rapports
- un article
- la résilience
- Résultats
- réutiliser
- Avis
- Avis
- rigoureux
- ROBERT
- robuste
- solidité
- Rôle
- rsa
- Ryan
- s
- ponceuses
- évolutive
- Escaliers intérieurs
- mise à l'échelle
- Balance
- mise à l'échelle
- Schémas
- L'école
- École de génie
- Sciences
- Science et technologie
- sur une base scientifique
- Forme
- formes
- montré
- Silicium
- OUI
- similaires
- Simon
- simultanément
- Taille
- petit
- Société
- RÉSOUDRE
- quelques
- Space
- Spatial
- Spin
- étapes
- Stephen
- steven
- Encore
- structure
- Ces
- Avec succès
- tel
- souffrent
- Souffre
- convient
- supraconducteur
- suppression
- Surface
- #
- Symposium
- Système
- Tâche
- techniques
- Technologie
- terme
- que
- qui
- Le
- leur
- this
- порог
- Avec
- tout au long de
- Tim
- fiable
- fois
- Titre
- à
- quantique topologique
- vers
- Formation
- Transactions
- deux
- sous
- subit
- sous-jacent
- université
- a actualisé
- URL
- États-Unis
- utilisé
- d'utiliser
- Usages
- en utilisant
- divers
- vincent
- vlad
- le volume
- W
- souhaitez
- était
- Watson
- we
- poids
- WELL
- Ouest
- quand
- qui
- large
- Large gamme
- fenêtre
- comprenant
- dans les
- activités principales
- X
- xi
- Ye
- an
- jeune
- Yuan
- zéphyrnet