Adaptive Estimation Of Quantum Observables

Újra kiadta Platón

Követő: 0

Ariel Shlosberg^1,2, Andrew J. Jena^3,4, Priyanka Mukhopadhyay^3,4, Jan F. Haase^3,5,6, Felix Leditzky^3,4,7,8és Luca Dellantonio^3,5,9

¹JILA, Colorado Egyetem és Nemzeti Szabványügyi és Technológiai Intézet, Boulder, CO 80309, USA
²Fizikai Tanszék, Colorado Egyetem, Boulder, CO 80309, USA
³Institute for Quantum Computing, University of Waterloo, Waterloo, ON N2L 3G1, Kanada
⁴Kombinatorika és Optimalizálás Tanszék, Waterloo Egyetem, Waterloo, ON N2L 3G1, Kanada
⁵Fizikai és Csillagászati Tanszék, Waterloo Egyetem, Waterloo, ON N2L 3G1, Kanada
⁶Elméleti Fizikai és IQST Intézet, Universität Ulm, D-89069 Ulm, Németország
⁷Matematika és IQUIST Tanszék, Illinois Egyetem Urbana-Champaign, Urbana, IL 61801, USA
⁸Perimeter Institute for Theoretical Physics, Waterloo, ON N2L 2Y5, Kanada
⁹Fizikai és Csillagászati Tanszék, Exeteri Egyetem, Stocker Road, Exeter EX4 4QL, Egyesült Királyság

Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.

Absztrakt

A kvantummegfigyelhető értékek pontos becslése kritikus feladat a tudományban. A hardver fejlődésével a kvantumrendszerek mérése egyre igényesebbé válik, különösen a kiterjedt mintavételt igénylő variációs protokollok esetében. Itt bemutatunk egy mérési sémát, amely adaptív módon módosítja a becslőt a korábban kapott adatok alapján. Az általunk AEQuO-nak nevezett algoritmusunk folyamatosan figyeli mind a becsült átlagot, mind a hozzátartozó hibáját a tekintett megfigyelhetőnek, és ezen információk alapján határozza meg a következő mérési lépést. Megengedjük az átfedést és a nem bitenkénti kommutációs relációkat a Pauli-operátorok egyidejűleg vizsgált részhalmazaiban, ezáltal maximalizálva az összegyűjtött információ mennyiségét. Az AEQuO két változatban érhető el: egy mohó vödörkitöltő algoritmus, amely jó teljesítményt nyújt kis problémapéldányok esetén, és egy gépi tanulás alapú algoritmus, amely nagyobb példányok esetén kedvezőbb skálázással. Az ezen alprogramok által meghatározott mérési konfiguráció további utófeldolgozásra kerül a becslő hibájának csökkentése érdekében. Protokollunkat a kémia Hamilton-féleségen teszteljük, amelyhez az AEQuO olyan hibabecsléseket ad, amelyek javítanak a különféle csoportosítási technikákon vagy randomizált méréseken alapuló összes korszerű módszeren, így nagymértékben csökkentve a mérések díját a jelenlegi és a jövőbeni kvantum alkalmazásokban.

Adaptive estimation of quantum observables PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Kiemelt kép: Az AEqUO sémája, a mi mérési algoritmusunk. Bemenetként egy megfigyelhető O-t adunk meg, és egy súlyozott grafikonon keresztül ábrázoljuk, amelyből a becslő átlaga és hibája visszanyerhető. Miután megtalálta a grafikon klikkjét, amely megfelel az O egyidejűleg mérhető részeinek, a felvételek kiosztása a Machine Learning (ML) vagy a Bucket Filling (BF) szubrutinokon keresztül történik. Amikor a mérési költségvetés kimerült, utófeldolgozást alkalmaznak, és megkapják az átlag- és hibabecslések végső értékeit.

Népszerű összefoglaló

A kvantumrendszerek, szemben a klasszikusokkal, minden méréskor visszafordíthatatlanul megsemmisülnek. Ennek mélyreható következményei vannak, ha valaki információt akar kinyerni egy kvantumrendszerből. Például, amikor meg kell becsülni egy megfigyelhető átlagos értékét, gyakran meg kell ismételni az egész kísérletet többször. Az alkalmazott mérési stratégiától függően az azonos pontosság eléréséhez szükséges követelmények jelentősen eltérőek. Ebben a munkában egy új megközelítést javasolunk, amely jelentősen csökkenti a hardver erőforrásait. Stratégiánk adaptív, abban az értelemben, hogy megtanulja és javítja a mérési allokációt az adatok gyűjtése közben. Ezenkívül lehetővé teszi az átlag és a kívánt megfigyelést befolyásoló hiba egyidejű becslését. Más korszerű megközelítésekkel összehasonlítva következetes és jelentős javulást mutatunk a becslés pontosságában, ha protokollunkat alkalmazzuk.

► BibTeX adatok

@cikk{Shlosberg2023adaptív becslés, doi = {10.22331/q-2023-01-26-906}, url = {https://doi.org/10.22331/q-2023-01-26-906}, cím = {Adaptive estim of quantum observables}, szerző = {Shlosberg, Ariel and Jena, Andrew J. and Mukhopadhyay, Priyanka and Haase, Jan F. and Leditzky, Felix and Dellantonio, Luca}, Journal = {{Quantum}}, issn = {2521- 327X}, kiadó = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, kötet = {7}, oldal = {906}, hónap = jan., év = {2023} }

► Referenciák

[1] PW Shor „Algoritmusok kvantumszámításhoz: diszkrét logaritmusok és faktoring” Proceedings 35th Annual Symposium on Foundations of Computer Science 124-134 (1994).
https:///doi.org/10.1109/SFCS.1994.365700

[2] Michael A. Nielsenand Issaac L. Chuang „Kvantumszámítás és kvantuminformáció” Cambridge University Press (2010).
https:///doi.org/10.1017/CBO9780511976667

[3] Antonio Acín, Immanuel Bloch, Harry Buhrman, Tommaso Calarco, Christopher Eichler, Jens Eisert, Daniel Esteve, Nicolas Gisin, Steffen J Glaser, Fedor Jelezko, Stefan Kuhr, Maciej Lewenstein, Max F Riedel, Piet O Schmidt, Rob Thew, Andreas Wallraff , Ian Walmsley és Frank K Wilhelm, „The quantum technology roadmap: a European Community view” New Journal of Physics 20, 080201 (2018).
https:///doi.org/10.1088/1367-2630/aad1ea
arXiv: 1712.03773

[4] John Preskill „Kvantumszámítástechnika a NISQ-korszakban és azon túl” Quantum 2, 79 (2018).
https://doi.org/10.22331/q-2018-08-06-79
arXiv: 1801.00862

[5] IM Georgescu, S. Ashhab és Franco Nori, „Quantum simulation” Reviews of Modern Physics 86, 153–185 (2014).
https:///doi.org/10.1103/RevModPhys.86.153
arXiv: 1308.6253

[6] Mari Carmen Banuls, Rainer Blatt, Jacopo Catani, Alessio Celi, Juan Ignacio Cirac, Marcello Dalmonte, Leonardo Fallani, Karl Jansen, Maciej Lewenstein és Simone Montangero, „Simulating lattice gauge theories within quantum technologies” The European Physical Journal D 74, 1 –42 (2020).
https:///doi.org/10.1140/epjd/e2020-100571-8
arXiv: 1911.00003

[7] Jan F. Haase, Luca Dellantonio, Alessio Celi, Danny Paulson, Angus Kan, Karl Jansen és Christine A Muschik, „Erőforrás-hatékony megközelítés a részecskefizikai mérőelméletek kvantum- és klasszikus szimulációjához” Quantum 5, 393 (2021).
https://doi.org/10.22331/q-2021-02-04-393
arXiv: 2006.14160

[8] Danny Paulson, Luca Dellantonio, Jan F. Haase, Alessio Celi, Angus Kan, Andrew Jena, Christian Kokail, Rick van Bijnen, Karl Jansen, Peter Zoller és Christine A. Muschik, „2D-effektusok szimulálása rácsmérő elméletekben kvantumon Számítógép” PRX Quantum 2, 030334 (2021).
https:///doi.org/10.1103/PRXQuantum.2.030334
arXiv: 2008.09252

[9] 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 és Alán Aspuru-Guzik Kvantumkémia a kvantumszámítástechnika korában” Chemical Reviews 119, 10856–10915 (2019).
https:///doi.org/10.1021/acs.chemrev.8b00803
arXiv: 1812.09976

[10] John Preskill „Kvantumszámítás 40 évvel később” arXiv preprint (2021).
https:///doi.org/10.48550/arXiv.2106.10522
arXiv: 2106.10522

[11] Heinz-Peter Breuerand Francesco Petruccione „A nyílt kvantumrendszerek elmélete” Oxford University Press on Demand (2002).
https:///doi.org/10.1093/acprof:oso/9780199213900.001.0001

[12] Y. Cao, J. Romero és A. Aspuru-Guzik, „A kvantumszámítás lehetősége a gyógyszerkutatáshoz”, IBM Journal of Research and Development 62, 6:1–6:20 (2018).
https:///doi.org/10.1147/JRD.2018.2888987

[13] WM Itano, JC Bergquist, JJ Bollinger, JM Gilligan, DJ Heinzen, FL Moore, MG Raizen és DJ Wineland, „Kvantumvetítési zaj: Populációs fluktuációk kétszintű rendszerekben” Physical Review A 47, 3554–3570 (1993).
https:///doi.org/10.1103/PhysRevA.47.3554

[14] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan és Lukasz Cincio, „Variational quantum algorithms” Nature Reviews Physics 3, 625–644 (2021-XNUMX) .
https://doi.org/10.1038/s42254-021-00348-9
arXiv: 2012.09265

[15] RR Ferguson, L. Dellantonio, A. Al Balushi, K. Jansen, W. Dür és CA Muschik, „Measurement-Based Variational Quantum Eigensolver” Physical Review Letters 126, 220501 (2021).
https:///doi.org/10.1103/PhysRevLett.126.220501
arXiv: 2010.13940

[16] Andrew Jena, Scott Genin és Michele Mosca, „Pauli Partitioning with Respect to Gate Sets” arXiv preprint (2019).
https:///doi.org/10.48550/arXiv.1907.07859
arXiv: 1907.07859

[17] Jarrod R. McClean, Jonathan Romero, Ryan Babbush és Alán Aspuru-Guzik, „The theory of variational hybrid quantum-classical algorithms” New Journal of Physics 18, 023023 (2016).
https://doi.org/10.1088/1367-2630/18/2/023023
arXiv: 1509.04279

[18] Vladyslav Verteletskyi, Tzu-Ching Yen és Artur F. Izmaylov, „Mérésoptimalizálás a variációs kvantum sajátmegoldójában minimális klikkfedés használatával” The Journal of Chemical Physics 152, 124114 (2020).
https:///doi.org/10.1063/1.5141458
arXiv: 1907.03358

[19] Andrew Arrasmith, Lukasz Cincio, Rolando D. Somma és Patrick J. Coles, „Operator Sampling for Shot-Frugal Optimization in Variational Algorithms” arXiv preprint (2020).
https:///doi.org/10.48550/arXiv.2004.06252
arXiv: 2004.06252

[20] Ophelia Crawford, Barnaby van Straaten, Daochen Wang, Thomas Parks, Earl Campbell és Stephen Brierley: „Pauli operátorok hatékony kvantummérése véges mintavételi hiba jelenlétében” Quantum 5, 385 (2021).
https://doi.org/10.22331/q-2021-01-20-385
arXiv: 1908.06942

[21] Hsin-Yuan Huang, Richard Kueng és John Preskill, „Efficient Estimation of Pauli Observables by Derandomization” Physical Review Letters 127, 030503 (2021).
https:///doi.org/10.1103/PhysRevLett.127.030503
arXiv: 2103.07510

[22] Giacomo Torlai, Guglielmo Mazzola, Giuseppe Carleo és Antonio Mezzacapo, „Kvantummegfigyelhető anyagok pontos mérése neurális hálózati becslésekkel” Physical Review Research 2, 022060 (2020).
https:///doi.org/10.1103/PhysRevResearch.2.022060
arXiv: 1910.07596

[23] Stefan Hillmich, Charles Hadfield, Rudy Raymond, Antonio Mezzacapo és Robert Wille, „Decision Diagrams for Quantum Measurements with Shallow Circuits” 2021 IEEE International Conference on Quantum Computing and Engineering (QCE) 24–34 (2021).
https:///doi.org/10.1109/QCE52317.2021.00018

[24] Hsin-Yuan Huang, Richard Kueng és John Preskill: „Egy kvantumrendszer számos tulajdonságának előrejelzése nagyon kevés mérés alapján” Nature Physics 16, 1050–1057 (2020).
https://doi.org/10.1038/s41567-020-0932-7
arXiv: 2002.08953

[25] Charles Hadfield, Sergey Bravyi, Rudy Raymond és Antonio Mezzacapo, „Measurements of Quantum Hamiltonians with Locally-Biased Classical Shadows” Communications in Mathematical Physics 391, 951–967 (2022).
https://doi.org/10.1007/s00220-022-04343-8

[26] Charles Hadfield „Adaptive Pauli Shadows for Energy Estimation” arXiv preprint (2021).
https:///doi.org/10.48550/arXiv.2105.12207
arXiv: 2105.12207

[27] Bujiao Wu, Jinzhao Sun, Qi Huang és Xiao Yuan, „Átfedett csoportosítási mérés: Egységes keretrendszer a kvantumállapotok mérésére” arXiv preprint (2021).
https:///doi.org/10.48550/arXiv.2105.13091
arXiv: 2105.13091

[28] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami és Yuya O. Nakagawa, „Quantum várakozás-érték becslés számítási alapú mintavétellel” Phys. Rev. Res. 4, 033173 (2022).
https:///doi.org/10.1103/PhysRevResearch.4.033173

[29] Pranav Gokhale, Olivia Angiuli, Yongshan Ding, Kaiwen Gui, Teague Tomesh, Martin Suchara, Margaret Martonosi és Frederic T. Chong, „Minimizing State Preparations in Variational Quantum Eigensolver by Partitioning into Commuting Families” arXiv preprint (2019).
https:///doi.org/10.48550/arXiv.1907.13623
arXiv: 1907.13623

[30] Ikko Hamamura és Takashi Imamichi „A kvantummegfigyelhető anyagok hatékony értékelése összefonódott mérések segítségével” npj Quantum Information 6, 1–8 (2020).
https://doi.org/10.1038/s41534-020-0284-2

[31] Tzu-Ching Yen, Vlagyiszlav Verteleckij és Artur F. Izmaylov, „Minden kompatibilis operátor mérése egyetlen qubites méréssorozatban unitárius transzformációkkal” Journal of Chemical Theory and Computation 16, 2400–2409 (2020).
https:///doi.org/10.1021/acs.jctc.0c00008

[32] Artur F. Izmaylov, Tzu-Ching Yen, Robert A. Lang és Vladyslav Verteletskyi, „Unitary Partitioning Approach to the Measurement Problem in the Variational Quantum Eigensolver Method” Journal of Chemical Theory and Computation 16, 190–195 (2020).
https:///doi.org/10.1021/acs.jctc.9b00791

[33] Cambyse Rouzé és Daniel Stilck França „Kvantum soktestes rendszerek tanulása néhány másolatból” arXiv preprint (2021).
https:///doi.org/10.48550/arXiv.2107.03333
arXiv: 2107.03333

[34] Andrew J. Jenaand Ariel Shlosberg „VQE mérésoptimalizálás (GitHub repository)” https:///github.com/AndrewJena/VQE_measurement_optimization (2021).
https:///github.com/AndrewJena/VQE_measurement_optimization

[35] Scott Aaronson és Daniel Gottesman „A stabilizátoráramkörök továbbfejlesztett szimulációja” Physical Review A 70, 052328 (2004).
https:///doi.org/10.1103/PhysRevA.70.052328

[36] Coen Bronand Joep Kerbosch „457-es algoritmus: egy irányítatlan gráf összes klikkjének megtalálása” Communications of the ACM 16, 575–577 (1973).
https:///doi.org/10.1145/362342.362367

[37] Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest és Clifford Stein, „Bevezetés az algoritmusokba”, MIT sajtó (2009).

[38] Stephan Hoyer, Jascha Sohl-Dickstein és Sam Greydanus: „Az idegi átparaméterezés javítja a szerkezeti optimalizálást” NeurIPS 2019 Deep Inverse Workshop (2019).
https:///doi.org/10.48550/arXiv.1909.04240
arXiv: 1909.04240

[39] Herbert Robbinsand Sutton Monro „A sztochasztikus közelítési módszer” The Annals of Mathematical Statistics 400–407 (1951).
https:///doi.org/10.1214/aoms/1177729586

[40] Diederik P. Kingmaand Jimmy Ba „Adam: A Method for Stochastic Optimization” 3rd International Conference on Learning Representations (2015).
https:///doi.org/10.48550/arXiv.1412.6980
arXiv: 1412.6980

[41] Stephen Wrightand Jorge Nocedal „Numerical Optimization” Springer Science 35, 7 (1999).

[42] Philip E. Gilland Walter Murray „Kvázi-Newton módszerek a kötetlen optimalizáláshoz” IMA Journal of Applied Mathematics 9, 91–108 (1972).
https:///doi.org/10.1093/imamat/9.1.91

[43] Chigozie Nwankpa, Winifred Ijomah, Anthony Gachagan és Stephen Marshall, „Activation Functions: Comparison of Trends in Practice and Research for Deep Learning” arXiv preprint (2018).
https:///doi.org/10.48550/arXiv.1811.03378
arXiv: 1811.03378

[44] Fabian HL Essler, Holger Frahm, Frank Göhmann, Andreas Klümper és Vladimir E Korepin, „Az egydimenziós Hubbard-modell” Cambridge University Press (2005).

[45] Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang és Philip S. Yu, „A Comprehensive Survey on Graph Neural Networks” IEEE Transactions on Neural Networks and Learning Systems 32, 4–24 (2021).
https:///doi.org/10.1109/TNNLS.2020.2978386
arXiv: 1901.00596

[46] JF Haase, PJ Vetter, T. Unden, A. Smirne, J. Rosskopf, B. Naydenov, A. Stacey, F. Jelezko, MB Plenio és SF Huelga, „Controllable Non-Markovianity for a Spin Qubit in Diamond” Physical Review Letters 121, 060401 (2018).
https:///doi.org/10.1103/PhysRevLett.121.060401
arXiv: 1802.00819

[47] Nicholas C. Rubin, Ryan Babbush és Jarrod McClean: „Fermionikus határkorlátok alkalmazása hibrid kvantum-algoritmusokra” New Journal of Physics 20, 053020 (2018).
https:///doi.org/10.1088/1367-2630/aab919
arXiv: 1801.03524

[48] John Kruschke „Bayesi adatelemzés végzése: oktatóanyag R-vel, JAGS-sel és Stanrel” Academic Press (2014).
https://doi.org/10.1016/B978-0-12-405888-0.09999-2

[49] Andrew Gelman, John B. Carlin, Hal S. Stern és Donald B. Rubin, „Bayesian data analysis” Chapman Hall/CRC (1995).

[50] Paolo Fornasini „A fizikai mérések bizonytalansága: bevezetés az adatelemzésbe a fizikai laboratóriumban” Springer (2008).
https://doi.org/10.1007/978-0-387-78650-6

[51] Roger A. Hornand Charles R. Johnson „Matrix elemzés” Cambridge University Press (2012).

[52] JW Moonand L. Moser „On cliques in graphs” Israel Journal of Mathematics 3, 23–28 (1965).
https:///doi.org/10.1007/BF02760024

[53] Dong C. Liuand Jorge Nocedal „A korlátozott memóriájú BFGS módszerről nagy léptékű optimalizáláshoz” Mathematical programming 45, 503–528 (1989).
https:///doi.org/10.1007/BF01589116

Idézi

[1] Andreas Elben, Steven T. Flammia, Hsin-Yuan Huang, Richard Kueng, John Preskill, Benoît Vermersch és Peter Zoller, „A véletlenszerű mérési eszköztár”, Nature Reviews Physics 5 1, 9 (2023).

[2] Zachary Pierce Bansingh, Tzu-Ching Yen, Peter D. Johnson és Artur F. Izmaylov, „Fidelity overhead for non-local mérések variációs kvantum algoritmusokban”, arXiv: 2205.07113, (2022).

[3] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami és Yuya O. Nakagawa, „Kvantum várható érték becslés számítási alapú mintavétellel”, Physical Review Research 4 3, 033173 (2022).

[4] Bujiao Wu, Jinzhao Sun, Qi Huang és Xiao Yuan, „Átfedett csoportosítás mérése: Egységes keretrendszer a kvantumállapotok mérésére”, arXiv: 2105.13091, (2021).

[5] Tzu-Ching Yen, Aadithya Ganeshram és Artur F. Izmaylov, „A kvantummérések determinisztikus fejlesztései kompatibilis operátorok csoportosításával, nem lokális transzformációkkal és kovarianciabecslésekkel”, arXiv: 2201.01471, (2022).

[6] Bojia Duan és Chang-Yu Hsieh, „Hamilton-alapú adatbetöltés sekély kvantumáramkörökkel”, Fizikai áttekintés A 106 5, 052422 (2022).

[7] Daniel Miller, Laurin E. Fischer, Igor O. Sokolov, Panagiotis Kl. Barkoutsos és Ivano Tavernelli, „Hardverre szabott átlós áramkörök”, arXiv: 2203.03646, (2022).

[8] Francisco Escudero, David Fernández-Fernández, Gabriel Jaumà, Guillermo F. Peñas és Luciano Pereira, „Hardver-hatékony összefonódott mérések variációs kvantum-algoritmusokhoz”, arXiv: 2202.06979, (2022).

[9] William Kirby, Mario Motta és Antonio Mezzacapo, „Pontos és hatékony Lanczos-módszer kvantumszámítógépen”, arXiv: 2208.00567, (2022).

[10] Lane G. Gunderman, „Pauli operátorok gyűjteményeinek átalakítása Pauli operátorok egyenértékű gyűjteményévé a minimális regisztereken keresztül”, arXiv: 2206.13040, (2022).

[11] Andrew Jena, Scott N. Genin és Michele Mosca, „A variációs-kvantum-sajátmegoldó mérés optimalizálása Pauli-operátorok particionálásával multiqubit Clifford-kapukkal zajos, közepes méretű kvantumhardveren”, Fizikai áttekintés A 106 4, 042443 (2022).

[12] Alexander Gresch és Martin Kliesch, „Garantált hatékony energiabecslés kvantum-soktestű Hamilton-lakókra ShadowGrouping segítségével”, arXiv: 2301.03385, (2023).

A fenti idézetek innen származnak SAO/NASA HIRDETÉSEK (utolsó sikeres frissítés: 2023-01-26 13:33:05). Előfordulhat, hogy a lista hiányos, mivel nem minden kiadó ad megfelelő és teljes hivatkozási adatokat.

Nem sikerült lekérni Az adatok által hivatkozott kereszthivatkozás utolsó próbálkozáskor 2023-01-26 13:33:03: Nem sikerült lekérni a 10.22331/q-2023-01-26-906 hivatkozás által hivatkozott adatokat a Crossref-től. Ez normális, ha a DOI-t nemrég regisztrálták.

Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.

SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
Forrás: https://quantum-journal.org/papers/q-2023-01-26-906/

Időbélyeg: Január 26, 2023

Időbélyeg: 19. december 2022.

A mágneses alszintű populációk kvantumösszefonódásának vizsgálata: túl a spin-sajtoló egyenlőtlenségeken

Forrás klaszter:

Quantum Journal

Forrás csomópont: 1779778

Időbélyeg: 29. december 2022.

Quantum message-passing algorithm for optimal and efficient decoding PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Kvantum üzenettovábbítási algoritmus az optimális és hatékony dekódoláshoz

Forrás klaszter:

Quantum Journal

Forrás csomópont: 1635272

Időbélyeg: 23. augusztus 2022.

Kvantummegfigyelhető adatok adaptív becslése

Újra kiadta Platón

Absztrakt

Népszerű összefoglaló

► BibTeX adatok

► Referenciák

Idézi

Még több Quantum Journal

Klasszikus árnyékok lokálisan összefonódott mérések alapján

Fejkorlátos áramköri kötés a variációs kvantumdinamikához

A pszeudo-differenciális operátorok hatékony kvantumblokk-kódolásáról

Kvantummegfigyelhető adatok adaptív becslése

A kritikus kvantumhőmérséklet és megvalósíthatósága spinrendszerekben

A qudit Pauli-csoport: nem ingázó párok, nem ingázó halmazok és struktúratételek

Energiasűrűségek a kvantummechanikában

A kvantumtérelméleti határ elérése az egyensúlytól távol eső kvantumlink modellekben

A mágneses alszintű populációk kvantumösszefonódásának vizsgálata: túl a spin-sajtoló egyenlőtlenségeken

Kvantum üzenettovábbítási algoritmus az optimális és hatékony dekódoláshoz

Rólunk

Vertical Search & Ai

Emelvény

Maradjon kapcsolatban

Fiók