Amplitúdó arányok és a neurális hálózat kvantumállapotai

[1] Scott Aaronson és Alex Arkhipov „A lineáris optika számítási összetettsége” (2011).
https://​/​doi.org/​10.1145/​1993636.1993682

[2] Clement Cannone Személyes kommunikáció (2021).

[3] Clément L. Canonne, Dana Ron és Rocco A. Servedio, „Testing Probability Distributions using Conditional Samples” SIAM Journal on Computing 44, 540–616 (2015).
https://​/​doi.org/​10.1137/​130945508

[4] Clement L. Canonne, Xi Chen, Gautam Kamath, Amit Levi és Erik Waingarten, „Random Restrictions of High Dimensional Distributions and Uniformity Testing with Subcube Conditioning” Proceedings of the Thirty-Second Annual ACM-SIAM Symposium on Discrete Algorithms (321–336) 2021).

[5] Giuseppe Carleo, Yusuke Nomura és Masatoshi Imada, „Kvantum soktestes rendszerek pontos reprezentációinak konstruálása mély neurális hálózatokkal” Nature Communications 9, 5322 (2018).
https:/​/​doi.org/​10.1038/​s41467-018-07520-3

[6] Giuseppe Carleo és Matthias Troyer „A kvantum-soktest-probléma megoldása mesterséges neurális hálózatokkal” Science 355, 602–606 (2017).
https://​/​doi.org/​10.1126/​science.aag2302

[7] Sourav Chakraborty, Eldar Fischer, Yonatan Goldhirsh és Arie Matsliah, „On the Power of Conditional Samples in Distribution Testing” Proceedings of the 4th Conference on Innovations in Theoretical Computer Science 561–580 (2013).
https://​/​doi.org/​10.1145/​2422436.2422497

[8] Martin Dyer, Alan Frieze és Ravi Kannan, „Véletlen polinom-idő algoritmus a konvex testek térfogatának közelítésére”, J. ACM 38, 1–17 (1991).
https://​/​doi.org/​10.1145/​102782.102783

[9] Alan Frieze, Ravi Kannan és Santosh Vempala, „Fast Monte-Carlo Algorithms for Finding Low-Rank Approximations”, J. ACM 51, 1025–1041 (2004).
https://​/​doi.org/​10.1145/​1039488.1039494

[10] Xun Gao és Lu-Ming Duan „Kvantum soktest-állapotok hatékony ábrázolása mély neurális hálózatokkal” Nature Communications 8, 662 (2017).
https:/​/​doi.org/​10.1038/​s41467-017-00705-2

[11] Vojtech Havlicekand Sergii Strelchuk „A kvantum-schur mintavételi áramkörök erősen szimulálhatók” Phys. Rev. Lett. 121, 060505 (2018).
https://​/​doi.org/​10.1103/​PhysRevLett.121.060505

[12] Geoffrey E. Hinton „Training Products of Experts by Minimizing Contrastive Divergence” Neural Computation 14, 1771–1800 (2002).
https://​/​doi.org/​10.1162/​089976602760128018

[13] Mark Huber „A Gibbs-eloszlások normalizáló állandójának közelítési algoritmusai” The Annals of Applied Probability 25 (2015).
https://​/​doi.org/​10.1214/​14-aap1015

[14] Mark Jerrum „Kombinatorikus struktúrák véletlenszerű generálása egységes eloszlásból (kibővített absztrakt)” Proceedings of the 12. Colloquium on Automata, Languages ​​and Programming 290–299 (1985).

[15] Mark R. Jerrum, Leslie G. Valiant és Vijay V. Vazirani: „Kombinatorikus struktúrák véletlenszerű generálása egyenletes eloszlásból” Theoretical Computer Science 43, 169–188 (1986).
https:/​/​doi.org/​10.1016/​0304-3975(86)90174-X
https://​/​www.sciencedirect.com/​science/​article/​pii/​030439758690174X

[16] Bjarni Jónsson, Bela Bauer és Giuseppe Carleo, „Neurális hálózati állapotok a kvantumszámítás klasszikus szimulációjához” arXiv e-prints arXiv:1808.05232 (2018).
https://​/​doi.org/​10.48550/​ARXIV.1808.05232
arXiv: 1808.05232

[17] Richard M. Karp, Michael Luby és Neal Madras, „Monte-Carlo közelítési algoritmusok felsorolási problémákhoz”, Journal of Algorithms 10, 429–448 (1989).
https:/​/​doi.org/​10.1016/​0196-6774(89)90038-2
https://​/​www.sciencedirect.com/​science/​article/​pii/​0196677489900382

[18] Matthieu Lerasle „Előadásjegyzetek: Válogatott témák a robusztus statisztikai tanuláselméletről” arXiv e-prints arXiv:1908.10761 (2019).
https://​/​doi.org/​10.48550/​ARXIV.1908.10761
arXiv: 1908.10761

[19] Philip M. Longand Rocco A. Servedio „A korlátozott Boltzmann-gépeket nehéz megközelítőleg értékelni vagy szimulálni” A 27. Nemzetközi Gépi Tanulási Konferencia Nemzetközi Konferenciájának előadásai 703–710 (2010).

[20] James Martens, Arkadev Chattopadhya, Toni Pitassi és Richard Zemel, „On the Representational Efficiency of Restricted Boltzmann Machines” Curran Associates, Inc. (2013).
http://​/​papers.nips.cc/​paper/​5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

[21] Matija Medvidović és Giuseppe Carleo „A kvantumközelítő optimalizálási algoritmus klasszikus variációs szimulációja” npj Quantum Information 7, 101 (2021).
https://​/​doi.org/​10.1038/​s41534-021-00440-z
arXiv: 2009.01760

[22] Imdad S. B. Sardharwalla, Sergii Strelchuk és Richard Jozsa, „Quantum Conditional Query Complexity” Quantum Info. Comput. 17, 541–567 (2017).

[23] P. Smolensky „Információfeldolgozás dinamikus rendszerekben: A harmóniaelmélet alapjai” MIT Press (1986).

[24] Daniel Štefankovič, Santosh Vempala és Eric Vigoda, „Adaptive Simulated Heatning: A közel optimális kapcsolat a mintavétel és a számlálás között”, J. ACM 56 (2009).
https://​/​doi.org/​10.1145/​1516512.1516520

[25] Ewin Tang „A kvantum-inspirált klasszikus algoritmus az ajánlási rendszerek számára” Az 51. éves ACM SIGACT Számítástechnikai Szimpózium 217–228 (2019) kiadványa.
https://​/​doi.org/​10.1145/​3313276.3316310

[26] L.G. Valiant „The complexity of computing the permanent” Theoretical Computer Science 8, 189–201 (1979).
https:/​/​doi.org/​10.1016/​0304-3975(79)90044-6
https://​/​www.sciencedirect.com/​science/​article/​pii/​0304397579900446

[27] Maarten Van Den Nest „Kvantumszámítógépek szimulációja valószínűségi módszerekkel” Quantum Info. Comput. 11, 784–812 (2011).