Parameterinstelling in Quantum-geschatte optimalisatie van gewogen problemen

Heruitgegeven door Plato

volgers: 0

Shree Hari Sureshbabu¹, Dylan Herman¹, Ruslan Shaidulin¹, João Basso², Shouvanik Chakrabarti¹, Yue Zon¹en Marco Pistoia¹

¹Global Technology Applied Research, JPMorgan Chase, New York, NY 10017
²Afdeling Wiskunde, Universiteit van Californië, Berkeley, CA 94720

Vind je dit artikel interessant of wil je het bespreken? Scite of laat een reactie achter op SciRate.

Abstract

Quantum Approximate Optimization Algorithm (QAOA) is een toonaangevend kandidaat-algoritme voor het oplossen van combinatorische optimalisatieproblemen op kwantumcomputers. In veel gevallen vereist QAOA echter rekenintensieve parameteroptimalisatie. De uitdaging van parameteroptimalisatie is bijzonder acuut in het geval van gewogen problemen, waarvoor de eigenwaarden van de fase-operator niet geheel getal zijn en het QAOA-energielandschap niet periodiek is. In dit werk ontwikkelen we parametersettingheuristieken voor QAOA, toegepast op een algemene klasse van gewogen problemen. Eerst leiden we optimale parameters af voor QAOA met diepte $p=1$ toegepast op het gewogen MaxCut-probleem onder verschillende aannames over de gewichten. In het bijzonder bewijzen we rigoureus de conventionele wijsheid dat in het gemiddelde geval het eerste lokale optimale bijna nul globaal optimale QAOA-parameters oplevert. Ten tweede bewijzen we voor $pgeq 1$ dat het QAOA-energielandschap voor gewogen MaxCut dat voor het ongewogen geval benadert onder een eenvoudige herschaling van parameters. Daarom kunnen we voor gewogen problemen parameters gebruiken die eerder zijn verkregen voor ongewogen MaxCut. Ten slotte bewijzen we dat voor $p=1$ de QAOA-doelstelling zich scherp concentreert rond zijn verwachting, wat betekent dat onze parameterinstellingsregels met grote waarschijnlijkheid gelden voor een willekeurig gewogen exemplaar. We valideren deze aanpak numeriek op basis van algemeen gewogen grafieken en laten zien dat de QAOA-energie met de voorgestelde vaste parameters gemiddeld slechts $1.1% procentpunt verwijderd is van die met geoptimaliseerde parameters. Ten derde stellen we een algemeen heuristisch herschalingsschema voor, geïnspireerd op de analytische resultaten voor gewogen MaxCut, en demonstreren we de effectiviteit ervan met behulp van QAOA met de XY Hamming-gewichtsbehoudende mixer toegepast op het probleem van portfolio-optimalisatie. Onze heuristiek verbetert de convergentie van lokale optimizers, waardoor het aantal iteraties gemiddeld met 7.4x wordt verminderd.

Parameterinstelling in Quantum Geschatte optimalisatie van gewogen problemen PlatoBlockchain Data Intelligence. Verticaal zoeken. Ai.

Uitgelichte afbeelding: Procedure voor het overbrengen van optimale QAOA-parameters van het Sherrington-Kirkpatrick (SK)-model naar een gewogen MaxCut-probleem op een gewone grafiek van dezelfde grootte. De $gamma^{text{inf}}$ parameters worden geschaald volgens de voorgestelde methode, terwijl de $beta^{text{inf}}$ vast zijn. De grafiek laat zien dat QAOA met de nieuwe schalingstechniek een hogere benaderingsratio bereikt dan eerdere technieken en vergelijkbaar is met geoptimaliseerde parameters.

Populaire samenvatting

Dit werk onderzoekt parameterinstellingsregels voor QAOA, een toonaangevend kwantumheuristisch algoritme, toegepast op een algemene klasse van combinatorische optimalisatieproblemen. Parameteroptimalisatie is een belangrijk knelpunt voor toepassing op de korte termijn. Er wordt een algemene heuristiek voor parameterschaling voorgesteld voor het overbrengen van QAOA-parameters tussen gewogen probleeminstanties en er worden rigoureuze resultaten gepresenteerd die de effectiviteit van deze procedure op MaxCut aantonen. Bovendien laten de cijfers zien dat deze procedure de trainingstijd van QAOA voor portfolio-optimalisatie aanzienlijk verkort, wat een belangrijk probleem is in de financiële engineering.

► BibTeX-gegevens

@article{Sureshbabu2024parametersettingin, doi = {10.22331/q-2024-01-18-1231}, url = {https://doi.org/10.22331/q-2024-01-18-1231}, title = {Parameter { Instelling in {Q}uantum {A}bij benadering {O}optimalisatie van {W}acht {P}problemen}, auteur = {Sureshbabu, Shree Hari en Herman, Dylan en Shaydulin, Ruslan en Basso, Joao en Chakrabarti, Shouvanik en Sun, Yue en Pistoia, Marco}, journal = {{Quantum}}, issn = {2521-327X}, uitgever = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {8}, pagina's = {1231}, maand = jan, jaar = {2024} }

► Referenties

[1] Michael A Nielsen en Isaac L Chuang. "Kwantumberekening en kwantuminformatie". Cambridge University Press. (2010).
https: / / doi.org/ 10.1017 / CBO9780511976667

[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia en Yuri Alexeev. “Een onderzoek naar kwantumcomputing voor financiën” (2022). url: https:///doi.org/10.48550/arXiv.2201.02773.
https://doi.org/10.48550/arXiv.2201.02773

[3] Tad Hogg en Dmitriy Portnov. “Kwantumoptimalisatie”. Informatiewetenschappen 128, 181–197 (2000).
https://doi.org/10.1016/s0020-0255(00)00052-9

[4] Edward Farhi, Jeffrey Goldstone en Sam Gutmann. "Een kwantum-bij benadering optimalisatie-algoritme" (2014). url: https:///doi.org/10.48550/arXiv.1411.4028.
https://doi.org/10.48550/arXiv.1411.4028

[5] Stuart Hadfield, Zhihui Wang, Bryan O'Gorman, Eleanor G Rieffel, Davide Venturelli en Rupak Biswas. "Van het kwantum-bij benadering optimalisatie-algoritme tot een kwantum-alternerende operator ansatz". Algoritmen 12, 34 (2019). url: https:///doi.org/10.3390/a12020034.
https: / / doi.org/ 10.3390 / a12020034

[6] Sami Boulebnane en Ashley Montanaro. "Booleaanse vervulbaarheidsproblemen oplossen met het kwantum-geschatte optimalisatie-algoritme" (2022). url: https:///doi.org/10.48550/arXiv.2208.06909.
https://doi.org/10.48550/arXiv.2208.06909

[7] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga en Leo Zhou. "Het kwantum-geschatte optimalisatie-algoritme op grote diepte voor maxcut op reguliere grafieken met grote omtrek en het sherrington-kirkpatrick-model". Proceedings van de conferentie over de theorie van kwantumcomputers, communicatie en cryptografie 7, 1–21 (2022).
https:///doi.org/10.4230/LIPICS.TQC.2022.7

[8] Matthew B. Hastings. “Een klassiek algoritme dat ook $frac{1}{2}+frac{2}{pi}frac{1}{sqrt{d}}$ verslaat voor maximale snede met hoge omtrek” (2021). url: https:///doi.org/10.48550/arXiv.2111.12641.
https://doi.org/10.48550/arXiv.2111.12641

[9] Ruslan Shaydulin, Phillip C. Lotshaw, Jeffrey Larson, James Ostrowski en Travis S. Humble. "Parameteroverdracht voor kwantumgeschatte optimalisatie van gewogen MaxCut". ACM-transacties op kwantumcomputing 4, 1–15 (2023).
https: / / doi.org/ 10.1145 / 3584706

[10] Sami Boulebnane, Xavier Lucas, Agnes Meyder, Stanislaw Adaszewski en Ashley Montanaro. "Conformationele bemonstering van peptiden met behulp van het kwantum-geschatte optimalisatie-algoritme". npj Quantuminformatie 9, 70 (2023). url: https:///doi.org/10.1038/s41534-023-00733-5.
https://doi.org/10.1038/s41534-023-00733-5

[11] Sebastian Brandhofer, Daniel Braun, Vanessa Dehn, Gerhard Hellstern, Matthias Hüls, Yanjun Ji, Ilia Polian, Amandeep Singh Bhatia en Thomas Wellens. “Benchmarking van de prestaties van portfolio-optimalisatie met qaoa”. Kwantuminformatieverwerking 22, 25 (2022).
https://doi.org/10.1007/s11128-022-03766-5

[12] Sami Boulebnane en Ashley Montanaro. “Het voorspellen van parameters voor het kwantum-geschatte optimalisatie-algoritme voor maximale snede vanaf de oneindige limiet” (2021). url: https:///doi.org/10.48550/arXiv.2110.10685.
https://doi.org/10.48550/arXiv.2110.10685

[13] Edward Farhi, Jeffrey Goldstone, Sam Gutmann en Leo Zhou. "Het kwantum-geschatte optimalisatie-algoritme en het Sherrington-Kirkpatrick-model op oneindige grootte". Kwantum 6, 759 (2022).
https://doi.org/10.22331/q-2022-07-07-759

[14] Amir Dembo, Andrea Montanari en Subhabrata Sen. "Extremale sneden van schaarse willekeurige grafieken". De Annalen van Waarschijnlijkheid 45 (2017).
https:///doi.org/10.1214/15-aop1084

[15] Gavin E Crooks. "Prestaties van het kwantum-geschatte optimalisatie-algoritme voor het maximale snijprobleem" (2018). url: https:///doi.org/10.48550/arXiv.1811.08419.
https://doi.org/10.48550/arXiv.1811.08419

[16] Michael Streif en Martin Leib. "Het algoritme voor kwantumbenadering trainen zonder toegang tot een kwantumverwerkingseenheid". Kwantumwetenschap en -technologie 5, 034008 (2020).
https://doi.org/10.1088/2058-9565/ab8c2b

[17] Leo Zhou, Sheng-Tao Wang, Soonwon Choi, Hannes Pichler en Mikhail D. Lukin. "Kwantum-bij benadering optimalisatie-algoritme: prestaties, mechanisme en implementatie op apparaten voor de korte termijn". Fysieke beoordeling X 10, 021067 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.021067

[18] Ruslan Shaydulin, Ilya Safro en Jeffrey Larson. "Multistart-methoden voor kwantum-geschatte optimalisatie". Tijdens de IEEE High Performance Extreme Computing-conferentie. Pagina's 1–8. (2019).
https:///doi.org/10.1109/hpec.2019.8916288

[19] Xinwei Lee, Yoshiyuki Saito, Dongsheng Cai en Nobuyoshi Asai. "Parametervaststellingsstrategie voor een kwantum-bij benadering optimalisatie-algoritme". 2021 IEEE Internationale Conferentie over Quantum Computing and Engineering (QCE) (2021).
https:///doi.org/10.1109/qce52317.2021.00016

[20] Stefan H. Sack en Maksym Servin. "Kwantum-gloeiende initialisatie van het kwantum-geschatte optimalisatie-algoritme". Kwantum 5, 491 (2021).
https://doi.org/10.22331/q-2021-07-01-491

[21] Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik en Adi Makmal. "Iteratief-vrij kwantum-bij benadering optimalisatie-algoritme met behulp van neurale netwerken" (2022). url: https:///doi.org/10.48550/arXiv.2208.09888.
https://doi.org/10.48550/arXiv.2208.09888

[22] Danylo Lykov, Roman Schutski, Alexey Galda, Valeri Vinokur en Yuri Alexeev. "Tensor-netwerkkwantumsimulator met stapafhankelijke parallellisatie". In 2022 IEEE International Conference on Quantum Computing and Engineering (QCE). Pagina's 582-593. (2022).
https: / / doi.org/ 10.1109 / QCE53715.2022.00081

[23] Matija Medvidović en Giuseppe Carleo. "Klassieke variatiesimulatie van het kwantum-bij benadering optimalisatie-algoritme". npj Quantuminformatie 7 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00440-z

[24] Ruslan Shaydulin en Stefan M. Wild. “Het benutten van symmetrie verlaagt de kosten van het trainen van QAOA”. IEEE-transacties op Quantum Engineering 2, 1–9 (2021).
https: / / doi.org/ 10.1109 / tqe.2021.3066275

[25] Ruslan Shaydulin en Yuri Alexeev. "Evaluatie van het kwantum-bij benadering optimalisatie-algoritme: een case study". Tiende Internationale Groene en Duurzame Computerconferentie (2019).
https://doi.org/10.1109/IGSC48788.2019.8957201

[26] Fernando GSL Brandão, Michael Broughton, Edward Farhi, Sam Gutmann en Hartmut Neven. "Voor vaste controleparameters concentreert de objectieve functiewaarde van het kwantum-geschatte optimalisatie-algoritme zich voor typische gevallen" (2018). url: https:///doi.org/10.48550/arXiv.1812.04170.
https://doi.org/10.48550/arXiv.1812.04170

[27] V. Akshay, D. Rabinovich, E. Campos en J. Biamonte. "Parameterconcentraties in kwantum-geschatte optimalisatie". Fysieke beoordeling A 104 (2021).
https:///doi.org/10.1103/physreva.104.l010401

[28] Phillip C. Lotshaw, Travis S. Humble, Rebekah Herrman, James Ostrowski en George Siopsis. "Empirische prestatiegrenzen voor geschatte kwantumoptimalisatie". Kwantuminformatieverwerking 20, 403 (2021).
https://doi.org/10.1007/s11128-021-03342-3

[29] Alexey Galda, Xiaoyuan Liu, Danylo Lykov, Yuri Alexeev en Ilya Safro. "Overdraagbaarheid van optimale qaoa-parameters tussen willekeurige grafieken". In 2021 IEEE Internationale Conferentie over Quantum Computing and Engineering (QCE). Pagina's 171–180. (2021).
https: / / doi.org/ 10.1109 / QCE52317.2021.00034

[30] Xinwei Lee, Ningyi Xie, Dongsheng Cai, Yoshiyuki Saito en Nobuyoshi Asai. "Een diepgaande progressieve initialisatiestrategie voor een kwantum-bij benadering optimalisatie-algoritme". Wiskunde 11, 2176 (2023).
https:///doi.org/10.3390/math11092176

[31] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev en Prasanna Balaprakash. "Leren om variatiekwantumcircuits te optimaliseren om combinatorische problemen op te lossen". Proceedings van de AAAI-conferentie over kunstmatige intelligentie 34, 2367–2375 (2020).
https: / / doi.org/ 10.1609 / aaai.v34i03.5616

[32] Guillaume Verdon, Michael Broughton, Jarrod R. McClean, Kevin J. Sung, Ryan Babbush, Zhang Jiang, Hartmut Neven en Masoud Mohseni. “Leren leren met kwantumneurale netwerken via klassieke neurale netwerken” (2019). url: https:///doi.org/10.48550/arXiv.1907.05415.
https://doi.org/10.48550/arXiv.1907.05415

[33] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev en Prasanna Balaprakash. “Op versterkingsleren gebaseerde optimalisatie van variatie-kwantumcircuits voor combinatorische problemen” (2019). url: 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 en Giuseppe E. Santoro. "Door versterking leren ondersteunde kwantumoptimalisatie". Fysisch beoordelingsonderzoek 2 (2020).
https: / / doi.org/ 10.1103 / physrevresearch.2.033446

[35] Mahabubul Alam, Abdullah Ash-Saki en Swaroop Ghosh. "Het versnellen van het kwantum-geschatte optimalisatie-algoritme met behulp van machine learning". Conferentie en tentoonstelling 2020 Design, Automation & Test in Europe (DATE) (2020).
https:///doi.org/10.23919/date48585.2020.9116348

[36] Jiahao Yao, Lin Lin en Marin Boekov. "Versterkingsleren voor de voorbereiding van de grondtoestand van veel lichamen, geïnspireerd door tegendiabatisch rijden". Fysieke beoordeling X 11 (2021).
https: / / doi.org/ 10.1103 / physrevx.11.031070

[37] Zhihui Wang, Stuart Hadfield, Zhang Jiang en Eleanor G. Rieffel. "Kwantum-bij benadering optimalisatie-algoritme voor MaxCut: een fermionische weergave". Fysieke beoordeling A 97 (2018).
https: / / doi.org/ 10.1103 / physreva.97.022304

[38] Jonathan Wurtz en Danylo Lykov. “Het vermoeden met een vaste hoek voor QAOA op reguliere MaxCut-grafieken” (2021). url: https:///doi.org/10.48550/arXiv.2107.00677.
https://doi.org/10.48550/arXiv.2107.00677

[39] Stuart Hadfield. “Kwantumalgoritmen voor wetenschappelijk computergebruik en geschatte optimalisatie” (2018). url: https:///doi.org/10.48550/1805.03265.
https: / / doi.org/ 10.48550 / 1805.03265

[40] Paul Glasman. "Monte Carlo-methoden in financiële engineering". Deel 53. Springer. (2004).
https://doi.org/10.1007/978-0-387-21617-1

[41] Walter Rudin. "Echte en complexe analyse". McGraw-Hill. (1974).

[42] Walter Rudin. "Principes van wiskundige analyse". McGraw-heuvel. (1976).

[43] Colin McDiarmid. "Over de methode van begrensde verschillen". Pagina 148–188. London Mathematical Society Lecture Note-serie. Cambridge University Press. (1989).
https: / / doi.org/ 10.1017 / CBO9781107359949.008

[44] Lutz Warnke. "Over de methode van typische begrensde verschillen". Combinatoriek, waarschijnlijkheid en computergebruik 25, 269–299 (2016).
https: / / doi.org/ 10.1017 / S0963548315000103

[45] Roman Vershynin. “Hoogdimensionale waarschijnlijkheid: een introductie met toepassingen in data science”. Cambridge Series in statistische en probabilistische wiskunde. Cambridge University Press. (2018).
https: / / doi.org/ 10.1017 / 9781108231596

[46] Joao Basso, David Gamarnik, Song Mei en Leo Zhou. "Prestaties en beperkingen van de QAOA op constante niveaus op grote schaarse hypergrafieken en spin-glasmodellen". 2022 IEEE 63e jaarlijkse symposium over de fundamenten van de computerwetenschappen (FOCS) (2022).
https:///doi.org/10.1109/focs54457.2022.00039

[47] G Parijs. "Een reeks benaderde oplossingen voor het sk-model voor spinbrillen". Journal of Physics A: Wiskundig en algemeen 13, L115 (1980).
https://doi.org/10.1088/0305-4470/13/4/009

[48] Michel Talagrand. "De Parisi-formule". Annalen van de wiskunde (2006).
https: / / doi.org/ 10.4007 / annals.2006.163.221

[49] Dmitry Panchenko. "Het Sherrington-Kirkpatrick-model". Springer Wetenschap en zakelijke media. (2013).
https://doi.org/10.1007/978-1-4614-6289-7

[50] Ruslan Shaydulin, Kunal Marwaha, Jonathan Wurtz en Phillip C Lotshaw. "QAOAKit: een toolkit voor reproduceerbare studie, toepassing en verificatie van QAOA". Tweede internationale workshop over kwantumcomputingsoftware (2021).
https://doi.org/10.1109/QCS54837.2021.00011

[51] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga en Leo Zhou. "Het kwantum-geschatte optimalisatie-algoritme op grote diepte voor maxcut op reguliere grafieken met grote omtrek en het sherrington-kirkpatrick-model" (2021). url: https:///doi.org/10.48550/arXiv.2110.14206.
https://doi.org/10.48550/arXiv.2110.14206

[52] Dylan Herman, Ruslan Shaydulin, Yue Sun, Shouvanik Chakrabarti, Shaohan Hu, Pierre Minssen, Arthur Rattew, Romina Yalovetzky en Marco Pistoia. "Beperkte optimalisatie via kwantum zeno-dynamiek". Communicatiefysica 6, 219 (2023).
https://doi.org/10.1038/s42005-023-01331-9

[53] N. Slate, E. Matwiejew, S. Marsh en JB Wang. “Quantum walk-gebaseerde portfolio-optimalisatie”. Kwantum 5, 513 (2021).
https://doi.org/10.22331/q-2021-07-28-513

[54] Mark Hodson, Brendan Ruck, Hugh Ong, David Garvin en Stefan Dulman. “Experimenten voor het opnieuw in evenwicht brengen van portefeuilles met behulp van de kwantumalternerende operator ansatz” (2019). url: https:///doi.org/10.48550/arXiv.1911.05296.
https://doi.org/10.48550/arXiv.1911.05296

[55] Tianyi Hao, Ruslan Shaydulin, Marco Pistoia en Jeffrey Larson. "Het exploiteren van beperkte energie in beperkte variatie-kwantumoptimalisatie". 2022 IEEE/ACM Derde internationale workshop over kwantumcomputingsoftware (QCS) (2022).
https:///doi.org/10.1109/qcs56647.2022.00017

[56] Zichang He, Ruslan Shaydulin, Shouvanik Chakrabarti, Dylan Herman, Changhao Li, Yue Sun en Marco Pistoia. "Afstemming tussen initiële status en mixer verbetert de qaoa-prestaties voor beperkte optimalisatie". npj Quantuminformatie 9, 121 (2023).
https://doi.org/10.1038/s41534-023-00787-5

[57] “Qiskit-financiering”. https:///qiskit.org/documentation/finance/.
https:///qiskit.org/documentation/finance/

[58] Steven G. Johnson. “Het NLopt niet-lineaire optimalisatiepakket” (2022). http:///github.com/stevengj/nlopt.
http:///github.com/stevengj/nlopt

[59] Michaël JD Powell. "Het BOBYQA-algoritme voor gebonden beperkte optimalisatie zonder afgeleiden". Cambridge NA-rapport NA2009/06 26 (2009).

[60] Ruslan Shaydulin en Stefan M. Wild. "Belang van kernelbandbreedte bij kwantummachine learning". Fysieke beoordeling A 106 (2022).
https: / / doi.org/ 10.1103 / physreva.106.042407

[61] Abdulkadir Canatar, Evan Peters, Cengiz Pehlevan, Stefan M. Wild en Ruslan Shaydulin. “Bandbreedte maakt generalisatie in kwantumkernelmodellen mogelijk” (2022). url: https:///doi.org/10.48550/arXiv.2206.06686.
https://doi.org/10.48550/arXiv.2206.06686

[62] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh en Dacheng Tao. "Ontsnappen uit het dorre plateau via gaussiaanse initialisaties in diepe variatiekwantumcircuits". In de vooruitgang in neurale informatieverwerkingssystemen. Deel 35, pagina's 18612-18627. Curran Associates, Inc. (2022).

Geciteerd door

[1] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia en Yuri Alexeev, “Quantum computing voor financiën”, Nature beoordelingen Physics 5 8, 450 (2023).

[2] Abid Khan, Bryan K. Clark en Norm M. Tubman, "Pre-optimalisatie van variatie-kwantum-eigensolvers met tensornetwerken", arXiv: 2310.12965, (2023).

[3] Igor Gaidai en Rebekah Herrman, “Prestatieanalyse van multi-angle QAOA voor p > 1”, arXiv: 2312.00200, (2023).

[4] Dylan Herman, Ruslan Shaydulin, Yue Sun, Shouvanik Chakrabarti, Shaohan Hu, Pierre Minssen, Arthur Rattew, Romina Yalovetzky en Marco Pistoia, "Beperkte optimalisatie via kwantum Zeno-dynamiek", Communicatiefysica 6 1, 219 (2023).

[5] Ruslan Shaydulin, Changhao Li, Shouvanik Chakrabarti, Matthew DeCross, Dylan Herman, Niraj Kumar, Jeffrey Larson, Danylo Lykov, Pierre Minssen, Yue Sun, Yuri Alexeev, Joan M. Dreiling, John P. Gaebler, Thomas M. Gatterman , Justin A. Gerber, Kevin Gilmore, Dan Gresh, Nathan Hewitt, Chandler V. Horst, Shaohan Hu, Jacob Johansen, Mitchell Matheny, Tanner Mengle, Michael Mills, Steven A. Moses, Brian Neyenhuis, Peter Siegfried, Romina Yalovetzky en Marco Pistoia, "Bewijs van schaalvoordeel voor het kwantum-geschatte optimalisatie-algoritme voor een klassiek hardnekkig probleem", arXiv: 2308.02342, (2023).

[6] Filip B. Maciejewski, Stuart Hadfield, Benjamin Hall, Mark Hodson, Maxime Dupont, Bram Evert, James Sud, M. Sohaib Alam, Zhihui Wang, Stephen Jeffrey, Bhuvanesh Sundar, P. Aaron Lott, Shon Grabbe, Eleanor G Rieffel, Matthew J. Reagor en Davide Venturelli, "Ontwerp en uitvoering van kwantumcircuits met behulp van tientallen supergeleidende qubits en duizenden poorten voor compacte Ising-optimalisatieproblemen", arXiv: 2308.12423, (2023).

[7] Mara Vizzuso, Gianluca Passarelli, Giovanni Cantele en Procolo Lucignano, "Convergentie van gedigitaliseerde-counterdiabatische QAOA: circuitdiepte versus vrije parameters", arXiv: 2307.14079, (2023).

Bovenstaande citaten zijn afkomstig van SAO / NASA ADS (laatst bijgewerkt met succes 2024-01-19 00:28:46). De lijst is mogelijk onvolledig omdat niet alle uitgevers geschikte en volledige citatiegegevens verstrekken.

On De door Crossref geciteerde service er zijn geen gegevens gevonden over het citeren van werken (laatste poging 2024-01-19 00:28:44).

Dit artikel is gepubliceerd in Quantum onder de Creative Commons Naamsvermelding 4.0 Internationaal (CC BY 4.0) licentie. Het auteursrecht blijft berusten bij de oorspronkelijke houders van auteursrechten, zoals de auteurs of hun instellingen.

Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
Bron: https://quantum-journal.org/papers/q-2024-01-18-1231/

Tijdstempel: 18 januari 2024

Tijdstempel: September 21, 2022

De rol van coherentietheorie in quantum neurale netwerken van attractor

Broncluster:

Quantum Journaal

Bronknooppunt: 1659011

Tijdstempel: September 8, 2022

Parameterinstelling in Quantum Approximate Optimalisatie van gewogen problemen

Heruitgegeven door Plato

Abstract

Populaire samenvatting

► BibTeX-gegevens

► Referenties

Geciteerd door

Meer van Quantum Journaal

Een verbeterd benaderingsalgoritme voor Quantum Max-Cut op driehoeksvrije grafieken

De kwantumschakelaar wordt op unieke wijze gedefinieerd door zijn werking op unitaire operaties

Kwantumcircuits voor het oplossen van lokale fermion-naar-qubit-toewijzingen

De synthetische Hilbertruimte van lasergestuurde vrije elektronen

Benchmarking van bronnen met één foton uit een autocorrelatiemeting

Efficiënt leren van $t$-gedoteerde stabilisatortoestanden met metingen in één exemplaar

Algemene algoritmen voor het verspreiden van overtuigingen voor het decoderen van oppervlaktecodes

De complexiteit van kwantumondersteuningsvectormachines

Subradiante randtoestanden in een atoomketen met golfgeleider-gemedieerde hopping

Benchmarking van de vlakke honingraatcode

De rol van coherentietheorie in quantum neurale netwerken van attractor

Over Ons

Verticaal zoeken & Ai

Platform

Blijf verbonden

Account