1Produkty do kontroli jakości
2Uniwersytet Paryski, CNRS, IRIF
3Badania ilościowe, JPMorgan Chase
4Globalne badania stosowane w technologii, JPMorgan Chase
Czy ten artykuł jest interesujący czy chcesz dyskutować? Napisz lub zostaw komentarz do SciRate.
Abstrakcyjny
Kwantowe uczenie maszynowe może mieć wpływ na transformację we wszystkich sektorach przemysłu, w szczególności w finansach. W naszej pracy przyglądamy się problemowi hedgingu, gdzie głębokie uczenie się przez wzmacnianie oferuje potężne ramy dla prawdziwych rynków. Opracowujemy metody uczenia się przez wzmacnianie kwantowe w oparciu o algorytmy wyszukiwania polityk i algorytmów dystrybucyjnych aktorów krytycznych, które wykorzystują architektury kwantowych sieci neuronowych z warstwami ortogonalnymi i złożonymi dla funkcji polityki i wartości. Udowodniliśmy, że kwantowe sieci neuronowe, których używamy, dają się trenować i przeprowadzamy obszerne symulacje, które pokazują, że modele kwantowe mogą zmniejszyć liczbę możliwych do wytrenowania parametrów przy jednoczesnym osiągnięciu porównywalnej wydajności oraz że podejście dystrybucyjne zapewnia lepszą wydajność niż inne standardowe podejścia, zarówno klasyczne, jak i kwantowe . Z powodzeniem wdrażamy proponowane modele w procesorze kwantowym z uwięzionymi jonami, wykorzystując obwody z kubitami o wartości do 16 USD i obserwujemy wydajność, która dobrze zgadza się z bezszumową symulacją. Nasze techniki kwantowe mają charakter ogólny i można je zastosować do innych problemów związanych z uczeniem się przez wzmacnianie, wykraczających poza zabezpieczanie.
► Dane BibTeX
► Referencje
[1] Hansa Buehlera, Lukasa Gonona, Josepha Teichmanna i Bena Wooda. „Głębokie zabezpieczenie”. Finanse ilościowe 19, 1271–1291 (2019). adres URL: https:///doi.org/10.1080/14697688.2019.1571683.
https: / / doi.org/ 10.1080 / 14697688.2019.1571683
[2] Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan i Jonathan Kochems. „Głębokie hedging: zabezpieczające instrumenty pochodne w warunkach ogólnych tarć na rynku z wykorzystaniem uczenia się przez wzmocnienie”. Dziennik elektroniczny SSRN (2019). adres URL: http:///dx.doi.org/10.2139/ssrn.3355706.
https: / / doi.org/ 10.2139 / ssrn.3355706
[3] Shihao Gu, Bryan T. Kelly i Dacheng Xiu. „Empiryczna wycena aktywów poprzez uczenie maszynowe”. Dziennik elektroniczny SSRN (2018). adres URL: http:///dx.doi.org/10.2139/ssrn.3159577.
https: / / doi.org/ 10.2139 / ssrn.3159577
[4] Hyeong Kyu Choi. „Przewidywanie współczynnika korelacji cen akcji za pomocą modelu hybrydowego ARIMA-LSTM” (2018). adres URL: https:///doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560
[5] Yada Zhu, Giovanni Mariani i Jianbo Li. „Pagan: analiza portfela z generatywnymi sieciami przeciwnika”. Dziennik elektroniczny SSRN (2020). adres URL: https:///dx.doi.org/10.2139/ssrn.3755355.
https: / / doi.org/ 10.2139 / ssrn.3755355
[6] Kang Zhang, Guoqiang Zhong, Junyu Dong, Shengke Wang i Yong Wang. „Prognozy giełdowe oparte na generatywnej sieci kontradyktoryjnej”. Procedia Informatyka 147, 400–406 (2019). adres URL: https:///doi.org/10.1016/j.procs.2019.01.256.
https:///doi.org/10.1016/j.procs.2019.01.256
[7] Álvaro Cartea, Sebastian Jaimungal i Leandro Sánchez-Betancourt. „Głębokie uczenie się przez wzmacnianie w handlu algorytmicznym”. Dziennik elektroniczny SSRN (2021). adres URL: https:///dx.doi.org/10.2139/ssrn.3812473.
https: / / doi.org/ 10.2139 / ssrn.3812473
[8] Yue Deng, Feng Bao, Youyong Kong, Zhiquan Ren i Qionghai Dai. „Głębokie bezpośrednie uczenie się wzmacniające dla reprezentacji i handlu sygnałami finansowymi”. Transakcje IEEE w sieciach neuronowych i systemach uczenia się 28, 653–664 (2017). adres URL: https:///doi.org/10.1109/TNNLS.2016.2522401.
https:///doi.org/10.1109/TNNLS.2016.2522401
[9] Yunchao Liu, Srinivasan Arunachalam i Kristan Temme. „Rygorystyczne i solidne przyspieszenie kwantowe w nadzorowanym uczeniu maszynowym”. Fizyka Przyrody 2021 17:9 17, 1013–1017 (2021). adres URL: https:///doi.org/10.1038/s41567-021-01287-z.
https: / / doi.org/ 10.1038 / s41567-021-01287-z
[10] Shantanav Chakraborty, András Gilyén i Stacey Jeffery. „Moc mocy macierzowych zakodowanych blokowo: ulepszone techniki regresji poprzez szybszą symulację Hamiltona”. W: Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini i Stefano Leonardi, redaktorzy, 46. Międzynarodowe Kolokwium na temat automatów, języków i programowania (ICALP 2019). Tom 132 Leibniz International Proceedings in Informatics (LIPIcs), strony 33:1–33:14. Dagstuhl, Niemcy (2019). Schloss Dagstuhl – Leibniz-Zentrum fuer Informatik. adres URL: https:///doi.org/10.4230/LIPIcs.ICALP.2019.33.
https: / / doi.org/ 10.4230 / LIPIcs.ICALP.2019.33
[11] András Gilyén, Srinivasan Arunachalam i Nathan Wiebe. „Optymalizacja algorytmów optymalizacji kwantowej poprzez szybsze obliczenia gradientu kwantowego”. W materiałach z dorocznego sympozjum ACM-SIAM na temat algorytmów dyskretnych (SODA) w 2019 r. Strony 1425–1444. (2019). adres URL: https:///doi.org/10.1137/1.9781611975482.87.
https: / / doi.org/ 10.1137 / 1.9781611975482.87
[12] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Łukasz Cincio i Patrick J. Coles. „Wariacyjne algorytmy kwantowe”. Nature Recenzje Fizyka 3, 625–644 (2021). adres URL: https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9
[13] Iordanis Kerenidis, Anupam Prakash i Dániel Szilágyi. „Algorytmy kwantowe optymalizacji portfela”. W materiałach z pierwszej konferencji ACM na temat postępów w technologiach finansowych. Strony 1–147. Zurych Szwajcaria (155). ACM. adres URL: https:///doi.org/2019/10.1145.
https: / / doi.org/ 10.1145 / 3318041.3355465
[14] Lucas Leclerc, Luis Ortiz-Guitierrez, Sebastian Grijalva, Boris Albrecht, Julia R. K. Cline, Vincent Elfving, Adrien Signoles, Loic Henriet, Gianni Del Bimbo, Usman Ayub Sheikh, Maitree Shah, Luc Andrea, Faysal Ishtiaq, Andoni Duarte, Samuel Mugel, Irene Caceres, Michel Kurek, Román Orús, Achraf Seddik, Oumaima Hammammi, Hacene Isselnane i Didier M'tamon. „Zarządzanie ryzykiem finansowym w procesorze kwantowym z neutralnym atomem” (2022). adres URL: https:///doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223
[15] Dimitrios Emmanoulopoulos i Sofija Dimoska. „Kwantowe uczenie maszynowe w finansach: prognozowanie szeregów czasowych” (2022). adres URL: https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599
[16] Patrick Rebentrost, Brajesh Gupt i Thomas R. Bromley. „Kwantowe finanse obliczeniowe: wycena instrumentów pochodnych metodą Monte Carlo”. Przegląd fizyczny A 98, 022321 (2018). adres URL: https:///doi.org/10.1103/PhysRevA.98.022321.
https: / / doi.org/ 10.1103 / PhysRevA.98.022321
[17] João F. Doriguello, Alessandro Luongo, Jinge Bao, Patrick Rebentrost i Miklos Santha. „Algorytm kwantowy dla stochastycznych optymalnych problemów zatrzymywania w zastosowaniach w finansach”. W: François Le Gall i Tomoyuki Morimae, redaktorzy, 17. Konferencja na temat teorii obliczeń kwantowych, komunikacji i kryptografii (TQC 2022). Tom 232 Leibniz International Proceedings in Informatics (LIPIcs), strony 2:1–2:24. Dagstuhl, Niemcy (2022). Schloss Dagstuhl – Leibniz-Zentrum für Informatik. adres URL: https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https: / / doi.org/ 10.4230 / LIPIcs.TQC.2022.2
[18] Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu i Marco Pistoia. „Ograniczona optymalizacja kwantowa do podsumowania ekstrakcyjnego na komputerze kwantowym z uwięzionymi jonami”. Raporty Naukowe 12 (2022). adres URL: https:///doi.org/10.1038/s41598-022-20853-w.
https: / / doi.org/ 10.1038 / s41598-022-20853-w
[19] Alexandre Ménard, Ivan Ostojić, Mark Patel i Daniel Volz. „Plan gry dla obliczeń kwantowych”. Kwartalnik McKinsey (2020). adres URL: https:///www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing.
https:///www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing
[20] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia i Yuri Alexeev. „Badanie obliczeń kwantowych dla finansów” (2022). adres URL: https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773
[21] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush i Hartmut Neven. „Jałowe płaskowyże w krajobrazach szkoleniowych kwantowych sieci neuronowych”. Nature Communications 9, 4812 (2018). adres URL: https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
[22] Iordanis Kerenidis, Jonas Landman i Natansh Mathur. „Algorytmy klasyczne i kwantowe dla ortogonalnych sieci neuronowych” (2022). adres URL: https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198
[23] Zebin Yang, Aijun Zhang i Agus Sudjianto. „Zwiększenie wyjaśnialności sieci neuronowych poprzez ograniczenia architektury”. Transakcje IEEE w sieciach neuronowych i systemach uczenia się 32, 2610–2621 (2021). adres URL: https:///doi.org/10.1109/TNNLS.2020.3007259.
https:///doi.org/10.1109/TNNLS.2020.3007259
[24] Shuai Li, Kui Jia, Yuxin Wen, Tongliang Liu i Dacheng Tao. „Ortogonalne głębokie sieci neuronowe”. Transakcje IEEE dotyczące analizy wzorców i inteligencji maszynowej 43, 1352–1368 (2021). adres URL: https:///doi.org/10.1109/TPAMI.2019.2948352.
https: // doi.org/ 10.1109 / TPAMI.2019.2948352
[25] Alhussein Fawzi, Matej Balog, Aja Huang, Thomas Hubert, Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Francisco J. R. Ruiz, Julian Schrittwieser, Grzegorz Swirszcz, David Silver, Demis Hassabis i Pushmeet Kohli. „Odkrywanie szybszych algorytmów mnożenia macierzy poprzez uczenie się przez wzmacnianie”. Natura 610, 47–53 (2022). adres URL: https:///doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4
[26] Clare Lyle, Marc G. Bellemare i Pablo Samuel Castro. „Analiza porównawcza uczenia się ze wzmocnieniem oczekiwanym i dystrybucyjnym”. Materiały z konferencji AAAI na temat sztucznej inteligencji 33, 4504–4511 (2019). adres URL: https:///doi.org/10.1609/aaai.v33i01.33014504.
https: // doi.org/ 10.1609 / aaai.v33i01.33014504
[27] „Kwantyn H1-1, H1-2”. https:///www.quantinuum.com/ (2022). Dostęp: 15–22 listopada 2022 r.; 7-12 grudnia 2022 r.
https:///www.quantinuum.com/
[28] Daniel J. Brod. „Efektywna klasyczna symulacja obwodów bramki zapałkowej z uogólnionymi danymi wejściowymi i pomiarami”. Przegląd fizyczny A 93 (2016). adres URL: https:///doi.org/10.1103/physreva.93.062332.
https: / / doi.org/ 10.1103 / physreva.93.062332
[29] Matthew L. Goh, Martin Larocca, Łukasz Cincio, M. Cerezo i Frédéric Sauvage. „Klasyczne symulacje algebraiczne Lie dla wariacyjnych obliczeń kwantowych” (2023). adres URL: https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432
[30] Michał Oszmaniec, Ninnat Dangniam, Mauro E.S. Morales i Zoltán Zimborás. „Próbkowanie fermionów: solidny schemat przewagi obliczeniowej kwantowej wykorzystujący fermionową optykę liniową i magiczne stany wejściowe”. PRX Quantum 3 (2022). adres URL: https:///doi.org/10.1103/PRXQuantum.3.020328.
https: // doi.org/ 10.1103 / PRXQuantum.3.020328
[31] Michaela A. Nielsena i Isaaca L. Chuanga. „Obliczenia kwantowe i informacje kwantowe: wydanie z okazji 10. rocznicy”. Wydawnictwo Uniwersytetu Cambridge. (2012). 1 edycja. adres URL: https:///doi.org/10.1017/CBO9780511976667.
https: / / doi.org/ 10.1017 / CBO9780511976667
[32] R.S. Sutton i AG Barto. „Uczenie się przez wzmacnianie: wprowadzenie”. Transakcje IEEE w sieciach neuronowych 9, 1054–1054 (1998). adres URL: https:///doi.org/10.1109/TNN.1998.712192.
https: // doi.org/ 10.1109 / TNN.1998.712192
[33] Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage i Anil Anthony Bharath. „Uczenie się przez głębokie wzmacnianie: krótka ankieta”. Magazyn IEEE Signal Processing 34, 26–38 (2017). adres URL: https:///doi.org/10.1109/MSP.2017.2743240.
https: // doi.org/ 10.1109 / MSP.2017.2743240
[34] Magnus Wiese, Lianjun Bai, Ben Wood i Hans Buehler. „Głębokie hedging: nauka symulacji rynków opcji kapitałowych”. Dziennik elektroniczny SSRN (2019). adres URL: https:///dx.doi.org/10.2139/ssrn.3470756.
https: / / doi.org/ 10.2139 / ssrn.3470756
[35] Hans Buehler, Phillip Murray, Mikko S. Pakkanen i Ben Wood. „Głębokie hedging: nauka usuwania dryfu w ramach tarć handlowych przy minimalnych równoważnych miarach bliskich martyngału” (2022). adres URL: https:///doi.org/10.48550/arXiv.2111.07844.
https:///doi.org/10.48550/arXiv.2111.07844
[36] Magnus Wiese, Ben Wood, Alexandre Pachoud, Ralf Korn, Hans Buehler, Murray Phillip i Lianjun Bai. „Symulacja rynku spot i opcji z wieloma aktywami”. Dziennik elektroniczny SSRN (2021). adres URL: https:///dx.doi.org/10.2139/ssrn.3980817.
https: / / doi.org/ 10.2139 / ssrn.3980817
[37] Phillip Murray, Ben Wood, Hans Buehler, Magnus Wiese i Mikko Pakkanen. „Głębokie hedging: ciągłe uczenie się wzmacniające w celu zabezpieczania portfeli ogólnych w obliczu wielu awersji do ryzyka”. W materiałach trzeciej międzynarodowej konferencji ACM na temat sztucznej inteligencji w finansach. Strony 361–368. ICAIF ’22Nowy Jork, NY, USA (2022). Stowarzyszenie Maszyn Obliczeniowych. adres URL: https:///doi.org/10.1145/3533271.3561731.
https: / / doi.org/ 10.1145 / 3533271.3561731
[38] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa i Keisuke Fujii. „Uczenie się obwodów kwantowych”. Przegląd fizyczny A 98, 032309 (2018). adres URL: https:///doi.org/10.1103/PhysRevA.98.032309.
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[39] Dylan Herman, Rudy Raymond, Muyuan Li, Nicolas Robles, Antonio Mezzacapo i Marco Pistoia. „Ekspresywność wariacyjnego uczenia maszynowego kwantowego na kostce Boole’a” (2022). adres URL: https:///doi.org/10.1109/TQE.2023.3255206.
https: // doi.org/ 10.1109 / TQE.2023.3255206
[40] Edwarda Farhiego i Hartmuta Nevena. „Klasyfikacja z kwantowymi sieciami neuronowymi w procesorach krótkoterminowych”. Raport techniczny. Sieć otwartej nauki (2020). adres URL: https:///doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
[41] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster i José I. Latorre. „Ponowne przesyłanie danych do uniwersalnego klasyfikatora kwantowego”. Kwant 4, 226 (2020). adres URL: https:///doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226
[42] Jonas Landman, Natansh Mathur, Yun Yvonna Li, Martin Strahm, Skander Kazdaghli, Anupam Prakash i Iordanis Kerenidis. „Metody kwantowe dla sieci neuronowych i zastosowanie do klasyfikacji obrazów medycznych”. Kwant 6, 881 (2022). adres URL: https:///doi.org/10.22331/q-2022-12-22-881.
https://doi.org/10.22331/q-2022-12-22-881
[43] Marcello Benedetti, Delfina Garcia-Pintos, Oscar Perdomo, Vicente Leyton-Ortega, Yunseong Nam i Alejandro Perdomo-Ortiz. „Podejście do modelowania generatywnego do celów porównywania i uczenia płytkich obwodów kwantowych”. npj Informacje kwantowe 5, 45 (2019). adres URL: https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8
[44] Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch i Matthias Rosenkranz. „Wnioskowanie wariacyjne za pomocą komputera kwantowego”. Zastosowano przegląd fizyczny 16, 044057 (2021). adres URL: https:///doi.org/10.1103/PhysRevApplied.16.044057.
https: / / doi.org/ 10.1103 / PhysRevApplied.16.044057
[45] Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D. Scherer, Axel Plinge i Christopher Mutschler. „Ankieta na temat uczenia się przez wzmocnienie kwantowe” (2022). adres URL: https:///doi.org/10.48550/arXiv.2211.03464.
https:///doi.org/10.48550/arXiv.2211.03464
[46] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow i Jay M. Gambetta. „Nadzorowane uczenie się z przestrzeniami cech wzmocnionymi kwantowo”. Natura 567, 209–212 (2019). adres URL: https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2
[47] Maria Schuld, Ryan Sweke i Johannes Jakob Meyer. „Wpływ kodowania danych na siłę wyrazu wariacyjnych modeli uczenia maszynowego kwantowego”. Przegląd fizyczny A 103, 032430 (2021). adres URL: https:///doi.org/10.1103/PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[48] Francisco Javier Gil Vidal i Dirk Oliver Theis. „Redundancja wejściowa dla sparametryzowanych obwodów kwantowych”. Granice w fizyce 8, 297 (2020). adres URL: https:///doi.org/10.3389/fphy.2020.00297.
https: / / doi.org/ 10.3389 / fphy.2020.00297
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm i Yun Yvonna Li. „Kwantowe transformatory wizyjne” (2022). adres URL: https:///doi.org/10.48550/arXiv.2209.08167.
https:///doi.org/10.48550/arXiv.2209.08167
[50] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac i Nathan Killoran. „Ocena gradientów analitycznych na sprzęcie kwantowym”. Przegląd fizyczny A 99, 032331 (2019). adres URL: https:///doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[51] Jordanisa Kerenidisa. „Metoda ładowania klasycznych danych do stanów kwantowych do zastosowań w uczeniu maszynowym i optymalizacji”. Zgłoszenie patentowe USA (2020). adres URL: https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1
[52] Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singk, Anupam Prakash, Jungsang Kim i Iordanis Kerenidis. „Klasyfikacja najbliższego środka ciężkości na komputerze kwantowym z uwięzionymi jonami”. npj Quantum Information 7, 122 (2021). adres URL: https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5
[53] Iordanis Kerenidis i Anupam Prakash. „Kwantowe uczenie maszynowe ze stanami podprzestrzennymi” (2022). adres URL: https:///doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054
[54] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser i Illia Polosukhin. „Wszystko, czego potrzebujesz, to uwaga”. W: I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan i R. Garnett, redaktorzy, Advances in Neural Information Processing Systems. Tom 30. Curran Associates, Inc. (2017). adres URL: https:///doi.org/10.48550/arXiv.1706.03762.
https:///doi.org/10.48550/arXiv.1706.03762
[55] Martin Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles i M. Cerezo. „Niezmiennicze w grupie kwantowe uczenie maszynowe”. PRX Quantum 3, 030341 (2022). adres URL: https:///doi.org/10.1103/PRXQuantum.3.030341.
https: // doi.org/ 10.1103 / PRXQuantum.3.030341
[56] Jiayao Zhang, Guangxu Zhu, Robert W. Heath Jr. i Kaibin Huang. „Uczenie się Grassmanna: osadzanie świadomości geometrii w uczeniu płytkim i głębokim” (2018). adres URL: https:///doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229
[57] Xuchen You, Shouvanik Chakrabarti i Xiaodi Wu. „Teoria zbieżności dla nadmiernie sparametryzowanych wariacyjnych kwantowych solwerów własnych” (2022). adres URL: https:///doi.org/10.48550/arXiv.2205.12481.
https:///doi.org/10.48550/arXiv.2205.12481
[58] Martin Larocca, Nathan Ju, Diego García-Martin, Patrick J. Coles i M. Cerezo. „Teoria nadparametryzacji w kwantowych sieciach neuronowych” (2021). adres URL: https:///doi.org/10.1038/s43588-023-00467-6.
https://doi.org/10.1038/s43588-023-00467-6
[59] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles i Marco Cerezo. „Diagnozowanie jałowych płaskowyżów za pomocą narzędzi z Quantum Optimal Control”. Kwant 6, 824 (2022). adres URL: https:///doi.org/10.22331/q-2022-09-29-824.
https://doi.org/10.22331/q-2022-09-29-824
[60] Benoît Collins i Piotr Śniady. „Integracja z uwzględnieniem miary Haara na grupie unitarnej, ortogonalnej i symplektycznej”. Komunikacja w fizyce matematycznej 264, 773–795 (2006). adres URL: https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3
[61] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu i Marco Pistoia. „Adjoint to wszystko, czego potrzebujesz: charakterystyka jałowych płaskowyżów w Quantum Ansätze” (2023). adres URL: https:///doi.org/10.48550/arXiv.2309.07902.
https:///doi.org/10.48550/arXiv.2309.07902
[62] Michael Ragone, Bojko N. Bakalov, Frédéric Sauvage, Alexander F. Kemper, Carlos Ortiz Marrero, Martin Larocca i M. Cerezo. „Ujednolicona teoria jałowych płaskowyżów dla głęboko sparametryzowanych obwodów kwantowych” (2023). adres URL: https:///doi.org/10.48550/arXiv.2309.09342.
https:///doi.org/10.48550/arXiv.2309.09342
[63] Léo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla i Elham Kashefi. „Możliwość trenowania i ekspresywność obwodów kwantowych zachowujących masę Hamminga na potrzeby uczenia maszynowego” (2023). adres URL: https:///doi.org/10.48550/arXiv.2309.15547.
https:///doi.org/10.48550/arXiv.2309.15547
[64] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh i Dacheng Tao. „Ucieczka z jałowego płaskowyżu poprzez inicjalizacje Gaussa w głębokich wariacyjnych obwodach kwantowych” (2022). adres URL: https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376
[65] Owena Lockwooda i Mei Si. „Granie w Atari z hybrydową nauką ze wzmocnieniem kwantowo-klasycznym” (2021). adres URL: https:///doi.org/10.48550/arXiv.2107.04114.
https:///doi.org/10.48550/arXiv.2107.04114
[66] Samuel Yen-Chi Chen, Chao-Han Huck Yang, Jun Qi, Pin-Yu Chen, Xiaoli Ma i Hsi-Sheng Goan. „Wariacyjne obwody kwantowe do uczenia się z głębokim wzmocnieniem”. Dostęp IEEE 8, 141007–141024 (2020). adres URL: https:///doi.org/10.1109/ACCESS.2020.3010470.
https: / / doi.org/ 10.1109 / ACCESS.2020.3010470
[67] Owena Lockwooda i Mei Si. „Uczenie się przez wzmacnianie za pomocą kwantowego obwodu wariacyjnego”. Materiały z konferencji AAAI na temat sztucznej inteligencji i interaktywnej rozrywki cyfrowej 16, 245–251 (2020). adres URL: https:///doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437
[68] Yunseok Kwak, Won Joon Yun, Soyi Jung, Jong-Kook Kim i Joongheon Kim. „Wprowadzenie do uczenia się przez wzmocnienie kwantowe: teoria i implementacja oparta na PennyLane”. W 2021 r. Międzynarodowa konferencja na temat konwergencji technologii informacyjno-komunikacyjnych (ICTC). Strony 416–420. Wyspa Jeju, Korea, Republika (2021). IEEE. adres URL: https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885
[69] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans Briegel i Vedran Dunjko. „Sparametryzowane zasady kwantowe do uczenia się przez wzmacnianie”. W: M. Ranzato, A. Beygelzimer, Y. Dauphin, P.S. Liang i J. Wortman Vaughan, redaktorzy, Advances in Neural Information Processing Systems. Tom 34, strony 28362–28375. Curran Associates, Inc. (2021). adres URL: https:///doi.org/10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577
[70] Jen-Yueh Hsiao, Yuxuan Du, Wei-Yin Chiang, Min-Hsiu Hsieh i Hsi-Sheng Goan. „Nieuwikłani agenci uczący się ze wzmocnieniem kwantowym w siłowni OpenAI” (2022). adres URL: https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348
[71] El Amine Cherrat, Iordanis Kerenidis i Anupam Prakash. „Uczenie się przez wzmacnianie kwantowe poprzez iterację polityki”. Inteligencja maszyn kwantowych 5, 30 (2023). adres URL: https:///doi.org/10.1007/s42484-023-00116-1.
https://doi.org/10.1007/s42484-023-00116-1
[72] Daochen Wang, Aarthi Sundaram, Robin Kothari, Ashish Kapoor i Martin Roetteler. „Algorytmy kwantowe uczenia się przez wzmacnianie z wykorzystaniem modelu generatywnego”. Na międzynarodowej konferencji na temat uczenia maszynowego. Strony 10916–10926. PMLR (2021). adres URL: https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451
[73] Sofiene Jerbi, Arjan Cornelissen, Māris Ozols i Vedran Dunjko. „Algorytmy gradientu polityki kwantowej” (2022). adres URL: https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328
[74] Arjana Cornelissena. „Estymacja gradientu kwantowego i jej zastosowanie do uczenia się ze wzmocnieniem kwantowym”. Praca magisterska (2018). adres URL: http:///resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e
[75] Hansheng Jiang, Zuo-Jun Max Shen i Junyu Liu. „Kwantowe metody obliczeniowe w zarządzaniu łańcuchem dostaw”. W 2022 r. 7. sympozjum IEEE/ACM na temat przetwarzania brzegowego (SEC). Strony 400–405. Seattle, Waszyngton, USA (2022). IEEE. adres URL: https:///doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059
[76] Marc G. Bellemare, Will Dabney i Rémi Munos. „Dystrybucyjna perspektywa uczenia się przez wzmacnianie”. W materiałach 34. Międzynarodowej Konferencji na temat uczenia maszynowego - tom 70. Strony 449–458. ICML’17Sydney, Nowa Południowa Walia, Australia (2017). JMLR.org. adres URL: https:///doi.org/10.48550/arXiv.1707.06887.
https:///doi.org/10.48550/arXiv.1707.06887
[77] Will Dabney, Mark Rowland, Marc Bellemare i Rémi Munos. „Uczenie się przez wzmocnienie dystrybucyjne z regresją kwantylową”. Materiały z konferencji AAAI na temat sztucznej inteligencji 32 (2018). adres URL: https:///doi.org/10.1609/aaai.v32i1.11791.
https: // doi.org/ 10.1609 / aaai.v32i1.11791
[78] Matthias C. Caro i Ishaun Datta. „Pseudowymiar obwodów kwantowych”. Kwantowa inteligencja maszynowa 2 (2020). adres URL: https:///doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5
[79] Hansa Buehlera, Murraya Phillipa i Bena Wooda. „Zabezpieczenie głębokiego Bellmana”. Dziennik elektroniczny SSRN (2022). adres URL: https:///dx.doi.org/10.2139/ssrn.4151026.
https: / / doi.org/ 10.2139 / ssrn.4151026
[80] Thanh Nguyen-Tang, Sunil Gupta i Svetha Venkatesh. „Uczenie się poprzez wzmacnianie dystrybucyjne poprzez dopasowywanie momentów”. Materiały z konferencji AAAI na temat sztucznej inteligencji 35, 9144–9152 (2021). adres URL: https:///doi.org/10.1609/aaai.v35i10.17104.
https: // doi.org/ 10.1609 / aaai.v35i10.17104
Cytowany przez
[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu i Marco Pistoia, „The Adjoint Is All You Need: Characterizing Barren Plateaus in Quantum Ansätze”, arXiv: 2309.07902, (2023).
[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia i Yuri Alexeev, „Quantum Computing for Finance”, Natura Recenzje Fizyka 5 8, 450 (2023).
[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch i Alexey Melnikov, „Hybrydowe sieci neuronowe oparte na fizyce kwantowej do symulacji obliczeniowej dynamiki płynów w złożonych kształtach”, arXiv: 2304.11247, (2023).
Powyższe cytaty pochodzą z Reklamy SAO / NASA (ostatnia aktualizacja pomyślnie 2023-11-30 01:36:35). Lista może być niekompletna, ponieważ nie wszyscy wydawcy podają odpowiednie i pełne dane cytowania.
On Serwis cytowany przez Crossref nie znaleziono danych na temat cytowania prac (ostatnia próba 2023-11-30 01:36:34).
Niniejszy artykuł opublikowano w Quantum pod Creative Commons Uznanie autorstwa 4.0 Międzynarodowe (CC BY 4.0) licencja. Prawa autorskie należą do pierwotnych właścicieli praw autorskich, takich jak autorzy lub ich instytucje.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://quantum-journal.org/papers/q-2023-11-29-1191/
- :ma
- :Jest
- :nie
- :Gdzie
- ][P
- $W GÓRĘ
- 01
- 1
- 10
- 10
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 17
- 19
- 1998
- 1
- 20
- 2006
- 2012
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26%
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 35%
- 36
- 39
- 40
- 41
- 49
- 50
- 51
- 54
- 58
- 60
- 610
- 66
- 67
- 7
- 70
- 72
- 75
- 77
- 8
- 80
- 87
- 9
- 98
- a
- powyżej
- ABSTRACT
- dostęp
- dostęp
- osiągnięcia
- ACM
- w poprzek
- zaliczki
- Korzyść
- przeciwny
- powiązania
- agentów
- AI
- alex
- Alexander
- algorytm
- algorytmiczny
- handel algorytmiczny
- Algorytmy
- Wszystkie kategorie
- an
- analiza
- Analityczny
- i
- Andrew
- Rocznica
- roczny
- Anthony
- Zastosowanie
- aplikacje
- stosowany
- podejście
- awanse
- architektura
- SĄ
- sztuczny
- sztuczna inteligencja
- AS
- kapitał
- stowarzyszonych
- Stowarzyszenie
- At
- atari
- atom
- próba
- Australia
- autor
- Autorzy
- świadomość
- bary
- na podstawie
- BE
- ben
- Benchmarkingu
- Beniaminek
- Ulepsz Swój
- Poza
- Boris
- obie
- przerwa
- Brian
- Bryan
- by
- cambridge
- CAN
- Carlos
- casper
- łańcuch
- chen
- jedzenie
- chrześcijański
- Christopher
- klasyfikacja
- współczynnik
- komentarz
- Lud
- Komunikacja
- Komunikacja
- porównywalny
- kompletny
- kompleks
- Mieszanka
- obliczenia
- obliczeniowy
- komputer
- Computer Science
- computing
- Konferencja
- Ograniczenia
- ciągły
- kontrola
- Konwergencja
- prawo autorskie
- Korelacja
- Współczynnik korelacji
- kryptografia
- DAI
- Daniel
- dane
- David
- David Silver
- grudzień
- głęboko
- głęboka nauka
- del
- Pochodne
- rozwijać
- Diego
- cyfrowy
- Rozrywka cyfrowa
- kierować
- dyskutować
- dynamika
- e
- krawędź
- przetwarzanie krawędziowe
- edycja
- redaktorzy
- Edward
- el
- Elektroniczny
- osadzanie
- kodowanie
- rozrywka
- sprawiedliwość
- Równoważny
- spodziewany
- ekspresyjny
- rozległy
- szybciej
- Cecha
- Fergus
- finansować
- budżetowy
- Pochodne instrumenty finansowe
- technologie finansowe
- płyn
- Dynamika płynów
- W razie zamówieenia projektu
- znaleziono
- Framework
- Francisco
- od
- Frontiers
- Funkcje
- gra
- Ogólne
- generatywny
- Niemcy
- Gomez
- gradienty
- Zarządzanie
- Gupta
- sala gimnastyczna
- sprzęt komputerowy
- harvard
- zabezpieczających
- posiadacze
- hsiao
- http
- HTTPS
- Huang
- Hybrydowy
- model hybrydowy
- hybrydowy kwantowo-klasyczny
- i
- IEEE
- obraz
- Klasyfikacja obrazu
- Rezultat
- wdrożenia
- realizacja
- ulepszony
- in
- Inc
- przemysł
- Informacja
- wkład
- Wejścia
- instytucje
- Inteligencja
- interaktywne
- ciekawy
- na świecie
- najnowszych
- Wprowadzenie
- wyspa
- iteracja
- JEGO
- Ivan
- Jamie
- JAVASCRIPT
- Jon
- Jonathan
- Jones
- dziennik
- JPMorgan
- julia
- Kapoor
- Kim
- Kong
- Korea
- Kumar
- krajobrazy
- Języki
- Nazwisko
- nioski
- nauka
- Pozostawiać
- Li
- Licencja
- Lista
- załadunek
- Popatrz
- maszyna
- uczenie maszynowe
- maszyny
- magazyn
- magia
- i konserwacjami
- struktura
- maria
- znak
- rynek
- rynki
- Martin
- mistrz
- dopasowywanie
- matematyczny
- Matrix
- Matthew
- max
- Może..
- Mcclean
- McKinsey
- zmierzyć
- Pomiary
- środków
- medyczny
- metoda
- metody
- Meyer
- Michał
- minimalny
- model
- modelowanie
- modele
- moment
- Miesiąc
- wielokrotność
- Murray
- Nam
- Natura
- Blisko
- Potrzebować
- sieć
- sieci
- nerwowy
- sieci neuronowe
- sieci neuronowe
- Neutralny
- Nicolas
- Nie
- listopada
- listopad
- numer
- NY
- obserwować
- uzyskuje
- of
- Oferty
- Oliver
- on
- koncepcja
- OpenAI
- optyka
- Optymalny
- optymalizacja
- Option
- or
- oryginalny
- Inne
- ludzkiej,
- pablo
- strona
- stron
- Papier
- parametry
- Paryż
- szczególny
- patent
- Patrick
- Wzór
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- perspektywa
- Piotr
- fizyczny
- Fizyka
- Pierre
- krok po kroku
- plato
- Analiza danych Platona
- PlatoDane
- polityka
- polityka
- teczka
- portfele
- potencjał
- power
- mocny
- uprawnienia
- Pradeep
- Prakash
- przepowiednia
- konserwowanie
- naciśnij
- Cena
- wycena
- Problem
- problemy
- Obrady
- przetwarzanie
- Procesor
- Procesory
- Programowanie
- zaproponowane
- Udowodnij
- zapewniać
- opublikowany
- wydawca
- wydawcy
- Qi
- Quantinium
- ilościowy
- Kwant
- algorytmy kwantowe
- kwantowa przewaga obliczeniowa
- Komputer kwantowy
- informatyka kwantowa
- informacja kwantowa
- kwantowe uczenie maszynowe
- kubity
- R
- Ralf
- real
- zmniejszyć
- referencje
- szczątki
- usunąć
- ren
- raport
- Raporty
- reprezentacja
- Republika
- Badania naukowe
- poszanowanie
- przeglądu
- Recenzje
- Richard
- rygorystyczny
- Ryzyko
- Zarządzanie ryzykiem
- ROBERT
- Rudzik
- krzepki
- Ruiz
- Ryan
- s
- schemat
- nauka
- naukowy
- Seattle
- SEK
- Sektory
- Serie
- płytki
- kształty
- Sharma
- szejk
- pokazać
- Signal
- Srebro
- Szymon, Szymek
- symulacja
- obowiązuje
- Spot
- Srinivasan
- standard
- Zjednoczone
- zatrzymanie
- Z powodzeniem
- taki
- odpowiedni
- Niedz
- Dostawa
- łańcuch dostaw
- zarządzanie łańcuchem dostaw
- Badanie
- Szwajcaria
- Sympozjum
- systemy
- Techniczny
- Techniki
- Technologies
- Technologia
- semestr
- niż
- że
- Połączenia
- ich
- teoria
- praca
- Trzeci
- to
- Przez
- czas
- Szereg czasowy
- Tytuł
- do
- narzędzia
- Handel
- Trening
- transakcje
- transformacyjny
- Transformatory
- uwięziony
- dla
- Ujednolicony
- uniwersalny
- uniwersytet
- zaktualizowane
- URL
- us
- USA
- posługiwać się
- za pomocą
- Wykorzystując
- wartość
- przez
- vincent
- wizja
- Tom
- z
- W
- chcieć
- była
- we
- sieć
- DOBRZE
- Podczas
- będzie
- w
- Wygrał
- drewno
- Praca
- działa
- wu
- xiao
- rok
- york
- You
- Yuan
- zefirnet
- Zhong
- Zurych
