Razões de amplitude e estados quânticos de redes neurais

[1] Scott Aaronson e Alex Arkhipov “A Complexidade Computacional da Óptica Linear” (2011).
https: / / doi.org/ 10.1145 / 1993636.1993682

[2] Clement Cannone Comunicação pessoal (2021).

[3] Clément L. Canonne, Dana Ron e Rocco A. Servedio, “Testando distribuições de probabilidade usando amostras condicionais” SIAM Journal on Computing 44, 540–616 (2015).
https: / / doi.org/ 10.1137 / 130945508

[4] Clement L. Canonne, Xi Chen, Gautam Kamath, Amit Levi e Erik Waingarten, “Restrições aleatórias de distribuições dimensionais altas e testes de uniformidade com condicionamento de subcubo” Anais do Trigésimo Segundo Simpósio Anual ACM-SIAM sobre Algoritmos Discretos 321–336 ( 2021).

[5] Giuseppe Carleo, Yusuke Nomura e Masatoshi Imada, “Construindo representações exatas de sistemas quânticos de muitos corpos com redes neurais profundas” Nature Communications 9, 5322 (2018).
https:/​/​doi.org/​10.1038/​s41467-018-07520-3

[6] Giuseppe Carleoand Matthias Troyer "Resolvendo o problema quântico de muitos corpos com redes neurais artificiais" Science 355, 602-606 (2017).
https: / / doi.org/ 10.1126 / science.aag2302

[7] Sourav Chakraborty, Eldar Fischer, Yonatan Goldhirsh e Arie Matsliah, “Sobre o poder das amostras condicionais em testes de distribuição” Anais da 4ª Conferência sobre Inovações em Ciência da Computação Teórica 561–580 (2013).
https: / / doi.org/ 10.1145 / 2422436.2422497

[8] Martin Dyer, Alan Frieze e Ravi Kannan, “Um algoritmo aleatório de tempo polinomial para aproximar o volume de corpos convexos” J. ACM 38, 1–17 (1991).
https: / / doi.org/ 10.1145 / 102782.102783

[9] Alan Frieze, Ravi Kannan e Santosh Vempala, “Algoritmos rápidos de Monte-Carlo para encontrar aproximações de baixa classificação” J. ACM 51, 1025–1041 (2004).
https: / / doi.org/ 10.1145 / 1039488.1039494

[10] Xun Gao e Lu-Ming Duan “Representação eficiente de estados quânticos de muitos corpos com redes neurais profundas” Nature Communications 8, 662 (2017).
https:/​/​doi.org/​10.1038/​s41467-017-00705-2

[11] Vojtech Havlicekand Sergii Strelchuk “Circuitos de amostragem Quantum Schur podem ser fortemente simulados” Phys. Rev. 121, 060505 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.060505

[12] Geoffrey E. Hinton “Produtos de treinamento de especialistas minimizando a divergência contrastiva” Computação Neural 14, 1771–1800 (2002).
https: / / doi.org/ 10.1162 / 089976602760128018

[13] Mark Huber “Algoritmos de aproximação para a constante de normalização das distribuições de Gibbs” The Annals of Applied Probability 25 (2015).
https:///​doi.org/​10.1214/​14-aap1015

[14] Mark Jerrum “Geração Aleatória de Estruturas Combinatórias a partir de uma Distribuição Uniforme (Resumo Estendido)” Anais do 12º Colóquio sobre Autômatos, Linguagens e Programação 290–299 (1985).

[15] Mark R. Jerrum, Leslie G. Valiant e Vijay V. Vazirani, “Geração aleatória de estruturas combinatórias a partir de uma distribuição uniforme” 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 e Giuseppe Carleo, “Estados de redes neurais para a simulação clássica de computação quântica” arXiv e-prints arXiv:1808.05232 (2018).
https://​/​doi.org/​10.48550/​ARXIV.1808.05232
arXiv: 1808.05232

[17] Richard M Karp, Michael Luby e Neal Madras, “Algoritmos de aproximação de Monte-Carlo para problemas de enumeração” 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 “Notas de aula: Tópicos selecionados sobre teoria robusta de aprendizagem estatística” 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 “Máquinas Boltzmann restritas são difíceis de avaliar ou simular aproximadamente” Anais da 27ª Conferência Internacional sobre Conferência Internacional sobre Aprendizado de Máquina 703–710 (2010).

[20] James Martens, Arkadev Chattopadhya, Toni Pitassi e Richard Zemel, “Sobre a eficiência representacional de máquinas Boltzmann restritas” Curran Associates, Inc.
http:/​/​papers.nips.cc/​paper/​5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

[21] Matija Medvidović e Giuseppe Carleo “Simulação variacional clássica do algoritmo de otimização aproximada quântica” npj Quantum Information 7, 101 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00440-z
arXiv: 2009.01760

[22] Imdad SB Sardharwalla, Sergii Strelchuk e Richard Jozsa, “Complexidade de consulta condicional quântica” Informações quânticas. Computação. 17, 541–567 (2017).

[23] P. Smolensky “Processamento de Informação em Sistemas Dinâmicos: Fundamentos da Teoria da Harmonia” MIT Press (1986).

[24] Daniel Štefankovič, Santosh Vempala e Eric Vigoda, “Recozimento simulado adaptativo: uma conexão quase ideal entre amostragem e contagem” J. ACM 56 (2009).
https: / / doi.org/ 10.1145 / 1516512.1516520

[25] Ewin Tang “Um Algoritmo Clássico Inspirado em Quântica para Sistemas de Recomendação” Anais do 51º Simpósio Anual ACM SIGACT sobre Teoria da Computação 217–228 (2019).
https: / / doi.org/ 10.1145 / 3313276.3316310

[26] LG Valiant “A complexidade da computação do permanente” 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 “Simulando Computadores Quânticos com Métodos Probabilísticos” Quantum Info. Computação. 11, 784–812 (2011).