การลดข้อผิดพลาดสามารถปรับปรุงความสามารถในการฝึกอบรมอัลกอริธึมควอนตัมแบบแปรผันที่มีเสียงดังได้หรือไม่

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

แซมซั่นหวาง^1,2, ปิโอเตอร์ ซาร์นิค^1,3,4, แอนดรูว์ อาร์ราสมิธ^1,5, เอ็ม. เซเรโซ^1,5,6, ลูคัส ซินซิโอ^1,5และแพทริค เจ. โคลส์^1,5

¹แผนกทฤษฎี, Los Alamos National Laboratory, Los Alamos, NM 87545, USA
²ภาควิชาฟิสิกส์, Imperial College London, London, SW7 2AZ, UK
³คณะฟิสิกส์ ดาราศาสตร์ และวิทยาการคอมพิวเตอร์ประยุกต์ Jagiellonian University, Kraków, โปแลนด์
⁴ศูนย์ Mark Kac เพื่อการวิจัยระบบที่ซับซ้อน มหาวิทยาลัย Jagiellonian คราคูฟ ประเทศโปแลนด์
⁵ศูนย์วิทยาศาสตร์ควอนตัม โอ๊กริดจ์ TN 37931 สหรัฐอเมริกา
⁶ศูนย์การศึกษาแบบไม่เชิงเส้น, ห้องปฏิบัติการแห่งชาติ Los Alamos, Los Alamos, NM 87545, USA

พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.

นามธรรม

อัลกอริทึมควอนตัมแปรผัน (VQA) มักถูกมองว่าเป็นความหวังที่ดีที่สุดสำหรับความได้เปรียบทางควอนตัมในระยะสั้น อย่างไรก็ตาม การศึกษาล่าสุดแสดงให้เห็นว่าเสียงรบกวนสามารถจำกัดความสามารถในการฝึกอบรมของ VQA ได้อย่างรุนแรง เช่น โดยการทำให้ภูมิทัศน์ต้นทุนราบเรียบแบบทวีคูณ และลดขนาดของการไล่ระดับต้นทุน การลดข้อผิดพลาด (EM) แสดงให้เห็นถึงแนวทางในการลดผลกระทบของเสียงรบกวนบนอุปกรณ์ในระยะใกล้ ดังนั้นจึงเป็นเรื่องปกติที่จะถามว่า EM สามารถปรับปรุงความสามารถในการฝึกอบรมของ VQA ได้หรือไม่ ในงานนี้ ก่อนอื่น เราแสดงให้เห็นแล้วว่า สำหรับกลยุทธ์ EM ระดับกว้างๆ การกระจุกตัวของต้นทุนแบบเอ็กซ์โปเนนเชียลไม่สามารถแก้ไขได้หากไม่ต้องใช้ทรัพยากรเอ็กซ์โปเนนเชียลที่อื่น กลยุทธ์ระดับนี้รวมถึงกรณีพิเศษ การคาดการณ์สัญญาณรบกวนเป็นศูนย์ การกลั่นเสมือน การยกเลิกข้อผิดพลาดที่น่าจะเป็น และการถดถอยข้อมูลของคลิฟฟอร์ด ประการที่สอง เราทำการวิเคราะห์เชิงวิเคราะห์และเชิงตัวเลขของโปรโตคอล EM เหล่านี้ และเราพบว่าโปรโตคอลบางส่วน (เช่น การกลั่นเสมือน) สามารถทำให้แก้ไขค่าฟังก์ชันต้นทุนได้ยากขึ้น เมื่อเปรียบเทียบกับการไม่ใช้งาน EM เลย ผลลัพธ์เชิงบวก เราพบหลักฐานเชิงตัวเลขที่แสดงว่า Clifford Data Regression (CDR) สามารถช่วยกระบวนการฝึกอบรมในสภาพแวดล้อมบางอย่างที่การกระจุกตัวของต้นทุนไม่รุนแรงเกินไป ผลลัพธ์ของเราแสดงให้เห็นว่าควรใช้ความระมัดระวังในการใช้เกณฑ์วิธี EM เนื่องจากอาจทำให้ความสามารถในการฝึกอบรมแย่ลงหรือไม่สามารถปรับปรุงได้ ในทางกลับกัน ผลลัพธ์เชิงบวกของเราสำหรับ CDR เน้นย้ำถึงความเป็นไปได้ของวิธีการลดข้อผิดพลาดทางวิศวกรรมเพื่อปรับปรุงความสามารถในการฝึกอบรม

Can Error Mitigation Improve Trainability of Noisy Variational Quantum Algorithms? PlatoBlockchain Data Intelligence. Vertical Search. Ai.

ภาพเด่น: พบว่าสัญญาณรบกวนจากฮาร์ดแวร์บางประเภททำให้ความสามารถในการแก้ไขภูมิทัศน์ต้นทุนในอัลกอริธึมควอนตัมแบบแปรผันลดลงอย่างมาก ดังนั้น การเพิ่มประสิทธิภาพที่แม่นยำและเชื่อถือได้ของอัลกอริธึมควอนตัมแบบผันแปรที่มีสัญญาณรบกวนอาจเป็นภาระกับค่าใช้จ่ายของตัวอย่างแบบเอกซ์โปเนนเชียล ในงานนี้ เราถามว่าการลดข้อผิดพลาดสามารถบรรเทาปรากฏการณ์นี้ได้หรือไม่ ทั้งจากมุมมองการปรับขนาด (ในขีดจำกัดของขนาดระบบขนาดใหญ่) และสำหรับขนาดปัญหาที่คงที่

► ข้อมูล BibTeX

@article{Wang2024canerrormitigation, ดอย = {10.22331/q-2024-03-14-1287}, URL = {https://doi.org/10.22331/q-2024-03-14-1287}, title = {สามารถ {E}rror {M}itigation {I}ปรับปรุง {T}rainability ของ {N}oisy {V}ariational {Q}uantum {A}lgorithms?}, ผู้แต่ง = {Wang, Samson และ Czarnik, Piotr และ Arrasmith, Andrew และ Cerezo, M. และ Cincio, Lukasz และ Coles, Patrick J.}, วารสาร = {{ควอนตัม}}, issn = {2521-327X}, ผู้เผยแพร่ = {{Verein zur F{“{o}}rderung des Open Access Publizierens ใน den Quantenwissenschaften}}, ปริมาณ = {8}, หน้า = {1287}, เดือน = มี.ค. ปี = {2024} }

► ข้อมูลอ้างอิง

[1] Jarrod R McClean, Jonathan Romero, Ryan Babbush และ Alán Aspuru-Guzik “ทฤษฎีของอัลกอริธึมควอนตัมคลาสสิกแบบผสมแปรผัน”. วารสารฟิสิกส์ฉบับใหม่ 18, 023023 (2016).
https://doi.org/10.1007/978-94-015-8330-5_4

[2] M. Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio และ Patrick J. Coles “อัลกอริทึมควอนตัมแบบแปรผัน”. ธรรมชาติทบทวนฟิสิกส์ 3, 625–644 (2021)
https://doi.org/10.1038/s42254-021-00348-9

[3] แซม แมคอาร์เดิล, ไทสัน โจนส์, ซูกูรู เอ็นโด, หยิง ลี่, ไซมอน ซี เบนจามิน และเซียว หยวน “การจำลองควอนตัมตาม ansatz ที่หลากหลายของวิวัฒนาการของเวลาในจินตนาการ” npj ข้อมูลควอนตัม 5, 1–6 (2019)
https://doi.org/10.1038/s41534-019-0187-2

[4] Harper R Grimsley, Sophia E Economou, Edwin Barnes และ Nicholas J Mayhall “อัลกอริธึมการแปรผันแบบปรับได้สำหรับการจำลองโมเลกุลที่แน่นอนบนคอมพิวเตอร์ควอนตัม” เนเจอร์ คอมมิวนิเคชั่นส์ 10, 1–9 (2019).
https://doi.org/10.1038/s41467-019-10988-2

[5] คริสตินา เซอร์สตอย, โซอี้ โฮล์มส์, โจเซฟ ไอโอซู, ลูคัส ซินซิโอ, แพทริค เจ. โคลส์ และแอนดรูว์ ซอร์นบอร์เกอร์ “การส่งต่ออย่างรวดเร็วแบบแปรผันสำหรับการจำลองควอนตัมเกินเวลาเชื่อมโยงกัน” ข้อมูลควอนตัม npj 6, 1–10 (2020)
https://doi.org/10.1038/s41534-020-00302-0

[6] เบนจามิน คอมโม, เอ็ม. เซเรโซ, โซอี้ โฮล์มส์, ลูคัส ซินซิโอ, แพทริค เจ. โคลส์ และแอนดรูว์ ซอร์นบอร์เกอร์ “การเปลี่ยนแนวทแยงแบบแฮมิลโทเนียนแบบแปรผันสำหรับการจำลองควอนตัมแบบไดนามิก” arXiv พิมพ์ล่วงหน้า arXiv:2009.02559 (2020)
https://doi.org/10.48550/arXiv.2009.02559

[7] โจ กิ๊บส์, เคทลิน กิลี, โซอี้ โฮล์มส์, เบนจามิน คอมโม, แอนดรูว์ อาร์ราสมิธ, ลูคัส ซินซิโอ, แพทริค เจ. โคลส์ และแอนดรูว์ ซอร์นบอร์เกอร์ “การจำลองเป็นเวลานานที่มีความเที่ยงตรงสูงบนฮาร์ดแวร์ควอนตัม” arXiv พิมพ์ล่วงหน้า arXiv:2102.04313 (2021)
https://doi.org/10.48550/arXiv.2102.04313

[8] Yong-Xin Yao, Niladri Gomes, Feng Zhang, Thomas Iadecola, Cai-Zhuang Wang, Kai-Ming Ho และ Peter P Orth “การจำลองพลวัตควอนตัมแปรผันแบบปรับตัว” arXiv พิมพ์ล่วงหน้า arXiv:2011.00622 (2020)
https://doi.org/10.1103/PRXQuantum.2.030307

[9] Suguru Endo, Jinzhao Sun, Ying Li, Simon C Benjamin และ Xiao Yuan “การจำลองควอนตัมแบบผันแปรของกระบวนการทั่วไป”. จดหมายทบทวนทางกายภาพ 125, 010501 (2020)
https://doi.org/10.1103/PhysRevLett.125.010501

[10] วาย. ลี และเอสซี เบนจามิน “เครื่องจำลองควอนตัมแปรผันที่มีประสิทธิภาพพร้อมการลดข้อผิดพลาดแบบแอคทีฟให้เหลือน้อยที่สุด” ฟิสิกส์ รายได้ X 7, 021050 (2017)
https://doi.org/10.1103/PhysRevX.7.021050

[11] โจนาธาน เว่ยจงเลา, คีชอร์ บารตี, โทเบียส เฮาก และเหลียงชวน กเวก “การจำลองด้วยควอนตัมช่วยของแฮมิลโทเนียนที่ขึ้นกับเวลา” arXiv พิมพ์ล่วงหน้า arXiv:2101.07677 (2021)
https://doi.org/10.48550/arXiv.2101.07677

[12] เคนทาโร่ เฮยะ, เคน เอ็ม นากานิชิ, โคสุเกะ มิทาไร และ เคสุเกะ ฟูจิอิ “เครื่องจำลองควอนตัมแปรผัน Subspace” arXiv พิมพ์ล่วงหน้า arXiv:1904.08566 (2019)
https://doi.org/10.48550/arXiv.1904.08566

[13] เซียว หยวน, ซูกูรู เอนโด, ฉี จ้าว, หยิง ลี่ และไซมอน ซี เบนจามิน “ทฤษฎีการจำลองควอนตัมแปรผัน”. ควอนตัม 3, 191 (2019)
https://doi.org/10.22331/q-2019-10-07-191

[14] มาเรีย ชูลด์, อเล็กซ์ โบคารอฟ, คริสต้า เอ็ม สวอร์ และนาธาน วีเบ “ตัวแยกประเภทควอนตัมที่เน้นวงจรเป็นหลัก” การตรวจร่างกาย A 101, 032308 (2020)
https://doi.org/10.1103/PhysRevA.101.032308

[15] กิโยม แวร์ดอน, ไมเคิล โบรห์ตัน และจาค็อบ เบียมอนเต้ “อัลกอริธึมควอนตัมเพื่อฝึกโครงข่ายประสาทเทียมโดยใช้วงจรความลึกต่ำ” arXiv พิมพ์ล่วงหน้า arXiv:1712.05304 (2017)
https://doi.org/10.48550/arXiv.1712.05304

[16] โจนาธาน โรเมโร และอลัน อัสปูรู-กูซิก “เครื่องกำเนิดควอนตัมแบบแปรผัน: การเรียนรู้ของเครื่องควอนตัมแบบปฏิปักษ์เพื่อการแจกแจงอย่างต่อเนื่อง” เทคโนโลยีควอนตัมขั้นสูง 4, 2000003 (2021)
https://doi.org/10.1002/qute.202000003

[17] เอ็ดเวิร์ด ฟาร์ฮี และฮาร์ทมุท เนเวน “การจำแนกประเภทด้วยโครงข่ายประสาทควอนตัมบนตัวประมวลผลระยะใกล้” arXiv พิมพ์ล่วงหน้า arXiv:1802.06002 (2018)
https://doi.org/10.48550/arXiv.1802.06002

[18] Kerstin Beer, Dmytro Bondarenko, Terry Farrelly, Tobias J. Osborne, Robert Salzmann, Daniel Scheiermann และ Ramona Wolf “อบรมโครงข่ายประสาทควอนตัมเชิงลึก”. การสื่อสารธรรมชาติ 11, 808 (2020)
https://doi.org/10.1038/s41467-020-14454-2

[19] Iris Cong, Soonwon Choi และ Mikhail D. Lukin “โครงข่ายประสาทเทียมควอนตัม”. ฟิสิกส์ธรรมชาติ 15, 1273–1278 (2019)
https://doi.org/10.1038/s41567-019-0648-8

[20] เอ็ดเวิร์ด แกรนท์, มาร์เชลโล เบเนเดตติ, ชูเซียง เฉา, แอนดรูว์ ฮัลแลม, โจชัว ล็อคฮาร์ต, วิด สโตเยวิช, แอนดรูว์ จี กรีน และซิโมน เซเวรินี “ตัวแยกประเภทควอนตัมแบบลำดับชั้น” ข้อมูลควอนตัม npj 4, 1–8 (2018)
https://doi.org/10.1038/s41534-018-0116-9

[21] Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J Love, Alán Aspuru-Guzik และ Jeremy L O'brien “ตัวแก้ค่าลักษณะเฉพาะที่แปรผันบนตัวประมวลผลควอนตัมโทนิค” การสื่อสารธรรมชาติ 5, 1–7 (2014)
https://doi.org/10.1038/ncomms5213

[22] เบล่า บาวเออร์, เดฟ เวกเกอร์, แอนดรูว์ เจ มิลลิส, แมทธิว บี. เฮสติงส์ และแมทเธียส ทรอยเยอร์ “แนวทางควอนตัมคลาสสิกแบบไฮบริดกับวัสดุที่สัมพันธ์กัน” การตรวจร่างกาย X 6, 031045 (2016)
https://doi.org/10.1103/PhysRevX.6.031045

[23] ไทสัน โจนส์, ซูกุรุ เอนโด, แซม แม็คอาร์เดิล, เซียว หยวน และไซมอน ซี เบนจามิน “อัลกอริธึมควอนตัมแบบแปรผันสำหรับการค้นหาสเปกตรัมแฮมิลโทเนียน” การตรวจร่างกาย A 99, 062304 (2019)
https://doi.org/10.1103/PhysRevA.99.062304

[24] เอ็ดเวิร์ด ฟาร์ฮี, เจฟฟรีย์ โกลด์สโตน และแซม กัตมันน์ “อัลกอริธึมการหาค่าเหมาะที่สุดโดยประมาณควอนตัม” arXiv พิมพ์ล่วงหน้า arXiv:1411.4028 (2014)
https://doi.org/10.48550/arXiv.1411.4028

[25] Zhihui Wang, S. Hadfield, Z. Jiang และ EG Rieffel “อัลกอริธึมการปรับให้เหมาะสมโดยประมาณควอนตัมสำหรับ MaxCut: มุมมองเฟอร์มิโอนิก” การตรวจร่างกาย A 97, 022304 (2018)
https://doi.org/10.1103/PhysRevA.97.022304

[26] กาวิน อี. ครูกส์. “ประสิทธิภาพของอัลกอริธึมการหาค่าเหมาะที่สุดโดยประมาณควอนตัมต่อปัญหาการตัดสูงสุด” arXiv พิมพ์ล่วงหน้า arXiv:1811.08419 (2018)
https://doi.org/10.48550/arXiv.1811.08419

[27] Stuart Hadfield, Zhihui Wang, Bryan O'Gorman, Eleanor G Rieffel, Davide Venturelli และ Rupak Biswas “จากอัลกอริธึมการเพิ่มประสิทธิภาพเชิงควอนตัมไปจนถึงตัวดำเนินการสลับควอนตัม ansatz” อัลกอริทึม 12, 34 (2019)
https://doi.org/10.3390/a12020034

[28] คาร์ลอส บราโว-ปรีเอโต, ไรอัน ลาโรส, เอ็ม. เซเรโซ, ยี่กิต ซูบาซี, ลูคัสซ์ ซินซิโอ และแพทริค โคลส์ “ตัวแก้ปัญหาเชิงเส้นควอนตัมแบบแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:1909.05820 (2019)
https://doi.org/10.22331/q-2023-11-22-1188

[29] เซียวซี ซู, จินจ้าว ซุน, ซูกุรุ เอ็นโดะ, หยิง ลี่, ไซมอน ซี เบนจามิน และเซียว หยวน “อัลกอริธึมการเปลี่ยนแปลงของพีชคณิตเชิงเส้น” กระดานข่าววิทยาศาสตร์ 66, 2181–2188 (2021)
https://doi.org/10.1016/j.scib.2021.06.023

[30] บาลินท์ ค็อกซอร์, ซูกุรุ เอ็นโดะ, ไทสัน โจนส์, ยูอิจิโระ มัตสึซากิ และไซมอน ซี เบนจามิน “มาตรวิทยาควอนตัมสถานะแปรผัน” วารสารฟิสิกส์ใหม่ (2020)
https://doi.org/10.1088/1367-2630/ab965e

[31] โยฮันเนส ยาคอบ เมเยอร์, โยฮันเนส บอร์เรการ์ด และเจนส์ ไอเซิร์ต “กล่องเครื่องมือแบบแปรผันสำหรับการประมาณค่าหลายพารามิเตอร์ควอนตัม” ข้อมูลควอนตัม NPJ 7, 1–5 (2021)
https://doi.org/10.1038/s41534-021-00425-y

[32] เอริก อันชูตซ์, โจนาธาน โอลสัน, อลัน แอสปูรู-กูซิก และหยูตง เฉา “แฟคตอริ่งควอนตัมแบบแปรผัน” เทคโนโลยีควอนตัมและปัญหาการปรับให้เหมาะสม (2019)
https://doi.org/10.1007/978-3-030-14082-3_7

[33] Sumeet Khatri, Ryan LaRose, Alexander Poremba, Lukasz Cincio, Andrew T Sornborger และ Patrick J Coles “การรวบรวมควอนตัมด้วยควอนตัม” ควอนตัม 3, 140 (2019)
https://doi.org/10.22331/q-2019-05-13-140

[34] คูนัล ชาร์มา, สุมีต คาตรี, เอ็ม. เซเรโซ และแพทริค เจ โคลส์ “ความยืดหยุ่นทางเสียงของการรวบรวมควอนตัมแบบแปรผัน” วารสารฟิสิกส์ใหม่ 22, 043006 (2020)
https://doi.org/10.1088/1367-2630/ab784c

[35] ไทสัน โจนส์ และไซมอน ซี เบนจามิน “การรวบรวมควอนตัมและการเพิ่มประสิทธิภาพวงจรโดยการกระจายพลังงาน” arXiv พิมพ์ล่วงหน้า arXiv:1811.03147 (2018)
https://doi.org/10.22331/q-2022-01-24-628

[36] แอนดรูว์ อาร์ราสมิธ, ลูคัส ซินซิโอ, แอนดรูว์ ที ซอร์นบอร์เกอร์, วอจเซียค เอช ซูเร็ค และแพทริค เจ โคลส์ “ประวัติที่สอดคล้องกันที่หลากหลายในฐานะอัลกอริธึมไฮบริดสำหรับรากฐานควอนตัม” การสื่อสารธรรมชาติ 10, 1–7 (2019)
https://doi.org/10.1038/s41467-019-11417-0

[37] เอ็ม. เซเรโซ, คูนัล ชาร์มา, แอนดรูว์ อาร์ราสมิธ และแพทริค เจ โคลส์ “ไอเกนโซลเวอร์สถานะควอนตัมแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:2004.01372 (2020)
https://doi.org/10.1038/s41534-022-00611-6

[38] ไรอัน ลาโรส, อาร์คิน ทิคคู, เอทูด โอนีล-จูดี้, ลูคัส ซินซิโอ และแพทริค เจ โคลส์ “เส้นทแยงมุมสถานะควอนตัมแปรผัน” ข้อมูลควอนตัม npj 5, 1–10 (2019)
https://doi.org/10.1038/s41534-019-0167-6

[39] กิโยม แวร์ดอน, เจค็อบ มาร์กส์, ซาชา นันดา, สเตฟาน ไลเชเนาเออร์ และแจ็ค ฮิดารี “แบบจำลองที่ใช้ควอนตัมแฮมิลตันและอัลกอริธึมความร้อนควอนตัมแบบแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:1910.02071 (2019)
https://doi.org/10.48550/arXiv.1910.02071

[40] ปีเตอร์ ดี จอห์นสัน, โจนาธาน โรเมโร, โจนาธาน โอลสัน, หยูตง เฉา และอลัน อัสปูรู-กูซิก “Qvector: อัลกอริธึมสำหรับการแก้ไขข้อผิดพลาดควอนตัมที่ปรับแต่งตามอุปกรณ์” arXiv พิมพ์ล่วงหน้า arXiv:1711.02249 (2017)
https://doi.org/10.48550/arXiv.1711.02249

[41] จอห์น เพรสคิล. “การคำนวณควอนตัมในยุค NISQ และอนาคต” ควอนตัม 2, 79 (2018)
https://doi.org/10.22331/q-2018-08-06-79

[42] Kristan Temme, Sergey Bravyi และ Jay M. Gambetta “การลดข้อผิดพลาดสำหรับวงจรควอนตัมเชิงลึก” ฟิสิกส์. รายได้เลตต์ 119, 180509 (2017).
https://doi.org/10.1103/PhysRevLett.119.180509

[43] ซูกุรุ เอ็นโดะ, ไซมอน ซี เบนจามิน และหยิง ลี่ “การลดข้อผิดพลาดเชิงควอนตัมเชิงปฏิบัติสำหรับการใช้งานในอนาคตอันใกล้” การตรวจร่างกาย X 8, 031027 (2018)
https://doi.org/10.1103/PhysRevX.8.031027

[44] Abhinav Kandala, Kristan Temme, Antonio D. Córcoles, Antonio Mezzacapo, Jerry M. Chow และ Jay M. Gambetta “การบรรเทาข้อผิดพลาดขยายขอบเขตการประมวลผลของตัวประมวลผลควอนตัมที่มีเสียงดัง” ธรรมชาติ 567, 491-495 (2019).
https://doi.org/10.1038/s41586-019-1040-7

[45] พิโอเตอร์ ซาร์นิค, แอนดรูว์ อาร์ราสมิธ, แพทริค เจ. โคลส์ และลูคัส ซินซิโอ “การลดข้อผิดพลาดด้วยข้อมูลวงจรควอนตัมของคลิฟฟอร์ด” ควอนตัม 5, 592 (2021)
https://doi.org/10.22331/q-2021-11-26-592

[46] วิลเลียม เจ ฮักกินส์, แซม แม็คอาร์เดิล, โธมัส อี โอ'ไบรอัน, จุนโฮ ลี, นิโคลัส ซี รูบิน, เซอร์จิโอ โบอิโซ, เค เบอร์กิตต้า เวลีย์, ไรอัน แบบบุช และจาร์รอด อาร์ แม็คคลีน “การกลั่นเสมือนจริงเพื่อลดข้อผิดพลาดทางควอนตัม” การตรวจร่างกาย X 11, 041036 (2021)
https://doi.org/10.1103/PhysRevX.11.041036

[47] บาลินท์ ค็อกเซอร์. “การปราบปรามข้อผิดพลาดเอ็กซ์โปเนนเชียลสำหรับอุปกรณ์ควอนตัมระยะสั้น” การตรวจร่างกาย X 11, 031057 (2021)
https://doi.org/10.1103/PhysRevX.11.031057

[48] Jarrod R McClean, Mollie E Kimchi-Schwartz, Jonathan Carter และ Wibe A De Jong “ลำดับชั้นควอนตัมคลาสสิกแบบไฮบริดเพื่อลดการถอดรหัสและการกำหนดสถานะที่ตื่นเต้น” การทบทวนทางกายภาพ A 95, 042308 (2017)
https://doi.org/10.1103/PhysRevA.95.042308

[49] โธมัส อี. โอไบรอัน, สเตฟาโน พอลลา, นิโคลัส ซี. รูบิน, วิลเลียม เจ. ฮักกินส์, แซม แม็คอาร์เดิล, เซอร์จิโอ โบอิโซ, จาร์รอด อาร์. แม็คคลีน และไรอัน แบบบุช “การลดข้อผิดพลาดด้วยการประมาณค่าเฟสที่ตรวจสอบแล้ว” PRX ควอนตัม 2, 020317 (2021)
https://doi.org/10.1103/PRXQuantum.2.020317

[50] Sam McArdle, Xiao Yuan และ Simon Benjamin “การจำลองควอนตัมดิจิทัลที่ลดข้อผิดพลาด” ฟิสิกส์. รายได้เลตต์ 122, 180501 (2019).
https://doi.org/10.1103/PhysRevLett.122.180501

[51] ชาบี โบเนต์-มอนโรจ, รามิโร ซากัสติซาบัล, เอ็ม ซิงห์ และทีอี โอไบรอัน “การลดข้อผิดพลาดด้วยต้นทุนต่ำด้วยการตรวจสอบความสมมาตร” การตรวจร่างกาย A 98, 062339 (2018)
https://doi.org/10.1103/PhysRevA.98.062339

[52] วิลเลียม เจ. ฮักกินส์, จาร์ร็อด อาร์. แมคคลีน, นิโคลัส ซี. รูบิน, จาง เจียง, นาธาน วีบ, เค เบอร์กิตตา วาฬ และไรอัน แบบบัช “การวัดค่าความยืดหยุ่นที่มีประสิทธิภาพและเสียงรบกวนสำหรับเคมีควอนตัมในคอมพิวเตอร์ควอนตัมระยะใกล้” npj ข้อมูลควอนตัม 7, 1–9 (2021)
https://doi.org/10.1038/s41534-020-00341-7

[53] จอร์จ เอส. บาร์รอน และคริสโตเฟอร์ เจ วูด “การลดข้อผิดพลาดในการวัดสำหรับอัลกอริธึมควอนตัมแบบแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:2010.08520 (2020)
https://doi.org/10.48550/arXiv.2010.08520

[54] Alistair WR Smith, Kiran E. Khosla, Chris N. Self และ MS Kim “การลดข้อผิดพลาดในการอ่านข้อมูล Qubit ด้วยค่าเฉลี่ยบิตฟลิป” ความก้าวหน้าทางวิทยาศาสตร์ 7 (2021)
https://doi.org/10.1126/sciadv.abi8009

[55] Daiqin Su, Robert Israel, Kunal Sharma, Haoyu Qi, Ish Dhand และ Kamil Brádler “การลดข้อผิดพลาดในอุปกรณ์โฟโตนิกควอนตัมระยะสั้น” ควอนตัม 5, 452 (2021)
https://doi.org/10.22331/q-2021-05-04-452

[56] แซมซั่น วัง, เอ็นริโก ฟอนทานา, เอ็ม เซเรโซ, คูนาล ชาร์มา, อากิรา โซเน, ลูคัส ซินซิโอ และแพทริก เจ โคลส์ “ที่ราบสูงแห้งแล้งที่เกิดจากสัญญาณรบกวนในอัลกอริธึมควอนตัมแปรผัน” การสื่อสารธรรมชาติ 12, 1–11 (2021)
https://doi.org/10.1038/s41467-021-27045-6

[57] Daniel Stilck França และ Raul Garcia-ผู้อุปถัมภ์ “ข้อจำกัดของอัลกอริธึมการปรับให้เหมาะสมบนอุปกรณ์ควอนตัมที่มีเสียงดัง” ฟิสิกส์ธรรมชาติ 17, 1221–1227 (2021)
https://doi.org/10.1038/s41567-021-01356-3

[58] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush และ Hartmut Neven “ที่ราบสูงแห้งแล้งในภูมิทัศน์การฝึกอบรมโครงข่ายประสาทควอนตัม” การสื่อสารธรรมชาติ 9, 1–6 (2018)
https://doi.org/10.1038/s41467-018-07090-4

[59] M. Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio และ Patrick J Coles “ฟังก์ชันต้นทุนขึ้นกับที่ราบสูงแห้งแล้งในวงจรควอนตัมแบบพาราเมตริกแบบตื้น” การสื่อสารธรรมชาติ 12, 1–12 (2021)
https://doi.org/10.1038/s41467-021-21728-w

[60] Andrew Arrasmith, M. Cerezo, Piotr Czarnik, Lukasz Cincio และ Patrick J Coles “ผลกระทบของที่ราบสูงแห้งแล้งต่อการเพิ่มประสิทธิภาพโดยไม่ไล่ระดับสี” ควอนตัม 5, 558 (2021)
https://doi.org/10.22331/q-2021-10-05-558

[61] เอ็ม. เซเรโซ และแพทริค เจ โคลส์ “อนุพันธ์ระดับสูงของเครือข่ายประสาทควอนตัมที่มีที่ราบสูงแห้งแล้ง” วิทยาศาสตร์และเทคโนโลยีควอนตัม 6, 035006 (2021)
https://doi.org/10.10882058-9565/abf51a

[62] เคนทาโร่ เฮยะ, ยาสุนาริ ซูซูกิ, ยาสุโนบุ นากามูระ และ เคสุเกะ ฟูจิอิ “การเพิ่มประสิทธิภาพประตูควอนตัมแบบแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:1810.12745 (2018)
https://doi.org/10.48550/arXiv.1810.12745

[63] โจนาธาน โรเมโร, โจนาธาน พี โอลสัน และอลัน อัสปูรู-กูซิก “ตัวเข้ารหัสควอนตัมอัตโนมัติสำหรับการบีบอัดข้อมูลควอนตัมอย่างมีประสิทธิภาพ” วิทยาศาสตร์และเทคโนโลยีควอนตัม 2, 045001 (2017).
https://doi.org/10.1088/2058-9565/aa8072

[64] เลนนาร์ท บิตเทล และมาร์ติน คลิช “การฝึกอบรมอัลกอริธึมควอนตัมแบบแปรผันนั้นยาก np” ฟิสิกส์ สาธุคุณเลตต์. 127, 120502 (2021)
https://doi.org/10.1103/PhysRevLett.127.120502

[65] โจนัส เอ็ม คูเบลอร์, แอนดรูว์ อาร์ราสมิธ, ลูคัส ซินซิโอ และแพทริค เจ โคลส์ “เครื่องมือเพิ่มประสิทธิภาพแบบปรับตัวสำหรับอัลกอริธึมการเปลี่ยนแปลงที่ประหยัดในการวัด” ควอนตัม 4, 263 (2020)
https://doi.org/10.22331/q-2020-05-11-263

[66] แอนดรูว์ อาร์ราสมิธ, ลูคัส ซินซิโอ, โรลันโด้ ดี ซอมมา และแพทริค เจ โคลส์ “การสุ่มตัวอย่างของผู้ปฏิบัติงานเพื่อการเพิ่มประสิทธิภาพช็อตประหยัดในอัลกอริธึมรูปแบบต่างๆ” arXiv พิมพ์ล่วงหน้า arXiv:2004.06252 (2020)
https://doi.org/10.48550/arXiv.2004.06252

[67] แอนดี้ กู, แองกัส โลว์, พาเวล เอ ดั๊บ, แพทริค เจ. โคลส์ และแอนดรูว์ อาร์ราสมิธ “การจัดสรรช็อตแบบปรับได้เพื่อการบรรจบกันอย่างรวดเร็วในอัลกอริธึมควอนตัมแบบแปรผัน” arXiv พิมพ์ล่วงหน้า arXiv:2108.10434 (2021)
https://doi.org/10.48550/arXiv.2108.10434

[68] Zoë Holmes, Kunal Sharma, M. Cerezo และ Patrick J Coles “การเชื่อมต่อความสามารถในการแสดงออกของ ansatz กับขนาดการไล่ระดับสีและที่ราบสูงแห้งแล้ง” PRX ควอนตัม 3, 010313 (2022)
https://doi.org/10.1103/PRXQuantum.3.010313

[69] โซอี้ โฮล์มส์, แอนดรูว์ อาร์ราสมิธ, บิน ยาน, แพทริค เจ. โคลส์, แอนเดรียส อัลเบรชท์ และแอนดรูว์ ที ซอร์นบอร์เกอร์ “ที่ราบแห้งแล้งกีดขวางการเรียนรู้แย่งชิง” จดหมายทบทวนทางกายภาพ 126, 190501 (2021)
https://doi.org/10.1103/PhysRevLett.126.190501

[70] Carlos Ortiz Marrero, Mária Kieferová และ Nathan Wiebe “ที่ราบสูงแห้งแล้งที่ชักนำให้พัวพัน” PRX ควอนตัม 2, 040316 (2021)
https://doi.org/10.1103/PRXQuantum.2.040316

[71] เทย์เลอร์ แอล แพตตี, คาดิเจห์ นาจาฟี, ซุน เกา และซูซาน เอฟ เยลิน “พัวพันวางแผนการบรรเทาที่ราบสูงที่แห้งแล้ง” การวิจัยทบทวนทางกายภาพ 3, 033090 (2021)
https://doi.org/10.1103/PhysRevResearch.3.033090

[72] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles และ M. Cerezo “การวินิจฉัยที่ราบสูงแห้งแล้งด้วยเครื่องมือจากการควบคุมควอนตัมที่เหมาะสมที่สุด” arXiv พิมพ์ล่วงหน้า arXiv:2105.14377 (2021)
https://doi.org/10.48550/arXiv.2105.14377

[73] โคสุเกะ มิทาราอิ, มาโคโตะ เนโกโระ, มาซาฮิโระ คิตากาวะ และเคสุเกะ ฟูจิอิ “การเรียนรู้วงจรควอนตัม”. การตรวจร่างกาย ก 98, 032309 (2018).
https://doi.org/10.1103/PhysRevA.98.032309

[74] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac และ Nathan Killoran “การประเมินการไล่ระดับสีเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม” การทบทวนทางกายภาพ A 99, 032331 (2019)
https://doi.org/10.1103/PhysRevA.99.032331

[75] จอห์น เอ เนลเดอร์ และโรเจอร์ มี้ด “วิธี Simplex เพื่อลดฟังก์ชัน” วารสารคอมพิวเตอร์ 7, 308–313 (1965)
https://doi.org/10.1093/comjnl/7.4.308

[76] เอ็มเจดี พาวเวลล์. “วิธีการเพิ่มประสิทธิภาพการค้นหาโดยตรงที่สร้างแบบจำลองฟังก์ชันวัตถุประสงค์และข้อจำกัดโดยการประมาณค่าเชิงเส้น” ความก้าวหน้าในการเพิ่มประสิทธิภาพและการวิเคราะห์เชิงตัวเลข (1994)
https://doi.org/10.1007/978-94-015-8330-5_4

[77] อี. กัมโปส, ดี. ราบิโนวิช, วี. อัคเชย์ และเจ. เบียมอนเต “การฝึกความอิ่มตัวในการเพิ่มประสิทธิภาพโดยประมาณควอนตัมแบบเลเยอร์” การตรวจร่างกาย A 104 (2021)
https://doi.org/10.1103/PhysRevA.104.L030401

[78] Cheng Xue, Zhao-Yun Chen, Yu-Chun Wu และ Guo-Ping Guo “ผลกระทบของสัญญาณรบกวนควอนตัมต่ออัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม” จดหมายฟิสิกส์จีน 38, 030302 (2021)
https://doi.org/10.1088/0256-307X/38/3/030302

[79] เจฟฟรีย์ มาร์แชล, ฟิลิป วูดาร์สกี้, สจวร์ต แฮดฟิลด์ และแทด ฮ็อกก์ “การกำหนดลักษณะเสียงท้องถิ่นในวงจร qaoa” IOP SciNotes 1, 025208 (2020) URL: https:///doi.org/10.1088/2633-1357/abb0d7.
https://doi.org/10.1088/2633-1357/abb0d7

[80] เอนริโก ฟอนทาน่า, เอ็ม. เซเรโซ, แอนดรูว์ อาร์ราสมิธ, อิวาน รังเกอร์ และแพทริค เจ. โคลส์ “ความสมมาตรที่ไม่สำคัญในภูมิทัศน์ควอนตัมและความยืดหยุ่นต่อสัญญาณรบกวนควอนตัม” ควอนตัม 6, 804 (2022)
https://doi.org/10.22331/q-2022-09-15-804

[81] Suguru Endo, Zhenyu Cai, Simon C. Benjamin และ Xiao Yuan “อัลกอริธึมควอนตัมคลาสสิกแบบไฮบริดและการลดข้อผิดพลาดควอนตัม” วารสารสมาคมกายภาพแห่งประเทศญี่ปุ่น 90, 032001 (2021).
https://doi.org/10.7566/JPSJ.90.032001

[82] แองกัส โลว์, แม็กซ์ ฮันเตอร์ กอร์ดอน, พิโอเตอร์ ซาร์นิค, แอนดรูว์ อาร์ราสมิธ, แพทริค เจ. โคลส์ และลูคัส ซินซิโอ “แนวทางแบบครบวงจรเพื่อการลดข้อผิดพลาดควอนตัมที่ขับเคลื่อนด้วยข้อมูล” ฟิสิกส์ รายได้การวิจัย 3, 033098 (2021)
https://doi.org/10.1103/PhysRevResearch.3.033098

[83] อันเดรีย มารี, นาธาน ชัมมาห์ และวิลเลียม เจ เซง “การขยายการยกเลิกข้อผิดพลาดความน่าจะเป็นควอนตัมโดยการปรับสเกลสัญญาณรบกวน” การตรวจร่างกาย A 104, 052607 (2021)
https://doi.org/10.1103/PhysRevA.104.052607

[84] แดเนียล บุลตรินี, แม็กซ์ ฮันเตอร์ กอร์ดอน, พิโอเตอร์ ซาร์นิค, แอนดรูว์ อาร์ราสมิธ, เอ็ม. เซเรโซ, แพทริค เจ. โคลส์ และลูคัส ซินซิโอ “การรวมและเปรียบเทียบเทคนิคการลดข้อผิดพลาดควอนตัมที่ล้ำสมัย” ควอนตัม 7, 1034 (2023)
https://doi.org/10.22331/q-2023-06-06-1034

[85] แอชลีย์ มอนตานาโร และสตาสย่า สตานิซิช “การลดข้อผิดพลาดโดยการฝึกด้วยเลนส์เฟอร์มิโอนิกเชิงเส้น” arXiv พิมพ์ล่วงหน้า arXiv:2102.02120 (2021)
https://doi.org/10.48550/arXiv.2102.02120

[86] โจเซฟ วอฟรอช, คิราน อี โคสลา, ฌอน กรีนอเวย์, คริสโตเฟอร์ เซลฟ์, มยองซิก เอส คิม และโยฮันเนส โนลเล “การลดข้อผิดพลาดดีโพลาไรซ์ทั่วโลกอย่างง่ายดายในการจำลองควอนตัม” การตรวจร่างกาย E 104, 035309 (2021)
https://doi.org/10.1103/PhysRevE.104.035309

[87] เอเลียต โรเซนเบิร์ก, พอล กินสปาร์ก และปีเตอร์ แอล. แมคมาฮอน “การลดข้อผิดพลาดจากการทดลองโดยใช้การปรับสเกลเชิงเส้นสำหรับการแก้ปัญหาไอเกนควอนตัมแบบแปรผันที่มีสูงถึง 20 คิวบิต” วิทยาศาสตร์และเทคโนโลยีควอนตัม 7, 015024 (2022)
https://doi.org/10.1088/2058-9565/ac3b37

[88] อังเดร เฮ, เบนจามิน แนชแมน, วิบ์ เอ. เดอ ยอง และคริสเตียน ดับเบิลยู. บาวเออร์ “การคาดการณ์แบบไร้สัญญาณรบกวนสำหรับการลดข้อผิดพลาดควอนตัมเกตด้วยการแทรกข้อมูลระบุตัวตน” การตรวจร่างกาย A 102, 012426 (2020)
https://doi.org/10.1103/PhysRevA.102.012426

[89] แอนดรูว์ ชอว์. “การลดเสียงรบกวนควอนตัมคลาสสิกสำหรับฮาร์ดแวร์ nisq” arXiv พิมพ์ล่วงหน้า arXiv:2105.08701 (2021)
https://doi.org/10.48550/arXiv.2105.08701

[90] แฟรงก์ อารุต, คูนัล อารยา, ไรอัน แบบบุช, เดฟ เบคอน, โจเซฟ ซี บาร์ดิน, รามี บาเรนด์ส, อันเดรียส เบงต์สัน, เซอร์จิโอ โบอิโซ, ไมเคิล โบรห์ตัน, บ็อบ บี บัคลีย์ และคณะ “การสังเกตไดนามิกของประจุและการหมุนที่แยกจากกันในแบบจำลองเฟอร์มี-ฮับบาร์ด” arXiv พิมพ์ล่วงหน้า arXiv:2010.07965 (2020)
https://doi.org/10.48550/arXiv.2010.07965

[91] อาร์มานด์ สไตรกิส, ต้าเยว่ ฉิน, เหยียนจู้ เฉิน, ไซมอน ซี เบนจามิน และ หยิง ลี่ “การลดข้อผิดพลาดควอนตัมบนพื้นฐานการเรียนรู้” PRX ควอนตัม 2, 040330 (2021)
https://doi.org/10.1103/PRXQuantum.2.040330

[92] พิโอเตอร์ ซาร์นิค, แอนดรูว์ อาร์ราสมิธ, ลูคัส ซินซิโอ และแพทริค เจ โคลส์ “การปราบปรามข้อผิดพลาดแบบเอ็กซ์โพเนนเชียลที่มีประสิทธิภาพ Qubit” arXiv พิมพ์ล่วงหน้า arXiv:2102.06056 (2021)
https://doi.org/10.48550/arXiv.2102.06056

[93] อี้เฟิง สยง, ดาริวส์ จันทรา, ซุน ซิน อึ้ง และลาโจส ฮันโซ “การวิเคราะห์ค่าใช้จ่ายในการสุ่มตัวอย่างการลดข้อผิดพลาดควอนตัม: ระบบที่ไม่ได้เข้ารหัสกับระบบที่เข้ารหัส” IEEE เข้าถึง 8, 228967–228991 (2020)
https://doi.org/10.1109/ACCESS.2020.3045016

[94] ริวจิ ทาคางิ. “ต้นทุนทรัพยากรที่เหมาะสมที่สุดสำหรับการลดข้อผิดพลาด” ฟิสิกส์ รายได้ Res. 3, 033178 (2021)
https://doi.org/10.1103/PhysRevResearch.3.033178

[95] Lukasz Cincio, Kenneth Rudinger, Mohan Sarovar และ Patrick J. Coles “การเรียนรู้ด้วยเครื่องของวงจรควอนตัมที่ทนต่อสัญญาณรบกวน” PRX ควอนตัม 2, 010324 (2021)
https://doi.org/10.1103/PRXQuantum.2.010324

[96] พี. เออร์โดส และเอ เรนยี. “บนกราฟสุ่ม $I$” สิ่งตีพิมพ์ Mathematicae Debrecen 6, 18 (1959). URL: http:///snap.stanford.edu/class/cs224w-readings/erdos59random.pdf
http://snap.stanford.edu/class/cs224w-readings/erdos59random.pdf

[97] แอนดรูว์ แว็ก, ฮานฮี ไพค์, อาลี จาวาดี-อับฮารี, เปตาร์ เจอร์เซวิช, อิสมาเอล ฟาโร, เจย์ เอ็ม. แกมเบตตา และเบลค อาร์. จอห์นสัน “คุณภาพ ความเร็ว และขนาด: คุณลักษณะสำคัญสามประการในการวัดประสิทธิภาพของคอมพิวเตอร์ควอนตัมระยะสั้น” arXiv พิมพ์ล่วงหน้า arXiv:2110.14108 (2021)
https://doi.org/10.48550/arXiv.2110.14108

[98] ทิวดอร์ จูร์จิกา-ทิรอน, ยูเซฟ ฮินดี, ไรอัน ลาโรส, อันเดรีย มารี และวิลเลียม เจ เซง “การประมาณค่าสัญญาณรบกวนเป็นศูนย์แบบดิจิทัลสำหรับการลดข้อผิดพลาดทางควอนตัม” การประชุมนานาชาติ IEEE ประจำปี 2020 เรื่องคอมพิวเตอร์ควอนตัมและวิศวกรรม (QCE) (2020)
https://doi.org/10.1109/QCE49297.2020.00045

[99] ยองซอก คิม, คริสโตเฟอร์ เจ. วูด, ธีโอดอร์ เจ. โยเดอร์, เซธ ที. แมร์เคิล, เจย์ เอ็ม. แกมเบตตา, คริสแทน เทมเม และ อภินาฟ กันดาลา “การลดข้อผิดพลาดที่ปรับขนาดได้สำหรับวงจรควอนตัมที่มีเสียงดังทำให้เกิดค่าความคาดหวังที่แข่งขันได้” arXiv พิมพ์ล่วงหน้า arXiv:2108.09197 (2021)
https://doi.org/10.1038/s41567-022-01914-3

[100] คริสตินา เซอร์สตอย, ซิลาส ดิลเคส, แดเนียล มิลส์, เซยอน ซิวาราจาห์ และรอสส์ ดันแคน “การเปรียบเทียบเชิงปริมาตรของการบรรเทาข้อผิดพลาดด้วย Qermit” arXiv พิมพ์ล่วงหน้า arXiv:2204.09725 (2022)
https://doi.org/10.48550/ARXIV.2204.09725

[101] ริวจิ ทาคางิ, ซูงุรุ เอนโด, ชินทาโร่ มินากาวะ และ ไมล์ กู “ขีดจำกัดพื้นฐานของการลดข้อผิดพลาดควอนตัม” npj ข้อมูลควอนตัม 8, 114 (2022)
https://doi.org/10.1038/s41534-022-00618-z

[102] อัฟราม ซิดี. “วิธีการอนุมานเชิงปฏิบัติ: ทฤษฎีและการประยุกต์” เล่มที่ 10 สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์ (2003)

[103] มาซาโนริ โอยะ และ เดเนส เพตซ์ “เอนโทรปีควอนตัมและการนำไปใช้” สื่อวิทยาศาสตร์และธุรกิจสปริงเกอร์ (2004)

[104] คริสตอฟ เฮิร์ช, แคมบีส์ รูเซ และแดเนียล สติลค์ ฟรานซา “เรื่องสัมประสิทธิ์การหดตัว ลำดับบางส่วน และการประมาณความจุของช่องควอนตัม” ควอนตัม 6, 862 (2022)
https://doi.org/10.22331/q-2022-11-28-862

[105] เจฟฟรีย์ ซี. ลากาเรียส, เจมส์ เอ. รีดส์, มาร์กาเร็ต เอช. ไรท์ และพอล อี. ไรท์ “สมบัติการลู่เข้าของวิธีเนลเดอร์-มี้ดซิมเพล็กซ์ในมิติต่ำ” วารสารสยามเรื่องการเพิ่มประสิทธิภาพ 9, 112–147 (1998)
https://doi.org/10.1137/S1052623496303470

[106] อภิจิธ เจ., อเดโตคุนโบ อเดดอยอิน, จอห์น แอมโบรเซียโน่, ปีเตอร์ อานิซิมอฟ, วิลเลียม แคสเปอร์, โกปินาธ เชนนุปาติ, คาร์ลตัน คอฟฟริน, ฮริสโต ยิดเยฟ, เดวิด กุนเตอร์, ซาติช คาร์รา, นาธาน เลมอนส์, ชิเซง ลิน, อเล็กซานเดอร์ มาลิเชนคอฟ, เดวิด มาสกาเรนาส, ซูซาน มนิสซิวสกี้, บาลู นาดิกา, แดเนียล โอมอลลีย์, ไดแอน โอเยน, สก็อตต์ พาคิน, ลัคช์มาน ปราซัด, แรนดี้ โรเบิร์ตส์, ฟิลลิป โรเมโร, นันดาคิชอร์ สันติ, นิโคไล ซินิทซิน, ปีเตอร์ เจ. สวอร์ต, เจมส์ จี. เวนเดลเบอร์เกอร์, โบรัม ยุน, ริชาร์ด ซาโมรา, เว่ย จู, สเตฟาน ไอเดนเบนซ์, อันเดรียส แบร์ตชิ, แพทริค เจ. โคลส์, มาร์ค วัฟเฟรย์ และอันเดรย์ วาย. โลคอฟ “การใช้อัลกอริทึมควอนตัมสำหรับผู้เริ่มต้น” ธุรกรรม ACM ในคอมพิวเตอร์ควอนตัม (2022)
https://doi.org/10.1145/3517340

[107] บาลินท์ ค็อกเซอร์. “เวกเตอร์ลักษณะเฉพาะที่โดดเด่นของสถานะควอนตัมที่มีเสียงดัง” วารสารฟิสิกส์ใหม่ 23, 123047 (2021)
https://doi.org/10.1088/1367-2630/ac37ae

อ้างโดย

[1] Zhenyu Cai, Ryan Babbush, Simon C. Benjamin, Suguru Endo, William J. Huggins, Ying Li, Jarrod R. McClean และ Thomas E. O'Brien, “การลดข้อผิดพลาดควอนตัม”, รีวิวฟิสิกส์สมัยใหม่ 95 4, 045005 (2023).

[2] Ryuji Takagi, Hiroyasu Tajima และ Mile Gu, “ขอบเขตล่างของการสุ่มตัวอย่างสากลสำหรับการลดข้อผิดพลาดควอนตัม”, จดหมายทบทวนทางกายภาพ 131 21, 210602 (2023).

[3] Louis Schatzki, Andrew Arrasmith, Patrick J. Coles และ M. Cerezo, “Entangled Datasets for Quantum Machine Learning”, arXiv: 2109.03400, (2021).

[4] Ryuji Takagi, Suguru Endo, Shintaro Minagawa และ Mile Gu, “ขีดจำกัดพื้นฐานของการลดข้อผิดพลาดควอนตัม”, npj ข้อมูลควอนตัม 8, 114 (2022).

[5] Martin Larocca, Nathan Ju, Diego García-Martín, Patrick J. Coles และ M. Cerezo, “ทฤษฎี overparametrization ในเครือข่ายควอนตัมประสาท”, arXiv: 2109.11676, (2021).

[6] Valentin Heyraud, Zejian Li, Kaelan Donatella, Alexandre Le Boité และ Cristiano Ciuti, “การประมาณค่าอย่างมีประสิทธิภาพของความสามารถในการฝึกอบรมสำหรับวงจรควอนตัมแบบแปรผัน”, PRX ควอนตัม 4 4, 040335 (2023).

[7] Patrick J. Coles, Collin Szczepanski, Denis Melanson, Kaelan Donatella, Antonio J. Martinez และ Faris Sbahi, “Thermodynamic AI and the fluctuation frontier”, arXiv: 2302.06584, (2023).

[8] Yihui Quek, Daniel Stilck França, Sumeet Khatri, Johannes Jakob Meyer และ Jens Eisert “ขอบเขตที่เข้มงวดมากขึ้นแบบทวีคูณในข้อจำกัดของการลดข้อผิดพลาดทางควอนตัม” arXiv: 2210.11505, (2022).

[9] Kento Tsubouchi, Takahiro Sagawa และ Nobuyuki Yoshioka, “ขอบเขตต้นทุนสากลของการลดข้อผิดพลาดควอนตัมตามทฤษฎีการประมาณค่าควอนตัม”, จดหมายทบทวนทางกายภาพ 131 21, 210601 (2023).

[10] R. Au-Yeung, B. Camino, O. Rathore และ V. Kendon, “อัลกอริทึมควอนตัมสำหรับการใช้งานทางวิทยาศาสตร์”, arXiv: 2312.14904, (2023).

[11] Yasunari Suzuki, Suguru Endo, Keisuke Fujii และ Yuuki Tokunaga "การลดข้อผิดพลาดควอนตัมเป็นเทคนิคการลดข้อผิดพลาดสากล: แอปพลิเคชันจาก NISQ ถึง FTQC", arXiv: 2010.03887, (2020).

[12] Gokul Subramanian Ravi, Pranav Gokhale, Yi Ding, William M. Kirby, Kaitlin N. Smith, Jonathan M. Baker, Peter J. Love, Henry Hoffmann, Kenneth R. Brown และ Frederic T. Chong “CAFQA: บูตสแตรปการจำลองแบบคลาสสิกสำหรับอัลกอริธึมควอนตัมแบบแปรผัน” arXiv: 2202.12924, (2022).

[13] He-Liang Huang, Xiao-Yue Xu, Chu Guo, Guojing Tian, Shi-Jie Wei, Xiaoming Sun, Wan-Su Bao และ Gui-Lu Long, “เทคนิคการคำนวณควอนตัมระยะใกล้: อัลกอริธึมควอนตัมแปรผัน การลดข้อผิดพลาด การรวบรวมวงจร การเปรียบเทียบ และการจำลองแบบดั้งเดิม” วิทยาศาสตร์ ประเทศจีน ฟิสิกส์ กลศาสตร์ และดาราศาสตร์ 66 5 250302 (2023).

[14] Yasunari Suzuki, Suguru Endo, Keisuke Fujii และ Yuuki Tokunaga, “การลดข้อผิดพลาดควอนตัมเป็นเทคนิคการลดข้อผิดพลาดสากล: แอปพลิเคชันจาก NISQ ไปจนถึงยุคคอมพิวเตอร์ควอนตัมที่ทนต่อข้อผิดพลาด”, PRX ควอนตัม 3 1, 010345 (2022).

[15] Supanut Thanasilp, Samson Wang, M. Cerezo, and Zoë Holmes, “Exponential Concentration and Untrainability in quantum kernel method”, arXiv: 2208.11060, (2022).

[16] Abhinav Deshpande, Pradeep Niroula, Oles Shtanko, Alexey V. Gorshkov, Bill Fefferman และ Michael J. Gullans, “ขอบเขตที่แน่นหนาในการบรรจบกันของวงจรสุ่มที่มีเสียงดังไปสู่การกระจายแบบสม่ำเสมอ”, PRX ควอนตัม 3 4, 040329 (2022).

[17] Giacomo De Palma, Milad Marvian, Cambyse Rouzé และ Daniel Stilck França, “ข้อจำกัดของอัลกอริทึมควอนตัมแปรผัน: วิธีการขนส่งควอนตัมที่เหมาะสมที่สุด”, PRX ควอนตัม 4 1, 010309 (2023).

(18) อินโก ทิวส์, โซห์เรห์ ดาวูดี้, อันเดรียส เอ็คสตรอม, เจสัน ดี. โฮลท์, เควิน เบ็คเกอร์, ราอูล บริเซ่โน, เดวิด เจ. ดีน, วิลเลียม เดทโมลด์, คริสเตียน ดริชเลอร์, โธมัส ดูเกต์, เยฟเกนี่ เอเปลบอม, แอสช็อต กัสปาร์ยาน, จัมบุล เกเกเลีย, เจเรมี อาร์. กรีน , ฮารัลด์ ดับเบิลยู. กรีส์แฮมเมอร์, แอนดรูว์ ดี. ฮานลอน, แมทเธียส ไฮนซ์, ไฮโก้ เฮอร์เกิร์ต, มาร์ติน โฮเฟริชเตอร์, มาร์ค อิลลา, เดวิด เคเกเจียน, อเลฮานโดร เคียฟสกี้, เซบาสเตียน โคนิก, แฮร์มันน์ เครบส์, คริสติน่า ดี. เลานีย์, ดีน ลี, ปีเตอร์ นาฟราติล, เอมี่ นิโคลสัน, อัสสัมปต้า Parreño, Daniel R. Phillips, Marek Płoszajczak, Xiu-Lei Ren, โธมัส อาร์. ริชาร์ดสัน, Caroline Robin, Grigor H. Sargsyan, Martin J. Savage, Matthias R. Schindler, Phiala E. Shanahan, Roxanne P. Springer, Alexander Tichai , Ubirajara van Kolck, Michael L. Wagman, André Walker-Loud, Chieh-Jen Yang และ Xilin Zhang, “พลังนิวเคลียร์เพื่อฟิสิกส์นิวเคลียร์ที่แม่นยำ: ชุดของมุมมอง”, ระบบไม่กี่ตัว 63 4, 67 (2022).

[19] C. Huerta Alderete, Max Hunter Gordon, Frédéric Sauvage, Akira Sone, Andrew T. Sornborger, Patrick J. Coles และ M. Cerezo, “การตรวจจับควอนตัมตามการอนุมาน”, จดหมายทบทวนทางกายภาพ 129 19, 190501 (2022).

[20] Frédéric Sauvage, Martín Larocca, Patrick J. Coles และ M. Cerezo, “การสร้างสมมาตรเชิงพื้นที่ให้เป็นวงจรควอนตัมที่กำหนดพารามิเตอร์เพื่อการฝึกอบรมที่เร็วขึ้น”, วิทยาศาสตร์และเทคโนโลยีควอนตัม 9 1, 015029 (2024).

[21] Adam Callison และ Nicholas Chancellor, “อัลกอริธึมควอนตัมคลาสสิกแบบไฮบริดในยุคควอนตัมระดับกลางที่มีเสียงดัง” การตรวจร่างกาย A 106 1, 010101 (2022).

[22] Supanut Thanasilp, Samson Wang, Nhat A. Nghiem, Patrick J. Coles และ M. Cerezo, “รายละเอียดปลีกย่อยในความสามารถในการฝึกอบรมของโมเดลการเรียนรู้ของเครื่องควอนตัม”, arXiv: 2110.14753, (2021).

[23] ลอริน อี. ฟิสเชอร์, แดเนียล มิลเลอร์, ฟรานเชสโก ทัคชิโน, พานาจิโอทิส เคแอล Barkoutsos, Daniel J. Egger และ Ivano Tavernelli, “การนำการวัดทั่วไปไปใช้โดยไม่ใช้ Ancilla สำหรับ qubits ที่ฝังอยู่ในช่องว่าง qudit” การวิจัยทบทวนทางกายภาพ 4 3, 033027 (2022).

[24] Travis L. Scholten, Carl J. Williams, Dustin Moody, Michele Mosca, William Hurley, William J. Zeng, Matthias Troyer และ Jay M. Gambetta, “การประเมินประโยชน์และความเสี่ยงของคอมพิวเตอร์ควอนตัม”, arXiv: 2401.16317, (2024).

[25] Benjamin A. Cordier, Nicolas PD Sawaya, Gian G. Guerreschi และ Shannon K. McWeeney, “ชีววิทยาและการแพทย์ในภูมิทัศน์ของข้อได้เปรียบควอนตัม”, arXiv: 2112.00760, (2021).

[26] Manuel S. Rudolph, Sacha Lerch, Supanut Thanasilp, Oriel Kiss, Sofia Vallecorsa, Michele Grossi และ Zoë Holmes, “อุปสรรคในการฝึกอบรมและโอกาสในการสร้างแบบจำลองเชิงควอนตัม”, arXiv: 2305.02881, (2023).

[27] Zhenyu Cai, “กรอบการปฏิบัติสำหรับการบรรเทาข้อผิดพลาดควอนตัม”, arXiv: 2110.05389, (2021).

[28] M. Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio และ Patrick J. Coles, “ความท้าทายและโอกาสในการเรียนรู้ของเครื่องควอนตัม”, arXiv: 2303.09491, (2023).

[29] Keita Kanno, Masaya Kohda, Ryosuke Imai, Sho Koh, Kosuke Mitarai, Wataru Mizukami และ Yuya O. Nakagawa, “การโต้ตอบการกำหนดค่าที่เลือกด้วยควอนตัม: การวางแนวทแยงแบบคลาสสิกของ Hamiltonians ในพื้นที่ย่อยที่เลือกโดยคอมพิวเตอร์ควอนตัม”, arXiv: 2302.11320, (2023).

[30] Tailong Xiao, Xinliang Zhai, Xiaoyan Wu, Jianping Fan และ Guihua Zeng, “ข้อได้เปรียบเชิงปฏิบัติของการเรียนรู้ของเครื่องควอนตัมในการถ่ายภาพผี”, ฟิสิกส์สื่อสาร 6 1, 171 (2023).

[31] คาซูโนบุ มารุโยชิ, ทาคุยะ โอคุดะ, ฮวน ดับเบิลยู. เพเดอร์เซน, เรียว ซูซูกิ, มาซาฮิโตะ ยามาซากิ และยูทากะ โยชิดะ, “ประจุอนุรักษ์ในการจำลองควอนตัมของโซ่หมุนที่บูรณาการได้”, วารสารฟิสิกส์ A คณิตศาสตร์ทั่วไป 56 16, 165301 (2023).

[32] Marvin Bechtold, Johanna Barzen, Frank Leymann, Alexander Mandl, Julian Obst, Felix Truger และ Benjamin Weder, “การตรวจสอบผลกระทบของการตัดวงจรใน QAOA สำหรับปัญหา MaxCut บนอุปกรณ์ NISQ”, วิทยาศาสตร์และเทคโนโลยีควอนตัม 8 4, 045022 (2023).

[33] Christoph Hirche, Cambyse Rouzé และ Daniel Stilck França, "เรื่องสัมประสิทธิ์การหดตัว, ลำดับบางส่วน และการประมาณความจุสำหรับช่องควอนตัม", arXiv: 2011.05949, (2020).

[34] Cristina Cirstoiu, Silas Dilkes, Daniel Mills, Seyon Sivarajah และ Ross Duncan, “การเปรียบเทียบปริมาตรของการบรรเทาข้อผิดพลาดด้วย Qermit”, ควอนตัม 7, 1059 (2023).

(35) Minh C. Tran, Kunal Sharma และ Kristan Temme, “ตำแหน่งและการบรรเทาข้อผิดพลาดของวงจรควอนตัม”, arXiv: 2303.06496, (2023).

[36] Muhammad Kashif และ Saif Al-Kuwari, “ผลกระทบของความเป็นสากลของฟังก์ชันต้นทุนและท้องถิ่นในเครือข่ายประสาทควอนตัมแบบไฮบริดบนอุปกรณ์ NISQ”, การเรียนรู้ของเครื่อง: วิทยาศาสตร์และเทคโนโลยี 4 1, 015004 (2023).

[37] Piotr Czarnik, Michael McKerns, Andrew T. Sornborger และ Lukasz Cincio, “การปรับปรุงประสิทธิภาพของการลดข้อผิดพลาดจากการเรียนรู้”, arXiv: 2204.07109, (2022).

[38] Daniel Bultrini, Samson Wang, Piotr Czarnik, Max Hunter Gordon, M. Cerezo, Patrick J. Coles และ Lukasz Cincio, “การต่อสู้ของ qubits ที่สะอาดและสกปรกในยุคของการแก้ไขข้อผิดพลาดบางส่วน”, arXiv: 2205.13454, (2022).

[39] Muhammad Kashif และ Saif Al-kuwari, “ResQNets: แนวทางที่เหลือสำหรับการบรรเทาที่ราบสูงแห้งแล้งในโครงข่ายประสาทเทียมควอนตัม”, arXiv: 2305.03527, (2023).

[40] NM Guseynov, AA Zhukov, WV Pogosov และ AV Lebedev, “การวิเคราะห์เชิงลึกของอัลกอริธึมควอนตัมแปรผันสำหรับสมการความร้อน”, การตรวจร่างกาย A 107 5, 052422 (2023).

[41] Olivia Di Matteo และ RM Woloshyn, “ความไวต่อการคำนวณควอนตัมที่อ่อนแอโดยใช้การสร้างความแตกต่างอัตโนมัติ”, การตรวจร่างกาย A 106 5, 052429 (2022).

[42] Matteo Robbiati, Alejandro Sopena, Andrea Papaluca และ Stefano Carrazza, “การลดข้อผิดพลาดแบบเรียลไทม์สำหรับการปรับให้เหมาะสมแบบต่างๆ บนฮาร์ดแวร์ควอนตัม”, arXiv: 2311.05680, (2023).

[43] Piotr Czarnik, Michael McKerns, Andrew T. Sornborger และ Lukasz Cincio, “การออกแบบที่แข็งแกร่งภายใต้ความไม่แน่นอนในการลดข้อผิดพลาดควอนตัม”, arXiv: 2307.05302, (2023).

[44] Nico Meyer, Daniel D. Scherer, Axel Plinge, Christopher Mutschler และ Michael J. Hartmann, “การไล่ระดับสีนโยบายธรรมชาติของควอนตัม: สู่การเรียนรู้การเสริมกำลังตัวอย่างที่มีประสิทธิภาพ”, arXiv: 2304.13571, (2023).

[45] Enrico Fontana, Ivan Runger, Ross Duncan และ Cristina Cîrstoiu, “การวิเคราะห์สเปกตรัมสำหรับการวินิจฉัยสัญญาณรบกวนและการลดข้อผิดพลาดทางดิจิทัลที่ใช้ตัวกรอง”, arXiv: 2206.08811, (2022).

[46] Wei-Bin Ewe, Dax Enshan Koh, Siong Thye Goh, Hong-Son Chu และ Ching Eng PNG, “การจำลองแบบควอนตัมแบบแปรผันของโหมดท่อนำคลื่น”, ธุรกรรม IEEE เกี่ยวกับเทคนิคทฤษฎีไมโครเวฟ 70 5, 2517 (2022).

[47] Zichang He, Bo Peng, Yuri Alexeev และ Zheng Zhang, "อัลกอริธึมควอนตัมแปรผันที่แข็งแกร่งแบบกระจายพร้อมสัญญาณรบกวนที่เปลี่ยนไป", arXiv: 2308.14935, (2023).

[48] Siddharth Dangwal, Gokul Subramanian Ravi, Poulami Das, Kaitlin N. Smith, Jonathan M. Baker และ Frederic T. Chong, “VarSaw: การบรรเทาข้อผิดพลาดในการวัดตามแอปพลิเคชันสำหรับอัลกอริทึมควอนตัมแบบแปรผัน”, arXiv: 2306.06027, (2023).

[49] Jessie M. Henderson, Marianna Podzorova, M. Cerezo, John K. Golden, Leonard Gleyzer, Hari S. Viswanathan และ Daniel O'Malley, “อัลกอริทึมควอนตัมสำหรับเครือข่ายแตกหักทางธรณีวิทยา”, arXiv: 2210.11685, (2022).

[50] André Melo, Nathan Earnest-Noble และ Francesco Tacchino, “การเรียนรู้ด้วยเครื่องควอนตัมที่มีประสิทธิภาพของพัลส์”, ควอนตัม 7, 1130 (2023).

[51] Christoph Hirche, Cambyse Rouzé และ Daniel Stilck França, "เรื่องสัมประสิทธิ์การหดตัว, ลำดับบางส่วน และการประมาณความจุสำหรับช่องควอนตัม", ควอนตัม 6, 862 (2022).

[52] Jessie M. Henderson, Marianna Podzorova, M. Cerezo, John K. Golden, Leonard Gleyzer, Hari S. Viswanathan และ Daniel O'Malley, “อัลกอริทึมควอนตัมสำหรับเครือข่ายการแตกหักทางธรณีวิทยา”, รายงานทางวิทยาศาสตร์ 13, 2906 (2023).

[53] Marco Schumann, Frank K. Wilhelm และ Alessandro Ciani, “การเกิดขึ้นของที่ราบแห้งแล้งที่เกิดจากเสียงรบกวนในแบบจำลองเสียงแบบชั้นตามอำเภอใจ”, arXiv: 2310.08405, (2023).

[54] Sharu Theresa Jose และ Osvaldo Simeone, “การเพิ่มประสิทธิภาพโดยช่วยบรรเทาข้อผิดพลาดของวงจรควอนตัมแบบกำหนดพารามิเตอร์: การวิเคราะห์การลู่เข้า”, arXiv: 2209.11514, (2022).

[55] P. Singkanipa และ DA Lidar, “เหนือเสียงรวมในอัลกอริธึมควอนตัมแบบแปรผัน: ที่ราบสูงแห้งแล้งที่เกิดจากเสียงรบกวนและจุดคงที่”, arXiv: 2402.08721, (2024).

[56] Kevin Lively, Tim Bode, Jochen Szangolies, Jian-Xin Zhu และ Benedikt Fauseweh, “ลายเซ็นการทดลองที่แข็งแกร่งของการเปลี่ยนเฟสใน Quantum Eigensolver แบบแปรผัน”, arXiv: 2402.18953, (2024).

[57] Yunfei Wang และ Junyu Liu, “การเรียนรู้ของเครื่องควอนตัม: จาก NISQ ไปจนถึง Fault Tolerance”, arXiv: 2401.11351, (2024).

[58] Kosuke Ito และ Keisuke Fujii, “SantaQlaus: วิธีการใช้ทรัพยากรอย่างมีประสิทธิภาพเพื่อใช้ประโยชน์จากควอนตัมช็อตนอยส์เพื่อปรับอัลกอริธึมควอนตัมแบบแปรผันให้เหมาะสม”, arXiv: 2312.15791, (2023).

การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2024-03-15 03:40:55 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน

On บริการอ้างอิงของ Crossref ไม่พบข้อมูลอ้างอิงงาน (ความพยายามครั้งสุดท้าย 2024-03-15 03:40:53)

บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา

เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
ที่มา: https://quantum-journal.org/papers/q-2024-03-14-1287/

ประทับเวลา: March 14, 2024

ประทับเวลา: มิถุนายน 20, 2022

การลดข้อผิดพลาดสามารถปรับปรุงความสามารถในการฝึกอบรมอัลกอริธึมควอนตัมแบบแปรผันที่มีเสียงดังได้หรือไม่

เผยแพร่ซ้ำโดยเพลโต

นามธรรม

► ข้อมูล BibTeX

► ข้อมูลอ้างอิง

อ้างโดย

เพิ่มเติมจาก วารสารควอนตัม

การเพิ่มประสิทธิภาพพัลส์การควบคุมไบนารีสำหรับระบบควอนตัม

การทดสอบสมมติฐานตามลำดับสำหรับระบบควอนตัมที่ได้รับการตรวจสอบอย่างต่อเนื่อง

การเรียนรู้ของเครื่องควอนตัมที่มีประสิทธิภาพแบบพัลส์

ความสามารถในการสังเกตการสลายความเที่ยงตรงที่อัตรา Lyapunov ในการจำลองควอนตัมไม่กี่ควิบิต

การกำหนดราคาอนุพันธ์โดยใช้การประมวลผลสัญญาณควอนตัม

ข้อเสนอแนะที่สอดคล้องกันในระบบออพโตเมคานิกส์ในระบอบการปกครองที่ไม่ได้รับการแก้ไขแถบข้าง

อุณหภูมิควอนตัมที่สำคัญและความเป็นไปได้ในระบบการหมุน

เฟสโทโพโลยีแบบกระจายตัวขับเคลื่อนในอาร์เรย์เรโซเนเตอร์แบบพาราเมตริก

ตัวถอดรหัสออโตมาตอนแบบเซลลูลาร์สำหรับรหัสสีที่ปรับให้เหมาะกับสัญญาณรบกวน

โครงสร้างเชิงสาเหตุในการแสดงตนของข้อจำกัดภาคส่วน โดยประยุกต์ใช้กับควอนตัมสวิตช์

โมเดลการเชื่อมโยงทอพอโลยีของการพัวพันหลายส่วน

เกี่ยวกับเรา

การค้นหาแนวตั้ง & Ai

ระบบปฏิบัติการ

การติดต่อ

ลงชื่อเข้าใช้