误差缓解可以提高噪声变分量子算法的可训练性吗？

由柏拉图重新发布

关注： 0

王嘉诚^1,2, 彼得·查尼克^1,3,4, 安德鲁·阿拉史密斯^1,5, M·塞雷佐^1,5,6, 卢卡斯·辛西奥（Lukasz Cincio）^1,5, 和帕特里克·J·科尔斯^1,5

¹洛斯阿拉莫斯国家实验室理论部，洛斯阿拉莫斯，美国新墨西哥州87545
²伦敦帝国理工学院物理系，伦敦，SW7 2AZ，英国
³波兰克拉科夫雅盖隆大学物理、天文学和应用计算机科学学院
⁴波兰克拉科夫雅盖隆大学马克·卡克复杂系统研究中心
⁵量子科学中心，美国田纳西州橡树岭 37931
⁶非线性研究中心，洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，NM 87545，美国

觉得本文有趣或想讨论？在SciRate上发表评论或发表评论.

抽象

变分量子算法（VQA）通常被视为近期量子优势的最佳希望。然而，最近的研究表明，噪声会严重限制 VQA 的可训练性，例如，通过指数方式使成本景观平坦化并抑制成本梯度的大小。错误缓解 (EM) 有望减少噪声对近期设备的影响。因此，很自然地会问 EM 是否可以提高 VQA 的可训练性。在这项工作中，我们首先表明，对于广泛的新兴市场策略来说，如果不在其他地方投入指数级资源，就无法解决指数级成本集中问题。此类策略包括特殊情况零噪声外推、虚拟蒸馏、概率误差消除和 Clifford 数据回归。其次，我们对这些 EM 协议进行分析和数值分析，我们发现与根本不运行 EM 相比，其中一些协议（例如虚拟蒸馏）会使解析成本函数值变得更加困难。作为一个积极的结果，我们确实发现了数字证据，表明 Clifford 数据回归 (CDR) 可以在成本集中度不太严重的某些环境中帮助训练过程。我们的结果表明，应用 EM 协议时应小心，因为它们可能会恶化或不会提高可训练性。另一方面，我们在 CDR 方面的积极成果凸显了通过工程错误缓解方法来提高可训练性的可能性。

误差缓解可以提高噪声变分量子算法的可训练性吗？ Plato区块链数据智能。垂直搜索。人工智能。

特色图片：已发现某些类型的硬件噪声会以指数方式损害变分量子算法中成本景观的可解析性。因此，噪声变分量子算法的准确可靠的优化可能会承受指数样本开销的负担。在这项工作中，我们询问错误缓解是否可以缓解这种现象，无论是从扩展的角度（在大型系统规模的限制下）还是针对固定的问题规模。

►BibTeX数据

@文章{Wang2024canerrormitigation， doi = {10.22331/q-2024-03-14-1287}，网址 = {https://doi.org/10.22331/q-2024-03-14-1287}， title = {可以{E}错误{M}解决{I}改善{T}{N}oisy {V}ariational {Q}uantum {A}算法的可雨性吗？}，作者 = {Wang、Samson 和 Czarnik、Piotr 和 Arrasmith、Andrew 和 Cerezo、M. 和 Cincio、Lukasz 和 Coles、Patrick J.}，期刊 = {{量子}}, issn = {2521-327X}，出版商 = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}，音量={8}，页数 = {1287}，月 = 三月，年 = {2024} }

►参考

[1] Jarrod R McClean、Jonathan Romero、Ryan Babbush 和 Alán Aspuru-Guzik。 “变分混合量子经典算法理论”。新物理学杂志 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 和 Patrick J. Coles。 “变分量子算法”。自然评论物理学 3, 625–644 (2021)。
https://doi.org/10.1038/s42254-021-00348-9

[3] Sam McArdle、Tyson Jones、Suguru Endo、Ying Li、Simon C Benjamin 和 Xiao Yuan。 “虚时间演化的基于变分模拟的量子模拟”。 npj 量子信息 5, 1–6 (2019)。
https://doi.org/10.1038/s41534-019-0187-2

[4] Harper R Grimsley、Sophia E Economou、Edwin Barnes 和 Nicholas J Mayhall。 “在量子计算机上进行精确分子模拟的自适应变分算法”。自然通讯 10, 1-9 (2019)。
https://doi.org/10.1038/s41467-019-10988-2

[5] 克里斯蒂娜·西斯托尤、佐伊·霍姆斯、约瑟夫·约苏、卢卡斯·辛西奥、帕特里克·J·科尔斯和安德鲁·索恩博格。 “超越相干时间的量子模拟的变分快进”。 npj 量子信息 6, 1–10 (2020)。
https://doi.org/10.1038/s41534-020-00302-0

[6] 本杰明·科莫、M. Cerezo、佐伊·霍尔姆斯、卢卡斯·辛西奥、帕特里克·J·科尔斯和安德鲁·索恩博格。 “动态量子模拟的变分哈密顿对角化”。 arXiv 预印本 arXiv:2009.02559 (2020)。
https://doi.org/10.48550/arXiv.2009.02559

[7] 乔·吉布斯、凯特琳·吉利、佐伊·霍尔姆斯、本杰明·科莫、安德鲁·阿拉史密斯、卢卡斯·辛西奥、帕特里克·J·科尔斯和安德鲁·索恩博格。 “在量子硬件上进行高保真度的长时间模拟”。 arXiv 预印本 arXiv:2102.04313 (2021)。
https://doi.org/10.48550/arXiv.2102.04313

[8] 姚永新、Niladri Gomes、张峰、Thomas Iadecola、王蔡壮、何凯明和 Peter P Orth。 “自适应变分量子动力学模拟”。 arXiv 预印本 arXiv:2011.00622 (2020)。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.030307

[9] Suguru Endo、孙金兆、李英、Simon C Benjamin 和肖媛。 “一般过程的变分量子模拟”。物理评论快报 125, 010501 (2020)。
https：/ / doi.org/ 10.1103 / PhysRevLett.125.010501

[10] Y. Li 和 SC Benjamin。 “结合主动误差最小化的高效变分量子模拟器”。物理。修订版 X 7, 021050 (2017)。
https：/ / doi.org/ 10.1103 / PhysRevX.7.021050

[11] Jonathan Weizhong Lau、Kishor Bharti、Tobias Haug 和 Leong Chuan Kwek。 “时间相关哈密顿量的量子辅助模拟”。 arXiv 预印本 arXiv:2101.07677 (2021)。
https://doi.org/10.48550/arXiv.2101.07677

[12] Kentaro Heya、Ken M Nakanishi、Kosuke Mitarai 和 Keisuke Fujii。 “子空间变分量子模拟器”。 arXiv 预印本 arXiv:1904.08566 (2019)。
https://doi.org/10.48550/arXiv.1904.08566

[13] Xiao Yuan、Suguru Endo、Qi Zhao、Ying Li 和 Simon C Benjamin。 “变分量子模拟理论”。量子 3, 191 (2019)。
https://doi.org/10.22331/q-2019-10-07-191

[14] 玛丽亚·舒尔德、亚历克斯·博恰洛夫、克里斯塔·M·斯沃尔和内森·维贝。 “以电路为中心的量子分类器”。物理评论 A 101, 032308 (2020)。
https：/ / doi.org/ 10.1103 / PhysRevA.101.032308

[15] 纪尧姆·维登、迈克尔·布劳顿和雅各布·比亚蒙特。 “一种使用低深度电路训练神经网络的量子算法”。 arXiv 预印本 arXiv:1712.05304 (2017)。
https://doi.org/10.48550/arXiv.1712.05304

[16] 乔纳森·罗梅罗和艾伦·阿斯普鲁-古兹克。 “变分量子发生器：连续分布的生成对抗性量子机器学习”。先进量子技术 4, 2000003 (2021)。
https：/ / doi.org/ 10.1002 / qute.202000003

[17] 爱德华·法尔希和哈特穆特·内文。 “在近期处理器上使用量子神经网络进行分类”。 arXiv 预印本 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 和 Ramona Wolf。 “训练深度量子神经网络”。自然通讯 11, 808 (2020)。
https://doi.org/10.1038/s41467-020-14454-2

[19] Iris Cong、Soonwon Choi 和 Mikhail D Lukin。 “量子卷积神经网络”。自然物理学 15, 1273–1278 (2019)。
https://doi.org/10.1038/s41567-019-0648-8

[20] 爱德华·格兰特、马塞洛·贝内代蒂、曹书香、安德鲁·哈勒姆、约书亚·洛克哈特、维德·斯托耶维奇、安德鲁·G·格林和西蒙·塞维里尼。 “分层量子分类器”。 npj 量子信息 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 和 Jeremy L O'brien。 “光子量子处理器上的变分特征值求解器”。自然通讯 5, 1–7 (2014)。
https：///doi.org/10.1038/ncomms5213

[22] 贝拉·鲍尔、戴夫·韦克、安德鲁·J·米利斯、马修·B·黑斯廷斯和马蒂亚斯·特罗耶。 “相关材料的混合量子经典方法”。物理评论 X 6, 031045 (2016)。
https：/ / doi.org/ 10.1103 / PhysRevX.6.031045

[23] 泰森·琼斯、远藤胜、萨姆·麦卡德尔、肖远和西蒙·C·本杰明。 “发现哈密尔顿光谱的变分量子算法”。物理评论 A 99, 062304 (2019)。
https：/ / doi.org/ 10.1103 / PhysRevA.99.062304

[24] 爱德华·法尔希、杰弗里·戈德斯通和萨姆·古特曼。 “一种量子近似优化算法”。 arXiv 预印本 arXiv:1411.4028 (2014)。
https://doi.org/10.48550/arXiv.1411.4028

[25] 王志辉、S. Hadfield、Z. Jiang 和 EG Rieffel。 “MaxCut 的量子近似优化算法：费米子视图”。物理评论 A 97, 022304 (2018)。
https：/ / doi.org/ 10.1103 / PhysRevA.97.022304

[26] 加文·E·克鲁克斯. “量子近似优化算法在最大割问题上的性能”。 arXiv 预印本 arXiv:1811.08419 (2018)。
https://doi.org/10.48550/arXiv.1811.08419

[27] Stuart Hadfield、王志辉、Bryan O'Gorman、Eleanor G Rieffel、Davide Venturelli 和 Rupak Biswas。 “从量子近似优化算法到量子交替算子 ansatz”。算法 12, 34 (2019)。
https：/ / doi.org/ 10.3390 / a12020034

[28] 卡洛斯·布拉沃-普列托、瑞安·拉罗斯、M.塞雷佐、伊吉特·苏巴西、卢卡斯·辛西奥和帕特里克·科尔斯。 “变分量子线性求解器”。 arXiv 预印本 arXiv:1909.05820 (2019)。
https://doi.org/10.22331/q-2023-11-22-1188

[29] 徐晓思、孙金兆、Suguru Endo、李英、Simon C Benjamin 和肖媛。 “线性代数的变分算法”。科学公报 66, 2181–2188 (2021)。
https：///doi.org/10.1016/j.scib.2021.06.023

[30] 巴林特·科佐尔、远藤胜、泰森·琼斯、松崎雄一郎和西蒙·C·本杰明。 “变分态量子计量学”。新物理学杂志（2020）。
https:/ / doi.org/ 10.1088/ 1367-2630/ ab965e

[31] 约翰内斯·雅各布·迈耶、约翰内斯·博雷加德和延斯·艾塞特。 “量子多参数估计的变分工具箱”。 NPJ 量子信息 7, 1–5 (2021)。
https：/ / doi.org/ 10.1038 / s41534-021-00425-y

[32] 埃里克·安舒茨、乔纳森·奥尔森、艾伦·阿斯普鲁-古兹克和曹玉东。 “变分量子因式分解”。量子技术与优化问题（2019）。
https://doi.org/10.1007/978-3-030-14082-3_7

[33] Sumeet Khatri、Ryan LaRose、Alexander Poremba、Lukasz Cincio、Andrew T Sornborger 和 Patrick J Coles。 “量子辅助量子编译”。量子 3, 140 (2019)。
https://doi.org/10.22331/q-2019-05-13-140

[34] Kunal Sharma、Sumeet Khatri、M. Cerezo 和 Patrick J Coles。 “变分量子编译的噪声弹性”。新物理学杂志 22, 043006 (2020)。
https：///doi.org/10.1088/1367-2630/ab784c

[35] 泰森·琼斯和西蒙·C·本杰明。 “通过能量耗散进行量子编译和电路优化”。 arXiv 预印本 arXiv:1811.03147 (2018)。
https://doi.org/10.22331/q-2022-01-24-628

[36] 安德鲁·阿拉史密斯、卢卡斯·辛西奥、安德鲁·T·索恩伯格、沃伊切赫·H·祖雷克和帕特里克·J·科尔斯。 “变分一致历史作为量子基础的混合算法”。自然通讯 10, 1–7 (2019)。
https://doi.org/10.1038/s41467-019-11417-0

[37] M. Cerezo、Kunal Sharma、Andrew Arrasmith 和 Patrick J Coles。 “变分量子态本征求解器”。 arXiv 预印本 arXiv:2004.01372 (2020)。
https://doi.org/10.1038/s41534-022-00611-6

[38] Ryan LaRose、Arkin Tikku、Étude O'Neel-Judy、Lukasz Cincio 和 Patrick J Coles。 “变分量子态对角化”。 npj 量子信息 5, 1–10 (2019)。
https://doi.org/10.1038/s41534-019-0167-6

[39] 纪尧姆·维登、雅各布·马克斯、萨沙·南达、斯特凡·莱兴瑙尔和杰克·希达里。 “基于量子哈密顿量的模型和变分量子热化器算法”。 arXiv 预印本 arXiv:1910.02071 (2019)。
https://doi.org/10.48550/arXiv.1910.02071

[40] 彼得·D·约翰逊、乔纳森·罗梅罗、乔纳森·奥尔森、曹玉栋和艾伦·阿斯普鲁-古兹克。 “Qvector：一种针对设备定制的量子纠错算法”。 arXiv 预印本 arXiv:1711.02249 (2017)。
https://doi.org/10.48550/arXiv.1711.02249

[41] 约翰·普雷斯基尔。 “NISQ 时代及以后的量子计算”。量子 2, 79 (2018)。
https://doi.org/10.22331/q-2018-08-06-79

[42] Kristan Temme、Sergey Bravyi 和 Jay M. Gambetta。 “短深度量子电路的误差缓解”。物理。牧师莱特。 119, 180509 (2017)。
https：/ / doi.org/ 10.1103 / PhysRevLett.119.180509

[43] Suguru Endo、Simon C Benjamin 和 Ying Li。 “近期应用的实用量子误差缓解”。物理评论 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 和 Jay M. Gambetta。 “错误缓解扩展了嘈杂量子处理器的计算范围”。自然 567, 491–495 (2019)。
https://doi.org/10.1038/s41586-019-1040-7

[45] 彼得·查尼克、安德鲁·阿拉史密斯、帕特里克·J·科尔斯和卢卡斯·辛西奥。 “利用 Clifford 量子电路数据缓解错误”。量子 5, 592 (2021)。
https://doi.org/10.22331/q-2021-11-26-592

[46] 威廉·J·哈金斯、萨姆·麦卡德尔、托马斯·E·奥布莱恩、李俊浩、尼古拉斯·C·鲁宾、塞尔吉奥·博伊索、K·比尔吉塔·惠利、瑞安·巴布什和贾罗德·R·麦克林。 “用于减轻量子误差的虚拟蒸馏”。物理评论 X 11, 041036 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevX.11.041036

[47] 巴林特·科佐尔。 “近期量子器件的指数误差抑制”。物理评论 X 11, 031057 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevX.11.031057

[48] Jarrod R McClean、Mollie E Kimchi-Schwartz、Jonathan Carter 和 Wibe A De Jong。 “用于减轻退相干和确定激发态的混合量子经典层次结构”。物理评论 A 95, 042308 (2017)。
https：/ / doi.org/ 10.1103 / PhysRevA.95.042308

[49] 托马斯·E·奥布莱恩、斯特凡诺·波拉、尼古拉斯·C·鲁宾、威廉·J·哈金斯、山姆·麦卡德尔、塞尔吉奥·博伊索、贾罗德·R·麦克林和瑞安·巴布什。 “通过验证的相位估计来减轻误差”。 PRX 量子 2, 020317 (2021)。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.020317

[50] 萨姆·麦卡德尔、肖远和西蒙·本杰明。 “减少误差的数字量子模拟”。物理。莱特牧师。 122, 180501 (2019)。
https：/ / doi.org/ 10.1103 / PhysRevLett.122.180501

[51] 哈维·博内特-蒙罗伊格、拉米罗·萨加斯蒂扎巴尔、M·辛格和 TE O'Brien。 “通过对称性验证降低成本的错误”。物理评论 A 98, 062339 (2018)。
https：/ / doi.org/ 10.1103 / PhysRevA.98.062339

[52] William J Huggins、Jarrod R McClean、Nicholas C Rubin、张江、Nathan Wiebe、K Birgitta Whaley 和 Ryan Babbush。 “近期量子计算机上量子化学的高效且抗噪声测量”。 npj 量子信息 7, 1–9 (2021)。
https://doi.org/10.1038/s41534-020-00341-7

[53] 乔治·S·巴伦和克里斯托弗·J·伍德。 “变分量子算法的测量误差缓解”。 arXiv 预印本 arXiv:2010.08520 (2020)。
https://doi.org/10.48550/arXiv.2010.08520

[54] Alistair WR Smith、Kiran E. Khosla、Chris N. Self 和 MS Kim。 “通过位翻转平均来减轻量子位读出错误”。科学进展 7 (2021)。
https://doi.org/10.1126/sciadv.abi8009

[55] Daiqin Su、Robert Israel、Kunal Sharma、Haoyu Qi、Ish Dhand 和 Kamil Bradler。 “近期量子光子器件的错误缓解”。量子 5, 452 (2021)。
https://doi.org/10.22331/q-2021-05-04-452

[56] Samson Wang、Enrico Fontana、M. Cerezo、Kunal Sharma、Akira Sone、Lukasz Cincio 和 Patrick J Coles。 “变分量子算法中噪声引起的贫瘠高原”。自然通讯 12, 1–11 (2021)。
https://doi.org/10.1038/s41467-021-27045-6

[57] Daniel Stilck França 和 Raul Garcia-Patron。 “在嘈杂的量子设备上优化算法的局限性”。自然物理学 17, 1221–1227 (2021)。
https://doi.org/10.1038/s41567-021-01356-3

[58] Jarrod R McClean、Sergio Boixo、Vadim N Smelyanskiy、Ryan Babbush 和 Hartmut Neven。 “量子神经网络训练景观中的贫瘠高原”。自然通讯 9, 1–6 (2018)。
https://doi.org/10.1038/s41467-018-07090-4

[59] M. Cerezo、Akira Sone、Tyler Volkoff、Lukasz Cincio 和 Patrick J Coles。 “浅参数化量子电路中成本函数依赖的贫瘠平台”。自然通讯 12, 1–12 (2021)。
https：/ / doi.org/ 10.1038 / s41467-021-21728-w

[60] Andrew Arrasmith、M. Cerezo、Piotr Czarnik、Lukasz Cincio 和 Patrick J Coles。 “贫瘠高原对无梯度优化的影响”。量子 5, 558 (2021)。
https://doi.org/10.22331/q-2021-10-05-558

[61] M.塞雷佐和帕特里克·J·科尔斯。 “具有贫瘠高原的量子神经网络的高阶导数”。量子科学与技术 6, 035006 (2021)。
https:/ / doi.org/ 10.1088/ 2058-9565/ abf51a

[62] 平谷健太郎、铃木康成、中村康信、藤井圭介。 “变分量子门优化”。 arXiv 预印本 arXiv：1810.12745 (2018)。
https://doi.org/10.48550/arXiv.1810.12745

[63] Jonathan Romero、Jonathan P Olson 和 Alan Aspuru-Guzik。 “用于有效压缩量子数据的量子自动编码器”。量子科学与技术 2, 045001 (2017).
https：/ / doi.org/ 10.1088 / 2058-9565 / aa8072

[64] 伦纳特·比特尔和马丁·克里施。 “训练变分量子算法是 np 难的”。物理。莱特牧师。 127, 120502 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevLett.127.120502

[65] Jonas M Kübler、Andrew Arrasmith、Lukasz Cincio 和 Patrick J Coles。 “用于节俭测量变分算法的自适应优化器”。量子 4, 263 (2020)。
https://doi.org/10.22331/q-2020-05-11-263

[66] 安德鲁·阿拉史密斯、卢卡斯·辛西奥、罗兰多·D·索玛和帕特里克·J·科尔斯。 “变分算法中用于节俭优化的算子采样”。 arXiv 预印本 arXiv:2004.06252 (2020)。
https://doi.org/10.48550/arXiv.2004.06252

[67] Andi Gu、Angus Lowe、Pavel A Dub、Patrick J. Coles 和 Andrew Arrasmith。 “用于变分量子算法快速收敛的自适应镜头分配”。 arXiv 预印本 arXiv:2108.10434 (2021)。
https://doi.org/10.48550/arXiv.2108.10434

[68] 佐伊·霍尔姆斯 (Zoë Holmes)、库纳尔·夏尔马 (Kunal Sharma)、M. Cerezo 和帕特里克·J·科尔斯 (Patrick J Coles)。 “将 ansatz 可表达性与梯度大小和贫瘠高原联系起来”。 PRX 量子 3, 010313 (2022)。
https：/ / doi.org/ 10.1103 / PRXQuantum.3.010313

[69] 佐伊·霍姆斯、安德鲁·阿拉史密斯、宾·严、帕特里克·J·科尔斯、安德烈亚斯·阿尔布雷希特和安德鲁·T·索恩博格。 “贫瘠的高原阻碍了学习扰乱者”。物理评论快报 126, 190501 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevLett.126.190501

[70] Carlos Ortiz Marrero、Mária Kieferová 和 Nathan Wiebe。 “纠缠引起的贫瘠高原”。 PRX 量子 2, 040316 (2021)。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.040316

[71] 泰勒·L·帕蒂 (Taylor L Patti)、哈迪杰·纳杰菲 (Khadijeh Najafi)、高迅和苏珊娜·F·叶琳 (Susanne F Yelin)。 “纠缠设计缓解贫瘠高原”。物理评论研究 3, 033090 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevResearch.3.033090

[72] Martin Larocca、Piotr Czarnik、Kunal Sharma、Gopikrishnan Muraledharan、Patrick J. Coles 和 M. Cerezo。 “用量子最优控制工具诊断贫瘠高原”。 arXiv 预印本 arXiv:2105.14377 (2021)。
https://doi.org/10.48550/arXiv.2105.14377

[73] 御手洗康介、根吾郎真琴、北川雅博和藤井启介。 “量子电路学习”。物理评论 A 98, 032309 (2018)。
https：/ / doi.org/ 10.1103 / PhysRevA.98.032309

[74] Maria Schuld、Ville Bergholm、Christian Gogolin、Josh Izaac 和 Nathan Killoran。 “评估量子硬件上的解析梯度”。物理评论 A 99, 032331 (2019)。
https：/ / doi.org/ 10.1103 / PhysRevA.99.032331

[75] 约翰·A·内尔德和罗杰·米德。 “函数最小化的单纯形方法”。计算机杂志 7, 308–313 (1965)。
https：/ ‐ / doi.org/10.1093/comjnl/7.4.308

[76] MJD 鲍威尔. “一种通过线性插值对目标函数和约束函数进行建模的直接搜索优化方法”。优化和数值分析的进展 (1994)。
https://doi.org/10.1007/978-94-015-8330-5_4

[77] E. Campos、D. Rabinovich、V. Akshay 和 J. Biamonte。 “分层量子近似优化中的训练饱和”。物理评论 A 104 (2021)。
https:/ / doi.org/ 10.1103/ PhysRevA.104.L030401

[78] Cheng Xue、Zhao-Yun Chen、Yu-Chun Wu 和 Guo-Ping Guo。 “量子噪声对量子近似优化算法的影响”。中国物理快报 38, 030302 (2021).
https://doi.org/10.1088/0256-307X/38/3/030302

[79] 杰弗里·马歇尔、菲利普·乌达尔斯基、斯图尔特·哈德菲尔德和泰德·霍格。 “qaoa 电路中局部噪声的特征”。 IOP SciNotes 1, 025208 (2020)。网址：https://doi.org/10.1088/2633-1357/abb0d7。
https://doi.org/10.1088/2633-1357/abb0d7

[80] 恩里科·丰塔纳、M. Cerezo、安德鲁·阿拉史密斯、伊万·朗格和帕特里克·J·科尔斯。 “量子景观中的非平凡对称性及其对量子噪声的抵抗力”。量子 6, 804 (2022)。
https://doi.org/10.22331/q-2022-09-15-804

[81] Suguru Endo、Zhenyu Cai、Simon C Benjamin 和肖媛。 “混合量子经典算法和量子错误缓解”。日本物理学会杂志 90, 032001 (2021)。
https：/ / doi.org/ 10.7566 / JPSJ.90.032001

[82] 安格斯·洛、马克斯·亨特·戈登、皮奥特·查尼克、安德鲁·阿拉史密斯、帕特里克·J·科尔斯和卢卡斯·辛西奥。 “数据驱动的量子错误缓解的统一方法”。物理。修订版研究 3, 033098 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevResearch.3.033098

[83] 安德里亚·马里、内森·沙玛和威廉·J·曾。 “通过噪声缩放扩展量子概率误差消除”。物理评论 A 104, 052607 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevA.104.052607

[84] Daniel Bultrini、Max Hunter Gordon、Piotr Czarnik、Andrew Arrasmith、M. Cerezo、Patrick J. Coles 和 Lukasz Cincio。 “统一和基准测试最先进的量子误差缓解技术”。量子 7, 1034 (2023)。
https://doi.org/10.22331/q-2023-06-06-1034

[85] 阿什利·蒙塔纳罗和斯塔斯娅·斯坦尼西奇。 “通过费米子线性光学训练来减轻误差”。 arXiv 预印本 arXiv:2102.02120 (2021)。
https://doi.org/10.48550/arXiv.2102.02120

[86] 约瑟夫·沃夫罗什、基兰·E·科斯拉、肖恩·格林纳威、克里斯托弗·塞尔夫、明植·S·金和约翰内斯·诺尔。 “量子模拟中全局去极化误差的简单缓解”。物理评论 E 104, 035309 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevE.104.035309

[87] 艾略特·罗森伯格、保罗·金斯帕格和彼得·L·麦克马洪。 “使用线性缩放来减少最多 20 个量子位的变分量子本征求解的实验误差”。量子科学与技术 7, 015024 (2022)。
https://doi.org/10.1088/2058-9565/ac3b37

[88] Andre He、Benjamin Nachman、Wibe A. de Jong 和 Christian W. Bauer。 “通过身份插入减轻量子门错误的零噪声外推”。物理评论 A 102, 012426 (2020)。
https：/ / doi.org/ 10.1103 / PhysRevA.102.012426

[89] 安德鲁·肖. “nisq 硬件的经典量子噪声缓解”。 arXiv 预印本 arXiv:2105.08701 (2021)。
https://doi.org/10.48550/arXiv.2105.08701

[90] Frank Arute、Kunal Arya、Ryan Babbush、Dave Bacon、Joseph C Bardin、Rami Barends、Andreas Bengtsson、Sergio Boixo、Michael Broughton、Bob B Buckley 等。 “费米-哈伯德模型中电荷和自旋分离动力学的观察”。 arXiv 预印本 arXiv:2010.07965 (2020)。
https://doi.org/10.48550/arXiv.2010.07965

[91] Armands Strikis、秦大跃、陈彦珠、Simon C Benjamin 和李英。 “基于学习的量子错误缓解”。 PRX 量子 2, 040330 (2021)。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.040330

[92] 彼得·查尼克、安德鲁·阿拉史密斯、卢卡斯·辛西奥和帕特里克·J·科尔斯。 “量子位效率指数错误抑制”。 arXiv 预印本 arXiv:2102.06056 (2021)。
https://doi.org/10.48550/arXiv.2102.06056

[93] Yifeng Xiong、Daryus Chandra、Soon Xin Ng 和 Lajos Hanzo。 “量子错误缓解的采样开销分析：未编码与编码系统”。 IEEE 访问 8，228967–228991 (2020)。
https：///doi.org/10.1109/ACCESS.2020.3045016

[94] 高木龙二. “减少错误的最佳资源成本”。物理。修订版研究。 3、033178 (2021)。
https：/ / doi.org/ 10.1103 / PhysRevResearch.3.033178

[95] 卢卡斯·辛西奥、肯尼思·鲁丁格、莫汉·萨罗瓦和帕特里克·科尔斯。 “抗噪声量子电路的机器学习”。 PRX 量子 2, 010324 (2021)。
https：/ / doi.org/ 10.1103 / PRXQuantum.2.010324

[96] P Erdös 和 A Rényi。 “在随机图 $I$ 上”。德布勒森数学出版物 6, 18 (1959)。网址：http://snap.stanford.edu/class/cs224w-readings/erdos59random.pdf。
http://snap.stanford.edu/class/cs224w-readings/erdos59random.pdf

[97] Andrew Wack、Hanhee Paik、Ali Javadi-Abhari、Petar Jurcevic、Ismael Faro、Jay M. Gambetta 和 Blake R. Johnson。 “质量、速度和规模：衡量近期量子计算机性能的三个关键属性”。 arXiv 预印本 arXiv：2110.14108 (2021)。
https://doi.org/10.48550/arXiv.2110.14108

[98] 都铎·乔治卡-蒂龙、尤瑟夫·辛迪、瑞安·拉罗斯、安德里亚·马里和威廉·J·曾。 “用于减轻量子误差的数字零噪声外推”。 2020 年 IEEE 量子计算与工程国际会议 (QCE) (2020)。
https：/ / doi.org/ 10.1109 / QCE49297.2020.00045

[99] Youngseok Kim、Christopher J. Wood、Theodore J. Yoder、Seth T. Merkel、Jay M. Gambetta、Kristan Temme 和 Abhinav Kandala。 “噪声量子电路的可扩展错误缓解产生了有竞争力的期望值”。 arXiv 预印本 arXiv:2108.09197 (2021)。
https://doi.org/10.1038/s41567-022-01914-3

[100] 克里斯蒂娜·西斯托尤、塞拉斯·迪克斯、丹尼尔·米尔斯、塞永·西瓦拉贾和罗斯·邓肯。 “使用 Qermit 进行错误缓解的批量基准测试”。 arXiv 预印本 arXiv:2204.09725 (2022)。
https:///doi.org/10.48550/ARXIV.2204.09725

[101] 高木龙二、远藤胜、皆川慎太郎和米莱古。 “量子误差缓解的基本限制”。 npj 量子信息 8, 114 (2022)。
https：/ / doi.org/ 10.1038 / s41534-022-00618-z

[102] 阿夫拉姆·西迪。 “实用外推方法：理论与应用”。第 10 卷。剑桥大学出版社。（2003）。

[103] Masanori Ohya 和 Dénes Petz。 “量子熵及其用途”。施普林格科学与商业媒体。（2004）。

[104] Christoph Hirche、Cambyse Rouzé 和 Daniel Stilck França。 “关于量子通道的收缩系数、偏序和容量近似”。量子 6, 862 (2022)。
https://doi.org/10.22331/q-2022-11-28-862

[105] 杰弗里·C·拉加里亚斯、詹姆斯·A·里兹、玛格丽特·H·赖特和保罗·E·赖特。 “低维 Nelder-Mead 单纯形法的收敛性”。 SIAM 优化杂志 9, 112–147 (1998)。
https：/ / doi.org/ 10.1137 / S1052623496303470

[106] Abhijith J.、Adetokunbo Adedoyin、John Ambrosiano、Petr Anisimov、William Casper、Gopinath Chennupati、Carleton Coffrin、Hristo Djidjev、David Gunter、Satish Karra、Nathan Lemons、Shizeng Lin、Alexander Malyzhenkov、David Mascarenas、Susan Mniszewski、Balu Nadiga、Daniel O'malley、Diane Oyen、Scott Pakin、Lakshman Prasad、Randy Roberts、Phillip Romero、Nandakishore Santhi、Nikolai Sinitsyn、Pieter J. Swart、James G. Wendelberger、Boram Yoon、Richard Zamora、Wei Zhu、Stephan Eidenbenz、Andreas Bärtschi、帕特里克·J·科尔斯、马克·沃弗里和安德烈·Y·洛霍夫。 “适合初学者的量子算法实现”。 ACM 量子计算交易 (2022)。
https：/ / doi.org/10.1145/ 3517340

[107] 巴林特·科佐尔。 “噪声量子态的主要特征向量”。新物理学杂志 23, 123047 (2021)。
https://doi.org/10.1088/1367-2630/ac37ae

被引用

[1] 蔡振宇、Ryan Babbush、Simon C. Benjamin、Suguru Endo、William J. Huggins、Ying Li、Jarrod R. McClean 和 Thomas E. O'Brien，“量子误差缓解”，现代物理学评论95 4，045005（2023）.

[2] Ryuji Takagi、Hiroyasu Tajima 和 Mile Gu，“量子误差缓解的通用采样下界”，体检信131 21，210602（2023）.

[3] Louis Schatzki、Andrew Arrasmith、Patrick J. Coles 和 M. Cerezo，“量子机器学习的纠缠数据集”，的arXiv：2109.03400, (2021).

[4] Ryuji Takagi、Suguru Endo、Shintaro Minakawa 和 Mile Gu，“量子误差缓解的基本限制”， npj量子信息8，114（2022）.

[5] Martin Larocca、Nathan Ju、Diego García-Martín、Patrick J. Coles 和 M. Cerezo，“量子神经网络中的过度参数化理论”，的arXiv：2109.11676, (2021).

[6] Valentin Heyraud、Zejian Li、Kaelan Donatella、Alexandre Le Boité 和 Cristiano Ciuti，“变分量子电路可训练性的有效估计”， PRX 量子 4 4, 040335 (2023).

[7] Patrick J. Coles、Collin Szczepanski、Denis Melanson、Kaelan Donatella、Antonio J. Martinez 和 Faris Sbahi，“热力学 AI 和波动前沿”，的arXiv：2302.06584, (2023).

[8] Yihui Quek、Daniel Stilck França、Sumeet Khatri、Johannes Jakob Meyer 和 Jens Eisert，“量子误差缓解的限制呈指数更紧”，的arXiv：2210.11505, (2022).

[9] Kento Tsubouchi、Takahiro Sakawa 和 Nobuyuki Yoshioka，“基于量子估计理论的量子误差缓解的通用成本界限”，体检信131 21，210601（2023）.

[10] R. Au-Yeung、B. Camino、O. Rathore 和 V. Kendon，“科学应用的量子算法”，的arXiv：2312.14904, (2023).

[11] Yasunari Suzuki、Suguru Endo、Keisuke Fujii 和 Yuuki Tokunaga，“量子误差缓解作为一种通用的误差最小化技术：从 NISQ 到 FTQC 时代的应用”，的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 和 Frederic T. Chong，《CAFQA：变分量子算法的经典模拟引导”，的arXiv：2202.12924, (2022).

[13] He-Liang Huang、Xiao-Yue Xu、Chu Guo、Guojing Tian、Shi-Jie Wei、Xiaoming Sun、Wan-Su Bao 和 Gui-Lu Long，“近期量子计算技术：变分量子算法，错误缓解、电路编译、基准测试和经典模拟”，理科中国物理、力学与天文 66 5, 250302 (2023).

[14] Yasunari Suzuki、Suguru Endo、Keisuke Fujii 和 Yuuki Tokunaga，“量子误差缓解作为通用误差减少技术：从 NISQ 到容错量子计算时代的应用”， PRX 量子 3 1, 010345 (2022).

[15] Supanut Thanasilp、Samson Wang、M. Cerezo 和 Zoë Holmes，“量子核方法中的指数浓度和不可训练性”，的arXiv：2208.11060, (2022).

[16] Abhinav Deshpande、Pradeep Niroula、Oles Shtanko、Alexey V. Gorshkov、Bill Fefferman 和 Michael J. Gullans，“噪声随机电路收敛到均匀分布的严格界限”， PRX 量子 3 4, 040329 (2022).

[17] Giacomo De Palma、Milad Marvian、Cambyse Rouzé 和 Daniel Stilck França，“变分量子算法的局限性：一种量子最优传输方法”， PRX 量子 4 1, 010309 (2023).

[18] Ingo Tews、Zohreh Davoudi、Andreas Ekström、Jason D. Holt、Kevin Becker、Raúl Briceño、David J. Dean、William Detmold、Christian Drischler、Thomas Duguet、Evgeny Epelbaum、Ashot Gasparyan、Jambul Gegelia、Jeremy R. Green , Harald W. Grießhammer, Andrew D. Hanlon, Matthias Heinz, Heiko Hergert, Martin Hoferichter, Marc Illa, David Kekejian, Alejandro Kievsky, Sebastian König, Hermann Krebs, Kristina D. Launey, Dean Lee, Petr Navrátil, Amy Nicholson, Assumpta Parreño、Daniel R. Phillips、Marek Płoszajczak、任秀蕾、Thomas R. Richardson、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 和 Xilin Zhang，“精密核物理的核力：观点集”，少体系统 63 4, 67 (2022).

[19] C. Huerta Alderete、Max Hunter Gordon、Frédéric Sauvage、Akira Sone、Andrew T. Sornborger、Patrick J. Coles 和 M. Cerezo，“基于推理的量子传感”，体检信129 19，190501（2022）.

[20] Frédéric Sauvage、Martín Larocca、Patrick J. Coles 和 M. Cerezo，“将空间对称性构建到参数化量子电路中以加快训练速度”，量子科学与技术9 1，015029（2024）.

[21] Adam Callison 和 Nicholas Chancellor，“嘈杂的中等规模量子时代及以后的混合量子经典算法”，物理评论A 106 1，010101（2022）.

[22] Supanut Thanasilp、Samson Wang、Nhat A. Nghiem、Patrick J. Coles 和 M. Cerezo，“量子机器学习模型可训练性的微妙之处”，的arXiv：2110.14753, (2021).

[23] Laurin E. Fischer、Daniel Miller、Francesco Tacchino、Panagiotis Kl。 Barkoutsos、Daniel J. Egger 和 Ivano Tavernelli，“嵌入 qudit 空间的量子比特的无辅助实现广义测量”，物理评论研究4 3，033027（2022）.

[24] Travis L. Scholten、Carl J. Williams、Dustin Moody、Michele Mosca、William Hurley、William J. Zeng、Matthias Troyer 和 Jay M. Gambetta，“评估量子计算机的好处和风险”，的arXiv：2401.16317, (2024).

[25] Benjamin A. Cordier、Nicolas PD Sawaya、Gian G. Guerreschi 和 Shannon K. McWeeney，“量子优势领域的生物学和医学”，的arXiv：2112.00760, (2021).

[26] Manuel S. Rudolph、Sacha Lerch、Supanut Thanasilp、Oriel Kiss、Sofia Vallecorsa、Michele Grossi 和 Zoë Holmes，“量子生成模型中的可训练性障碍和机遇”，的arXiv：2305.02881, (2023).

[27] 蔡振宇，“减轻量子误差的实用框架”，的arXiv：2110.05389, (2021).

[28] M. Cerezo、Guillaume Verdon、Hsin-Yuan Huang、Lukasz Cincio 和 Patrick J. Coles，“量子机器学习中的挑战和机遇”，的arXiv：2303.09491, (2023).

[29] Keita Kanno、Masaya Kohda、Ryosuke Imai、Sho Koh、Kosuke Mitarai、Wataru Mizukami 和 Yuya O. Nakagawa，“量子选择配置相互作用：哈密顿量在量子计算机选择的子空间中的经典对角化”，的arXiv：2302.11320, (2023).

[30] 肖太龙、翟新亮、吴晓燕、范建平、曾桂华，“量子机器学习在鬼成像中的实际优势”，通讯物理学6 1，171（2023）.

[31] Kazunobu Maruyoshi、Takuya Okuda、Juan W. Pedersen、Ryo Suzuki、Masahito Yamazaki 和 Yutaka Yoshida，“可积自旋链量子模拟中的守恒电荷”，物理学杂志数学总学报56 16，165301（2023）.

[32] Marvin Bechtold、Johanna Barzen、Frank Leymann、Alexander Mandl、Julian Obst、Felix Truger 和 Benjamin Weder，“调查 QAOA 中电路切断对 NISQ 设备上 MaxCut 问题的影响”，量子科学与技术8 4，045022（2023）.

[33] Christoph Hirche、Cambyse Rouzé 和 Daniel Stilck França，“关于量子通道的收缩系数、偏序和容量近似”，的arXiv：2011.05949, (2020).

[34] Cristina Cirstoiu、Silas Dilkes、Daniel Mills、Seyon Sivarajah 和 Ross Duncan，“Qermit 错误缓解的批量基准测试”，量子7，1059（2023）.

[35] Minh C. Tran、Kunal Sharma 和 Kristan Temme，“量子电路的局域性和误差缓解”，的arXiv：2303.06496, (2023).

[36] Muhammad Kashif 和 Saif Al-Kuwari，“混合量子神经网络中成本函数全局性和局部性对 NISQ 设备的影响”，机器学习：科学与技术 4 1, 015004 (2023).

[37] Piotr Czarnik、Michael McKerns、Andrew T. Sornborger 和 Lukasz Cincio，“提高基于学习的错误缓解效率”，的arXiv：2204.07109, (2022).

[38] Daniel Bultrini、Samson Wang、Piotr Czarnik、Max Hunter Gordon、M. Cerezo、Patrick J. Coles 和 Lukasz Cincio，“部分纠错时代的干净和脏量子比特之战”，的arXiv：2205.13454, (2022).

[39] Muhammad Kashif 和 Saif Al-kuwari，“ResQNets：一种缓解量子神经网络中贫瘠高原的残差方法”，的arXiv：2305.03527, (2023).

[40] NM Guseynov、AA Zhukov、WV Pogosov 和 AV Lebedev，“热方程变分量子算法的深度分析”，物理评论A 107 5，052422（2023）.

[41] Olivia Di Matteo 和 RM Woloshyn，“使用自动微分的量子计算保真敏感性”，物理评论A 106 5，052429（2022）.

[42] Matteo Robbiati、Alejandro Sopena、Andrea Papaluca 和 Stefano Carrazza，“量子硬件变分优化的实时错误缓解”，的arXiv：2311.05680, (2023).

[43] Piotr Czarnik、Michael McKerns、Andrew T. Sornborger 和 Lukasz Cincio，“量子误差缓解不确定性下的稳健设计”，的arXiv：2307.05302, (2023).

[44] Nico Meyer、Daniel D. Scherer、Axel Plinge、Christopher Mutschler 和 Michael J. Hartmann，“量子自然策略梯度：迈向样本高效的强化学习”，的arXiv：2304.13571, (2023).

[45] Enrico Fontana、Ivan Rungger、Ross Duncan 和 Cristina Cîrstoiu，“用于噪声诊断和基于滤波器的数字错误缓解的频谱分析”，的arXiv：2206.08811, (2022).

[46] Wei-Bin Ewe、Dax Enshan Koh、Siong Thye Goh、Hong-Son Chu 和 Ching Eng Png，“基于变分量子的波导模式仿真”， IEEE 微波理论技术汇刊 70 5, 2517 (2022).

[47] 何子长、彭博、尤里·阿列克谢耶夫、张正，“具有移位噪声的分布式鲁棒变分量子算法”，的arXiv：2308.14935, (2023).

[48] Siddharth Dangwal、Gokul Subramanian Ravi、Poulami Das、Kaitlin N. Smith、Jonathan M. Baker 和 Frederic T. Chong，“VarSaw：针对变分量子算法的应用定制测量误差缓解”，的arXiv：2306.06027, (2023).

[49] Jessie M. Henderson、Marianna Podzorova、M. Cerezo、John K. Golden、Leonard Gleyzer、Hari S. Viswanathan 和 Daniel O'Malley，“地质裂缝网络的量子算法”，的arXiv：2210.11685, (2022).

[50] André Melo、Nathan Earnest-Noble 和 Francesco Tacchino，“脉冲高效量子机器学习”，量子7，1130（2023）.

[51] Christoph Hirche、Cambyse Rouzé 和 Daniel Stilck França，“关于量子通道的收缩系数、偏序和容量近似”，量子6，862（2022）.

[52] Jessie M. Henderson、Marianna Podzorova、M. Cerezo、John K. Golden、Leonard Gleyzer、Hari S. Viswanathan 和 Daniel O'Malley，“地质裂缝网络的量子算法”，科学报告13，2906（2023）.

[53] Marco Schumann、Frank K. Wilhelm 和 Alessandro Ciani，“任意分层噪声模型中噪声引起的贫瘠高原的出现”，的arXiv：2310.08405, (2023).

[54] Sharu Theresa Jose 和 Osvaldo Simeone，“参数化量子电路的误差缓解辅助优化：收敛分析”，的arXiv：2209.11514, (2022).

[55] P. Singkanipa 和 DA Lidar，“超越变分量子算法中的单位噪声：噪声引起的贫瘠高原和固定点”，的arXiv：2402.08721, (2024).

[56] Kevin Lively、Tim Bode、Jochen Szangolies、Jian-Xin Zhu 和 Benedikt Fauseweh，“变分量子本征解算器中相变的鲁棒实验特征”，的arXiv：2402.18953, (2024).

[57]王云飞、刘俊宇，“量子机器学习：从NISQ到容错”，的arXiv：2401.11351, (2024).

[58] Kosuke Ito 和 Keisuke Fujii，“SantaQlaus：一种利用量子散粒噪声优化变分量子算法的资源高效方法”，的arXiv：2312.15791, (2023).

以上引用来自 SAO / NASA广告（最近成功更新为2024-03-15 03:40:55）。该列表可能不完整，因为并非所有发布者都提供合适且完整的引用数据。

On Crossref的引用服务找不到有关引用作品的数据（上一次尝试2024-03-15 03:40:53）。

该论文发表在《量子》杂志上国际知识共享署名署名4.0（CC BY 4.0）执照。版权归原始版权持有者所有，例如作者或其所在机构。

SEO 支持的内容和 PR 分发。今天得到放大。
PlatoData.Network 垂直生成人工智能。赋予自己力量。访问这里。
柏拉图爱流。 Web3 智能。知识放大。访问这里。
柏拉图ESG。碳，清洁科技, 能源，环境，太阳能，废物管理。访问这里。
柏拉图健康。生物技术和临床试验情报。访问这里。
Sumber: https://quantum-journal.org/papers/q-2024-03-14-1287/

时间戳记： 2024 年 3 月 14 日

时间戳记： 2022 年 6 月 20 日

误差缓解可以提高噪声变分量子算法的可训练性吗？

由柏拉图重新发布

抽象

►BibTeX数据

►参考

被引用

更多来自量子杂志

量子系统的二进制控制脉冲优化

连续监测量子系统的序贯假设检验

脉冲高效量子机器学习

在少量子比特量子模拟中以 Lyapunov 速率观察保真度衰减

使用量子信号处理的衍生品定价

边带未分辨状态下光机械系统的相干反馈

临界量子测温及其在自旋系统中的可行性

参数谐振器阵列中的驱动耗散拓扑相

用于噪声偏差定制颜色代码的元胞自动机解码器

存在扇区约束的因果结构，以及对量子开关的应用

多方纠缠的拓扑链接模型

关于我们

垂直搜索和Ai

应用平台

保持联系

账号管理

抽象

被引用

更多来自 量子杂志