Dybt tilbagevendende netværk, der forudsiger gap-evolutionen i adiabatisk kvanteberegning

Genudgivet af Platon

Abonnenter: 0

Naeimeh Mohseni^1,2, Carlos Navarrete-Benlloch^3,4,1, Tim Byrnes^5,6,7,8,9og Florian Marquardt^1,2

¹Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 Erlangen, Tyskland
²Fysisk afdeling, Universitetet i Erlangen-Nürnberg, Staudtstr. 5, 91058 Erlangen, Tyskland
³Wilczek Quantum Center, School of Physics and Astronomy, Shanghai Jiao Tong University, Shanghai 200240, Kina
⁴Shanghai Research Center for Quantum Sciences, Shanghai 201315, Kina
⁵New York University Shanghai, 1555 Century Ave, Pudong, Shanghai 200122, Kina
⁶State Key Laboratory of Precision Spectroscopy, School of Physical and Material Sciences, East China Normal University, Shanghai 200062, Kina
⁷NYU-ECNU Institute of Physics ved NYU Shanghai, 3663 Zhongshan Road North, Shanghai 200062, Kina
⁸Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, New York University Abu Dhabi, UAE
⁹Institut for Fysik, New York University, New York, NY 10003, USA

Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.

Abstrakt

I adiabatisk kvanteberegning er det afgørende at finde afhængigheden af Hamiltonian-gabet som funktion af parameteren varieret under det adiabatiske sweep for at optimere hastigheden af beregningen. Inspireret af denne udfordring udforsker vi i dette arbejde potentialet for dyb læring for at opdage en kortlægning fra de parametre, der fuldt ud identificerer et problem Hamiltonian til den førnævnte parametriske afhængighed af kløften ved at anvende forskellige netværksarkitekturer. Gennem dette eksempel formoder vi, at en begrænsende faktor for lærebarheden af sådanne problemer er størrelsen af input, det vil sige, hvordan antallet af parametre, der er nødvendige for at identificere Hamiltons skalaer med systemstørrelsen. Vi viser, at et langtidshukommelsesnetværk lykkes med at forudsige kløften, når parameterrummet skaleres lineært med systemstørrelsen. Bemærkelsesværdigt viser vi, at når først denne arkitektur er kombineret med et foldet neuralt netværk for at håndtere modellens rumlige struktur, kan gap-evolutionen endda forudsiges for systemstørrelser, der er større end dem, der ses af det neurale netværk under træning. Dette giver en betydelig fremskyndelse i sammenligning med de eksisterende eksakte og omtrentlige algoritmer ved beregning af afstanden.

Udvalgt billede: Et neuralt netværk lærer det parametriske hul ved at observere data genereret af en klassisk computer eller en kvantecomputer.

Populært resumé

Inden for adiabatisk kvanteberegning er et nøgleaspekt for at opnå optimal beregningshastighed at forstå, hvordan afstanden til Hamiltonian afhænger af de forskellige parametre under det adiabatiske sweep. Motiveret af denne udfordring går vores papir i gang med at undersøge potentialet ved deep learning-teknikker for at opdage en kortlægning mellem problematiske Hamiltonske parametre og den parametriske afhængighed af kløften. Ved at anvende forskellige netværksarkitekturer undersøger vi indlæringsgrænserne for sådanne problemer. Vores undersøgelse tyder på, at skalerbarheden af antallet af parametre, der er nødvendige for at identificere Hamiltonianen med hensyn til systemstørrelsen, spiller en kritisk rolle i indlæringen af sådanne problemer.

Bemærkelsesværdigt viser vi, at et trænet neuralt netværk lykkes med at forudsige den fulde gap-evolution under et adiabatisk sweep for store systemstørrelser blot ved at lade det observere gapet for små systemstørrelser, givet parameterrummet skalerer lineært med systemstørrelsen. Vores undersøgelse lægger op til løftet om såkaldte konvolutionelle tilbagevendende netværk til at forudsige den adiabatiske dynamik i inhomogene mange-kropssystemer og deres potentiale for at ekstrapolere dynamikken ud over det, det neurale netværk er trænet på.

► BibTeX-data

@article{Mohseni2023deeprecurrent, doi = {10.22331/q-2023-06-12-1039}, url = {https://doi.org/10.22331/q-2023-06-12-1039}, title = {Dyb tilbagevendende netværk, der forudsiger gap-evolutionen i adiabatisk kvanteberegning}, forfatter = {Mohseni, Naeimeh og Navarrete-Benlloch, Carlos og Byrnes, Tim og Marquardt, Florian}, tidsskrift = {{Quantum}}, issn = {2521-327X}, udgiver = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, bind = {7}, sider = {1039}, måned = jun, år = {2023} }

► Referencer

[1] Dorit Aharonov og Amnon Ta-Shma. Adiabatisk kvantetilstandsgenerering og statistisk nulviden. I Proceedings of the Tredive-femth årlige ACM symposium on Theory of computing, side 20-29, 2003. 10.1145/780542.780546.
https:///doi.org/10.1145/780542.780546

[2] Mahabubul Alam, Abdullah Ash-Saki og Swaroop Ghosh. Accelererende kvantetilnærmet optimeringsalgoritme ved hjælp af maskinlæring. I 2020 Design, Automation & Test in Europe Conference & Exhibition (DATE), side 686–689. IEEE, 2020. 10.5555/3408352.3408509.
https:///doi.org/10.5555/3408352.3408509

[3] Tameem Albash og Daniel A Lidar. Demonstration af en skaleringsfordel for en kvanteudglødning i forhold til simuleret udglødning. Physical Review X, 8 (3): 031016, 2018. 10.1103/PhysRevX.8.031016.
https:///doi.org/10.1103/PhysRevX.8.031016

[4] Boris Altshuler, Hari Krovi og Jérémie Roland. Anderson-lokalisering får adiabatisk kvanteoptimering til at mislykkes. Proceedings of the National Academy of Sciences, 107 (28): 12446–12450, 2010. 10.1073/pnas.1002116107.
https:///doi.org/10.1073/pnas.1002116107

[5] MHS Amin og V Choi. Førsteordens kvantefaseovergang i adiabatisk kvanteberegning. Physical Review A, 80 (6): 062326, 2009. 10.1103/PhysRevA.80.062326.
https:///doi.org/10.1103/PhysRevA.80.062326

[6] Matthew JS Beach, Anna Golubeva og Roger G Melko. Maskinlæringshvirvler ved den kosterlitz-thouless overgang. Physical Review B, 97 (4): 045207, 2018. 10.1103/PhysRevB.97.045207.
https:///doi.org/10.1103/PhysRevB.97.045207

[7] Giulio Biroli, Simona Cocco og Rémi Monasson. Faseovergange og kompleksitet i datalogi: et overblik over den statistiske fysiks tilgang til det tilfældige tilfredsstillelsesproblem. Physica A: Statistical Mechanics and its Applications, 306: 381–394, 2002. 10.1016/S0378-4371(02)00516-2.
https://doi.org/10.1016/S0378-4371(02)00516-2

[8] Alex Blania, Sandro Herbig, Fabian Dechent, Evert van Nieuwenburg og Florian Marquardt. Dyb indlæring af rumlige tætheder i inhomogene korrelerede kvantesystemer. arXiv preprint arXiv:2211.09050, 2022. 10.48550/arXiv.2211.09050.
https:///doi.org/10.48550/arXiv.2211.09050
arXiv: 2211.09050

[9] Troels Arnfred Bojesen. Politisk guidet Monte Carlo: Forstærkningslærende markov-kædedynamik. Physical Review E, 98 (6): 063303, 2018. 10.1103/PhysRevE.98.063303.
https:///doi.org/10.1103/PhysRevE.98.063303

[10] Marin Bukov, Alexandre GR Day, Dries Sels, Phillip Weinberg, Anatoli Polkovnikov og Pankaj Mehta. Forstærkende læring i forskellige faser af kvantekontrol. Phys. Rev. X, 8: 031086, sep. 2018. 10.1103/PhysRevX.8.031086.
https:///doi.org/10.1103/PhysRevX.8.031086

[11] Giuseppe Carleo og Matthias Troyer. Løsning af kvantemange-kropsproblemet med kunstige neurale netværk. Science, 355 (6325): 602–606, 2017. 10.1126/science.aag2302.
https://doi.org/10.1126/science.aag2302

[12] Juan Carrasquilla og Roger G Melko. Maskinlæringsfaser af stof. Nature Physics, 13 (5): 431–434, 2017. 10.1038/nphys4035.
https://doi.org/10.1038/nphys4035

[13] Juan Carrasquilla og Giacomo Torlai. Neurale netværk i kvante-mange-kropsfysik: en praktisk vejledning. arXiv preprint arXiv:2101.11099, 2021. 10.48550/arXiv.2101.11099.
https:///doi.org/10.48550/arXiv.2101.11099
arXiv: 2101.11099

[14] François Chollet et al. Keras. https://keras.io, 2015.
https://keras.io

[15] Edward Farhi, Jeffrey Goldstone, Sam Gutmann og Michael Sipser. Kvanteberegning ved adiabatisk evolution. arXiv preprint quant-ph/0001106, 2000. 10.48550/arXiv.quant-ph/0001106.
https:///doi.org/10.48550/arXiv.quant-ph/0001106
arXiv:quant-ph/0001106

[16] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami og Yuya O. Nakagawa. Deep variational quantum egensolver: En del-og-hersk metode til at løse et større problem med mindre størrelse kvantecomputere. PRX Quantum, 3: 010346, marts 2022. 10.1103/PRXQuantum.3.010346.
https:///doi.org/10.1103/PRXQuantum.3.010346

[17] Ivan Glasser, Nicola Pancotti, Moritz August, Ivan D. Rodriguez og J. Ignacio Cirac. Neurale netværks kvantetilstande, strengbindingstilstande og chirale topologiske tilstande. Phys. Rev. X, 8: 011006, januar 2018. 10.1103/PhysRevX.8.011006.
https:///doi.org/10.1103/PhysRevX.8.011006

[18] Ian Goodfellow, Yoshua Bengio og Aaron Courville. Dyb læring. MIT Press, 2016. URL http:///www.deeplearningbook.org.
http://www.deeplearningbook.org

[19] Alex Graves, Abdel-rahman Mohamed og Geoffrey Hinton. Talegenkendelse med dybt tilbagevendende neurale netværk. I 2013 IEEE international konference om akustik, tale og signalbehandling, side 6645-6649. Ieee, 2013. 10.1109/ICASSP.2013.6638947.
https:///doi.org/10.1109/ICASSP.2013.6638947

[20] Gian Giacomo Guerreschi. Løsning af kvadratisk ubegrænset binær optimering med del-og-hersk og kvantealgoritmer. arXiv preprint arXiv:2101.07813, 2021. 10.48550/arXiv.2101.07813.
https:///doi.org/10.48550/arXiv.2101.07813
arXiv: 2101.07813

[21] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele og Procolo Lucignano. Deep learning optimale kvanteudglødningsskemaer for tilfældige modeller. arXiv preprint arXiv:2211.15209, 2022. 10.48550/arXiv.2211.15209.
https:///doi.org/10.48550/arXiv.2211.15209
arXiv: 2211.15209

[22] S Hochreiter og J Schmidhuber. Lang korttidshukommelse neural beregning. 10.1162/neco.1997.9.8.1735.
https:///doi.org/10.1162/neco.1997.9.8.1735

[23] Hsin-Yuan Huang, Richard Kueng og John Preskill. Informationsteoretiske grænser for kvantefordele i maskinlæring. Phys. Rev. Lett., 126: 190505, maj 2021a. 10.1103/PhysRevLett.126.190505.
https:///doi.org/10.1103/PhysRevLett.126.190505

[24] Hsin-Yuan Huang, Richard Kueng, Giacomo Torlai, Victor V Albert og John Preskill. Viselig effektiv maskinlæring til kvantemangel-kropsproblemer. videnskab, 2021b. 10.1126/science.abk3333.
https://doi.org/10.1126/science.abk3333

[25] Li Huang og Lei Wang. Accelererede Monte Carlo-simuleringer med begrænsede boltzmann-maskiner. Phys. Rev. B, 95: 035105, jan 2017. 10.1103/PhysRevB.95.035105.
https:///doi.org/10.1103/PhysRevB.95.035105

[26] Marko Žnidarič og Martin Horvat. Eksponentiel kompleksitet af en adiabatisk algoritme for et np-komplet problem. Phys. Rev. A, 73: 022329, feb 2006. 10.1103/PhysRevA.73.022329.
https:///doi.org/10.1103/PhysRevA.73.022329

[27] J Robert Johansson, Paul D Nation og Franco Nori. Qutip: En open source python-ramme for dynamikken i åbne kvantesystemer. Computer Physics Communications, 183 (8): 1760–1772, 2012. 10.48550/arXiv.1110.0573.
https:///doi.org/10.48550/arXiv.1110.0573

[28] Wolfgang Lechner, Philipp Hauke og Peter Zoller. En kvanteudglødningsarkitektur med alt-til-alle-forbindelse fra lokale interaktioner. Science advances, 1 (9): e1500838, 2015. 10.1126/sciadv.1500838.
https:///doi.org/10.1126/sciadv.1500838

[29] Yann LeCun, Yoshua Bengio og Geoffrey Hinton. Udforsk dyb forstærkende læring med multi q-learning. nature, 521 (7553): 436–444, 2015. 10.1038/nature14539.
https:///doi.org/10.1038/nature14539

[30] Daniel A Lidar, Ali T Rezakhani og Alioscia Hamma. Adiabatisk tilnærmelse med eksponentiel nøjagtighed for mange-kropssystemer og kvanteberegning. Journal of Mathematical Physics, 50 (10): 102106, 2009. 10.1063/1.3236685.
https:///doi.org/10.1063/1.3236685

[31] Yuichiro Matsuzaki, Hideaki Hakoshima, Kenji Sugisaki, Yuya Seki og Shiro Kawabata. Direkte estimering af energigabet mellem grundtilstanden og den exciterede tilstand med kvanteudglødning. Japanese Journal of Applied Physics, 60 (SB): SBBI02, 2021. 10.1088/0305-4470/15/10/028.
https://doi.org/10.1088/0305-4470/15/10/028

[32] Matija Medvidović og Giuseppe Carleo. Klassisk variationssimulering af den omtrentlige kvanteoptimeringsalgoritme. npj Quantum Information, 7 (1): 1–7, 2021. 10.1038/s41534-021-00440-z.
https:///doi.org/10.1038/s41534-021-00440-z

[33] Tomáš Mikolov, Martin Karafiát, Lukáš Burget, Jan Černockỳ og Sanjeev Khudanpur. Tilbagevendende neurale netværk baseret sprogmodel. I ellevte årlige konference for den internationale talekommunikationsforening, 2010. 10.21437/Interspeech.2010-343.
https://doi.org/10.21437/Interspeech.2010-343

[34] Naeimeh Mohseni, Marek Narozniak, Alexey N Pyrkov, Valentin Ivannikov, Jonathan P Dowling og Tim Byrnes. Fejlundertrykkelse i adiabatisk kvanteberegning med qubit-ensembler. npj Quantum Information, 7 (1): 1-10, 2021. doi.org/10.1038/s41534-021-00405-2.
https://doi.org/10.1038/s41534-021-00405-2

[35] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch og Florian Marquardt. Dyb indlæring af kvante mange-krops dynamik via tilfældig kørsel. Quantum, 6: 714, 2022a. 10.22331/q-2022-05-17-714.
https://doi.org/10.22331/q-2022-05-17-714

[36] Naeimeh Mohseni, Peter L McMahon og Tim Byrnes. Udfører maskiner som hardwareløsere af kombinatoriske optimeringsproblemer. Nature Reviews Physics, 4 (6): 363–379, 2022b. 10.1038/s42254-022-00440-8.
https://doi.org/10.1038/s42254-022-00440-8

[37] Naeimeh Mohseni, Junheng Shi, Tim Byrnes og Michael Hartmann. Dyb indlæring af observerbare mange-kroppe og forvrængning af kvanteinformation. arXiv preprint arXiv:2302.04621, 2023. 10.48550/arXiv.2302.04621.
https:///doi.org/10.48550/arXiv.2302.04621
arXiv: 2302.04621

[38] Michael A Nielsen. Neurale netværk og dyb læring, bind 2018. Determination press San Francisco, CA, 2015.

[39] Murphy Yuezhen Niu, Andrew M Dai, Li Li, Augustus Odena, Zhengli Zhao, Vadim Smelyanskyi, Hartmut Neven og Sergio Boixo. Lærbarhed og kompleksitet af kvanteprøver. arXiv preprint arXiv:2010.11983, 2020. 10.48550/arXiv.2010.11983.
https:///doi.org/10.48550/arXiv.2010.11983
arXiv: 2010.11983

[40] Asier Ozaeta, Wim van Dam og Peter L McMahon. Forventningsværdier fra enkeltlags kvante tilnærmelsesvis optimeringsalgoritme for problemløsning. Quantum Science and Technology, 7 (4): 045036, 2022. 10.1088/2058-9565/ac9013.
https:///doi.org/10.1088/2058-9565/ac9013

[41] Boris Pittel, Joel Spencer og Nicholas Wormald. Pludselig fremkomst af en kæmpe-kerne i en tilfældig graf. Journal of Combinatorial Theory, Series B, 67 (1): 111–151, 1996. 10.1006/jctb.1996.0036.
https://doi.org/10.1006/jctb.1996.0036

[42] Jérémie Roland og Nicolas J Cerf. Kvantesøgning ved lokal adiabatisk evolution. Physical Review A, 65 (4): 042308, 2002. 10.1103/PhysRevA.65.042308.
https:///doi.org/10.1103/PhysRevA.65.042308

[43] AE Russo, KM Rudinger, BCA Morrison og AD Baczewski. Evaluering af energiforskelle på en kvantecomputer med robust faseestimering. Phys. Rev. Lett., 126: 210501, maj 2021. 10.1103/PhysRevLett.126.210501.
https:///doi.org/10.1103/PhysRevLett.126.210501

[44] Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale og Martin Suchara. Quantum divide and conquer til kombinatorisk optimering og distribueret computing. arXiv preprint arXiv:2107.07532, 2021. 10.48550/arXiv.2107.07532.
https:///doi.org/10.48550/arXiv.2107.07532
arXiv: 2107.07532

[45] N. Saraceni, S. Cantori og S. Pilati. Skalerbare neurale netværk til effektiv indlæring af uordnede kvantesystemer. Phys. Rev. E, 102: 033301, sep. 2020. 10.1103/PhysRevE.102.033301.
https:///doi.org/10.1103/PhysRevE.102.033301

[46] Gernot Schaller. Adiabatisk præparation uden kvantefaseovergange. Phys. Rev. A, 78: 032328, sep. 2008. 10.1103/PhysRevA.78.032328.
https:///doi.org/10.1103/PhysRevA.78.032328

[47] Markus Schmitt og Markus Heyl. Kvante mange-krops dynamik i to dimensioner med kunstige neurale netværk. Phys. Rev. Lett., 125: 100503, sep. 2020. 10.1103/PhysRevLett.125.100503.
https:///doi.org/10.1103/PhysRevLett.125.100503

[48] Ralf Schützhold. Dynamiske kvantefaseovergange. Journal of Low Temperature Physics, 153 (5-6): 228-243, 2008. 10.1007/s10909-008-9831-5.
https://doi.org/10.1007/s10909-008-9831-5

[49] Xingjian SHI, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong og Wang-chun WOO. Konvolutionelt lstm-netværk: En maskinlæringstilgang til nedbørs-nowcasting. I C. Cortes, N. Lawrence, D. Lee, M. Sugiyama og R. Garnett, redaktører, Advances in Neural Information Processing Systems, bind 28. Curran Associates, Inc., 2015. URL https:///proceedings .neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf.
https://proceedings.neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf

[50] Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko og Giuseppe Carleo. Neural-netværk kvantetilstandstomografi. Nature Physics, 14 (5): 447–450, 2018. 10.1038/s41567-018-0048-5.
https://doi.org/10.1038/s41567-018-0048-5

[51] Evert PL Van Nieuwenburg, Ye-Hua Liu og Sebastian D Huber. Læringsfaseovergange ved forvirring. Nature Physics, 13 (5): 435–439, 2017. 10.1038/nphys4037.
https://doi.org/10.1038/nphys4037

[52] Filippo Vicentini. Maskinlæringsværktøjskasse til kvantemange kropsfysik. Nature Reviews Physics, 3 (3): 156-156, 2021. 10.1038/s42254-021-00285-7.
https://doi.org/10.1038/s42254-021-00285-7

[53] Lei Wang. Opdagelse af faseovergange med uovervåget læring. Phys. Rev. B, 94: 195105, nov. 2016. 10.1103/PhysRevB.94.195105.
https:///doi.org/10.1103/PhysRevB.94.195105

[54] Sebastian J Wetzel. Uovervåget indlæring af faseovergange: Fra principal komponentanalyse til variationsautoencodere. Physical Review E, 96 (2): 022140, 2017. 10.1103/PhysRevE.96.022140.
https:///doi.org/10.1103/PhysRevE.96.022140

[55] SHI Xingjian, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-Kin Wong og Wang-chun Woo. Konvolutionelt lstm-netværk: En maskinlæringstilgang til nedbørs-nowcasting. I Advances in neurale informationsbehandlingssystemer, side 802-810, 2015. URL https:///proceedings.neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper
https://proceedings.neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf

[56] AP Young, S. Knysh og VN Smelyanskiy. Størrelsesafhængighed af det minimale excitationsgab i den kvanteadiabatiske algoritme. Phys. Rev. Lett., 101: 170503, okt. 2008. 10.1103/PhysRevLett.101.170503.
https:///doi.org/10.1103/PhysRevLett.101.170503

Citeret af

[1] Naeimeh Mohseni, Peter L. McMahon og Tim Byrnes, "Ising machines as hardware solvers of combinatorial optimization problems", Nature Reviews Physics 4 6, 363 (2022).

[2] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch og Florian Marquardt, "Deep Learning of Quantum Many-Body Dynamics via Random Driving", Quantum 6 (714).

[3] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele og Procolo Lucignano, "Deep learning optimale kvanteudglødningsskemaer for tilfældige Ising-modeller", arXiv: 2211.15209, (2022).

[4] Alexander Gresch, Lennart Bittel og Martin Kliesch, "Skalerbar tilgang til lokalisering af mange krop via kvantedata", arXiv: 2202.08853, (2022).

[5] Naeimeh Mohseni, Junheng Shi, Tim Byrnes og Michael Hartmann, "Dyb indlæring af observerbare mange-kroppe og kvanteinformation forvrængning", arXiv: 2302.04621, (2023).

Ovenstående citater er fra SAO/NASA ADS (sidst opdateret 2023-06-13 23:27:02). Listen kan være ufuldstændig, da ikke alle udgivere leverer passende og fuldstændige citatdata.

On Crossrefs citeret af tjeneste ingen data om at citere værker blev fundet (sidste forsøg 2023-06-13 23:27:01).

Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.

SEO Powered Content & PR Distribution. Bliv forstærket i dag.
EVM Finans. Unified Interface for Decentralized Finance. Adgang her.
Quantum Media Group. IR/PR forstærket. Adgang her.
PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
Kilde: https://quantum-journal.org/papers/q-2023-06-12-1039/

Tidsstempel: 12. Juni, 2023

Tidsstempel: December 6, 2023

Dybt tilbagevendende netværk, der forudsiger gap-evolutionen i adiabatisk kvanteberegning

Genudgivet af Platon

Abstrakt

Populært resumé

► BibTeX-data

► Referencer

Citeret af

Mere fra Quantum Journal

Kvantemanipulation af et to-niveau mekanisk system

Benchmarking af Planar Honeycomb Code

Afslappende hardwarekrav til overfladekodekredsløb ved hjælp af tidsdynamik

Energitætheder i kvantemekanik

Mikrokanoniske vinduer på kvanteoperatorer

Simpel kvantekontekstualitet

Hamiltoniansk læring med høj nøjagtighed via delokaliserede kvantetilstandsudviklinger

Mod Quantum Advantage i finansiel markedsrisiko ved hjælp af Quantum Gradient Algorithms

Grafteoretisk tilgang til Bell-eksperimenter med lav detektionseffektivitet

Afgrænsende sammenfiltringsdimensionalitet fra kovariansmatrixen

Korrelationer i typiskhed og en bekræftende løsning på den nøjagtige katalytiske entropiformodning

En (simpel) klassisk algoritme til at estimere Betti-tal

Om os

Vertikal søgning & Ai

perron

Stay Connected

Konto