1Instituto Indio de Tecnología, Roorkee, India.
2Escuela de Informática, Universidad de Edimburgo, EH8 9AB Edimburgo, Reino Unido.
3LIP6, CNRS, Sorbonne Université, 4 place Jussieu, 75005 París, Francia.
¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.
Resumen
La optimización combinatoria aproximada se ha convertido en una de las áreas de aplicación más prometedoras para las computadoras cuánticas, particularmente en el corto plazo. En este trabajo, nos enfocamos en el algoritmo de optimización cuántica aproximada (QAOA) para resolver el problema MaxCut. Específicamente, abordamos dos problemas en QAOA, cómo inicializar el algoritmo y cómo entrenar posteriormente los parámetros para encontrar una solución óptima. Para el primero, proponemos redes neuronales gráficas (GNN) como una técnica de arranque en caliente para QAOA. Demostramos que la fusión de GNN con QAOA puede superar ambos enfoques individualmente. Además, demostramos cómo las redes neuronales gráficas permiten la generalización de inicio en caliente no solo en instancias de gráficos, sino también para aumentar el tamaño de los gráficos, una característica que no está directamente disponible para otros métodos de inicio en caliente. Para entrenar el QAOA, probamos varios optimizadores para el problema MaxCut hasta 16 qubits y comparamos con el descenso de gradiente de vainilla. Estos incluyen optimizadores neuronales/basados en aprendizaje cuántico/agnósticos y basados en aprendizaje automático. Ejemplos de estos últimos incluyen el refuerzo y el metaaprendizaje. Con la incorporación de estos kits de herramientas de inicialización y optimización, demostramos cómo se pueden resolver los problemas de optimización utilizando QAOA en una canalización diferenciable de extremo a extremo.
► datos BibTeX
► referencias
[ 1 ] Juan Preskill. Computación cuántica en la era NISQ y más allá. Quantum, 2:79, agosto de 2018. URL: https://quantum-journal.org/papers/q-2018-08-06-79/, doi:10.22331/q-2018-08- 06-79.
https://doi.org/10.22331/q-2018-08-06-79
https: / / quantum-journal.org/ papers / q-2018-08-06-79 /
[ 2 ] Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J. Love, Alán Aspuru-Guzik y Jeremy L. O'Brien. Un solucionador de valores propios variacionales en un procesador cuántico fotónico. Nature Communications, 5(1):1–7, julio de 2014. URL: https://www.nature.com/articles/ncomms5213, doi:10.1038/ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213
https: / / www.nature.com/ articles / ncomms5213
[ 3 ] Edward Farhi, Jeffrey Goldstone y Sam Gutmann. Un algoritmo de optimización aproximada cuántica. arXiv:1411.4028 [quant-ph], noviembre de 2014. URL: http://arxiv.org/abs/1411.4028, doi:10.48550/arXiv.1411.4028.
https:///doi.org/10.48550/arXiv.1411.4028
arXiv: 1411.4028
[ 4 ] Jarrod R. McClean, Jonathan Romero, Ryan Babbush y Alán Aspuru-Guzik. La teoría de los algoritmos clásicos cuánticos híbridos variacionales. New Journal of Physics, 18(2):023023, febrero de 2016. URL:.
https://doi.org/10.1088/1367-2630/18/2/023023
[ 5 ] M. Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio y Patrick J. Coles. Algoritmos cuánticos variacionales. Nature Reviews Physics, 3(9):625–644, septiembre de 2021. URL: https://www.nature.com/articles/s42254-021-00348-9, doi:10.1038/s42254-021 -00348-9.
https://doi.org/10.1038/s42254-021-00348-9
https: / / www.nature.com/ articles / s42254-021-00348-9
[ 6 ] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S. Kottmann, Tim Menke, Wai-Keong Mok, Sukin Sim, Leong-Chuan Kwek, y Alan Aspuru-Guzik. Algoritmos cuánticos ruidosos de escala intermedia. Rev.Mod. Phys., 94(1):015004, febrero de 2022. URL: https://link.aps.org/doi/10.1103/RevModPhys.94.015004, doi:10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[ 7 ] K. Mitarai, M. Negoro, M. Kitagawa y K. Fujii. Aprendizaje de circuitos cuánticos. física Rev. A, 98(3):032309, septiembre de 2018. URL: https://link.aps.org/doi/10.1103/PhysRevA.98.032309, doi:10.1103/PhysRevA.98.032309.
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[ 8 ] Edward Farhi y Hartmut Neven. Clasificación con Redes Neuronales Cuánticas en Procesadores de Corto Plazo. arXiv:1802.06002 [quant-ph], febrero de 2018. URL: http://arxiv.org/abs/1802.06002, doi:10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
arXiv: 1802.06002
[ 9 ] Marcello Benedetti, Erika Lloyd, Stefan Sack y Mattia Fiorentini. Circuitos cuánticos parametrizados como modelos de aprendizaje automático. Ciencia Cuántica. Technol., 4(4):043001, noviembre de 2019. URL:.
https://doi.org/10.1088/2058-9565/ab4eb5
[ 10 ] Francisco Barahona, Martin Grötschel, Michael Jünger y Gerhard Reinelt. Una aplicación de optimización combinatoria a la física estadística y al diseño de circuitos. Operations Research, 36(3):493–513, 1988. URL: http://jstor.org/stable/170992.
http:///jstor.org/stable/170992
[ 11 ] Jan Polonia y Thomas Zeugmann. Agrupación de distancias por pares con datos faltantes: cortes máximos frente a cortes normalizados. En Ljupco Todorovski, Nada Lavrac y Klaus P. Jantke, editores, Discovery Science, 9th International Conference, DS 2006, Barcelona, España, 7-10 de octubre de 2006, Actas, volumen 4265 de Lecture Notes in Computer Science, páginas 197– 208. Springer, 2006. URL: https://doi.org/10.1007/11893318_21, doi:10.1007/11893318_21.
https: / / doi.org/ 10.1007 / 11893318_21
[ 12 ] Michael A. Nielsen e Isaac L. Chuang. Computación cuántica e información cuántica. Prensa de la Universidad de Cambridge, Cambridge; Nueva York, edición del décimo aniversario, 10. doi:2010/CBO10.1017.
https: / / doi.org/ 10.1017 / CBO9780511976667
[ 13 ] Mateo B. Hastings. Algoritmos de aproximación de profundidad acotados cuánticos y clásicos. Información cuántica Comput., 19(13&14):1116–1140, 2019. doi:10.26421/QIC19.13-14-3.
https: / / doi.org/ 10.26421 / QIC19.13-14-3
[ 14 ] Edward Farhi, Jeffrey Goldstone, Sam Gutmann y Leo Zhou. El algoritmo de optimización aproximada cuántica y el modelo de Sherrington-Kirkpatrick en tamaño infinito. Quantum, 6:759, julio de 2022. URL: https://quantum-journal.org/papers/q-2022-07-07-759/, doi:10.22331/q-2022-07- 07-759.
https://doi.org/10.22331/q-2022-07-07-759
https: / / quantum-journal.org/ papers / q-2022-07-07-759 /
[ 15 ] Daniel Stilck França y Raul García-Patrón. Limitaciones de los algoritmos de optimización en dispositivos cuánticos ruidosos. Nature Physics, 17(11):1221–1227, noviembre de 2021. URL: https://www.nature.com/articles/s41567-021-01356-3, doi:10.1038/s41567-021- 01356-3.
https://doi.org/10.1038/s41567-021-01356-3
https: / / www.nature.com/ articles / s41567-021-01356-3
[ 16 ] V. Akshay, H. Philathong, MES Morales y JD Biamonte. Déficits de accesibilidad en la optimización aproximada cuántica. física Rev. Lett., 124(9):090504, marzo de 2020. URL: https://link.aps.org/doi/10.1103/PhysRevLett.124.090504, doi:10.1103/PhysRevLett.124.090504.
https: / / doi.org/ 10.1103 / PhysRevLett.124.090504
[ 17 ] Sami Boulebnane. Mejora del algoritmo de optimización aproximada cuántica con postselección. arXiv:2011.05425 [quant-ph], noviembre de 2020. URL: http://arxiv.org/abs/2011.05425, doi:10.48550/arXiv.2011.05425.
https:///doi.org/10.48550/arXiv.2011.05425
arXiv: 2011.05425
[ 18 ] V. Akshay, D. Rabinovich, E. Campos y J. Biamonte. Concentración de Parámetros en Optimización Aproximada Cuántica. Revisión física A, 104(1):L010401, julio de 2021. URL: http://arxiv.org/abs/2103.11976, doi:10.1103/PhysRevA.104.L010401.
https: / / doi.org/ 10.1103 / PhysRevA.104.L010401
arXiv: 2103.11976
[ 19 ] D. Rabinovich, R. Sengupta, E. Campos, V. Akshay y J. Biamonte. Progreso hacia ángulos analíticamente óptimos en optimización cuántica aproximada. arXiv:2109.11566 [matemáticas-ph, física:quant-ph], septiembre de 2021. URL: http://arxiv.org/abs/2109.11566.
https:///doi.org/10.3390/math10152601
arXiv: 2109.11566
[ 20 ] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga y Leo Zhou. El algoritmo de optimización aproximada cuántica a alta profundidad para MaxCut en gráficos regulares de gran circunferencia y el modelo Sherrington-Kirkpatrick. En François Le Gall y Tomoyuki Morimae, editores, 17th Conference on the Theory of Quantum Computation, Communication and Cryptography (TQC 2022), volumen 232 de Leibniz International Proceedings in Informatics (LIPIcs), páginas 7:1–7:21, Dagstuhl, Alemania, 2022. Schloss Dagstuhl – Leibniz-Zentrum für Informatik. URL: https://drops.dagstuhl.de/opus/volltexte/2022/16514, doi:10.4230/LIPIcs.TQC.2022.7.
https: / / doi.org/ 10.4230 / LIPIcs.TQC.2022.7
https: / / drops.dagstuhl.de/ opus / volltexte / 2022/16514
[ 21 ] Stuart Hadfield, Zhihui Wang, Bryan O'Gorman, Eleanor G. Rieffel, Davide Venturelli y Rupak Biswas. Del Algoritmo de Optimización Aproximada Cuántica a un Operador Alterno Cuántico Ansatz. Algorithms, 12(2):34, febrero de 2019. URL: https://www.mdpi.com/1999-4893/12/2/34, doi:10.3390/a12020034.
https: / / doi.org/ 10.3390 / a12020034
https://www.mdpi.com/1999-4893/12/2/34
[ 22 ] Ryan LaRose, Eleanor Rieffel y Davide Venturelli. Mixer-Phaser Ansätze para optimización cuántica con restricciones estrictas. arXiv:2107.06651 [quant-ph], julio de 2021. URL: http://arxiv.org/abs/2107.06651, doi:10.48550/arXiv.2107.06651.
https:///doi.org/10.48550/arXiv.2107.06651
arXiv: 2107.06651
[ 23 ] Linghua Zhu, Ho Lun Tang, George S. Barron, FA Calderon-Vargas, Nicholas J. Mayhall, Edwin Barnes y Sophia E. Economou. Algoritmo adaptativo de optimización cuántica aproximada para resolver problemas combinatorios en una computadora cuántica. física Rev. Research, 4(3):033029, julio de 2022. URL: https://link.aps.org/doi/10.1103/PhysRevResearch.4.033029, doi:10.1103/PhysRevResearch.4.033029.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.033029
[ 24 ] Stuart Hadfield, Tad Hogg y Eleanor G. Rieffel. Marco analítico para el operador alternativo cuántico Ansätze. arXiv:2105.06996 [quant-ph], mayo de 2021. URL: http://arxiv.org/abs/2105.06996, doi:10.48550/arXiv.2105.06996.
https:///doi.org/10.48550/arXiv.2105.06996
arXiv: 2105.06996
[ 25 ] Guillaume Verdon, Juan Miguel Arrazola, Kamil Brádler y Nathan Killoran. Un algoritmo de optimización aproximada cuántica para problemas continuos. arXiv:1902.00409 [quant-ph], febrero de 2019. URL: http://arxiv.org/abs/1902.00409, doi:10.48550/arXiv.1902.00409.
https:///doi.org/10.48550/arXiv.1902.00409
arXiv: 1902.00409
[ 26 ] Panagiotis Kl Barkoutsos, Giacomo Nannicini, Anton Robert, Ivano Tavernelli y Stefan Woerner. Mejora de la optimización cuántica variacional mediante CVaR. Quantum, 4:256, abril de 2020. URL: https://quantum-journal.org/papers/q-2020-04-20-256/, doi:10.22331/q-2020-04- 20-256.
https://doi.org/10.22331/q-2020-04-20-256
https: / / quantum-journal.org/ papers / q-2020-04-20-256 /
[ 27 ] Ioannis Kolotouros y Petros Wallden. Función objetivo evolutiva para una optimización cuántica variacional mejorada. física Rev. Research, 4(2):023225, junio de 2022. URL: https://link.aps.org/doi/10.1103/PhysRevResearch.4.023225, doi:10.1103/PhysRevResearch.4.023225.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.023225
[ 28 ] David Amaro, Carlo Modica, Matthias Rosenkranz, Mattia Fiorentini, Marcello Benedetti y Michael Lubasch. Filtrado de algoritmos cuánticos variacionales para optimización combinatoria. Quantum Science and Technology, 7(1):015021, enero de 2022. doi:10.1088/2058-9565/ac3e54.
https://doi.org/10.1088/2058-9565/ac3e54
[ 29 ] Daniel J. Egger, Jakub Mareček y Stefan Woerner. Optimización cuántica de arranque en caliente. Quantum, 5:479, junio de 2021. URL: http://dx.doi.org/10.22331/q-2021-06-17-479, doi:10.22331/q-2021-06-17- 479.
https://doi.org/10.22331/q-2021-06-17-479
[ 30 ] Stefan H. Sack y Maksym Serbyn. Inicialización de recocido cuántico del algoritmo de optimización cuántica aproximada. Quantum, 5:491, julio de 2021. URL: http://dx.doi.org/10.22331/q-2021-07-01-491, doi:10.22331/q-2021-07-01- 491.
https://doi.org/10.22331/q-2021-07-01-491
[ 31 ] Gian Giacomo Guerreschi y Mikhail Smelyanskiy. Optimización práctica para algoritmos híbridos cuánticos-clásicos. arXiv:1701.01450 [quant-ph], enero de 2017. URL: http://arxiv.org/abs/1701.01450, doi:10.48550/arXiv.1701.01450.
https:///doi.org/10.48550/arXiv.1701.01450
arXiv: 1701.01450
[ 32 ] Nikolaj Moll, Panagiotis Barkoutsos, Lev S Bishop, Jerry M Chow, Andrew Cross, Daniel J Egger, Stefan Filipp, Andreas Fuhrer, Jay M Gambetta, Marc Ganzhorn y otros. Optimización cuántica utilizando algoritmos variacionales en dispositivos cuánticos a corto plazo. Quantum Science and Technology, 3(3):030503, junio de 2018. URL: http://dx.doi.org/10.1088/2058-9565/aab822, doi:10.1088/2058-9565/ aab822.
https: / / doi.org/ 10.1088 / 2058-9565 / aab822
[ 33 ] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev y Prasanna Balaprakash. Optimización de circuitos cuánticos variacionales basados en aprendizaje por refuerzo para problemas combinatorios. arXiv:1911.04574 [quant-ph, stat], noviembre de 2019. URL: http://arxiv.org/abs/1911.04574, doi:10.48550/arXiv.1911.04574.
https:///doi.org/10.48550/arXiv.1911.04574
arXiv: 1911.04574
[ 34 ] Michael Streif y Martín Leib. Entrenamiento del algoritmo de optimización cuántica aproximada sin acceso a una unidad de procesamiento cuántico. Quantum Science and Technology, 5(3):034008, mayo de 2020. doi:10.1088/2058-9565/ab8c2b.
https://doi.org/10.1088/2058-9565/ab8c2b
[ 35 ] Leo Zhou, Sheng-Tao Wang, Soonwon Choi, Hannes Pichler y Mikhail D. Lukin. Algoritmo de optimización aproximada cuántica: rendimiento, mecanismo e implementación en dispositivos a corto plazo. física Rev. X, 10(2):021067, junio de 2020. URL: https://link.aps.org/doi/10.1103/PhysRevX.10.021067, doi:10.1103/PhysRevX.10.021067.
https: / / doi.org/ 10.1103 / PhysRevX.10.021067
[ 36 ] David Amaro, Matthias Rosenkranz, Nathan Fitzpatrick, Koji Hirano y Mattia Fiorentini. Un estudio de caso de algoritmos cuánticos variacionales para un problema de programación de taller. EPJ Quantum Technology, 9(1):1–20, diciembre de 2022. URL: https://epjquantumtechnology.springeropen.com/articles/10.1140/epjqt/s40507-022-00123-4, doi: 10.1140/epjqt/s40507-022-00123-4.
https://doi.org/10.1140/epjqt/s40507-022-00123-4
[ 37 ] Matthew P. Harrigan, Kevin J. Sung, Matthew Neeley, Kevin J. Satzinger, Frank Arute, Kunal Arya, Juan Atalaya, Joseph C. Bardin, Rami Barends, Sergio Boixo, Michael Broughton, Bob B. Buckley, David A. Buell , Brian Burkett, Nicholas Bushnell, Yu Chen, Zijun Chen, Ben Chiaro, Roberto Collins, William Courtney, Sean Demura, Andrew Dunsworth, Daniel Eppens, Austin Fowler, Brooks Foxen, Craig Gidney, Marissa Giustina, Rob Graff, Steve Habegger, Alan Ho, Sabrina Hong, Trent Huang, LB Ioffe, Sergei V. Isakov, Evan Jeffrey, Zhang Jiang, Cody Jones, Dvir Kafri, Kostyantyn Kechedzhi, Julian Kelly, Seon Kim, Paul V. Klimov, Alexander N. Korotkov, Fedor Kostritsa, David Landhuis, Pavel Laptev, Mike Lindmark, Martin Leib, Orion Martin, John M. Martinis, Jarrod R. McClean, Matt McEwen, Anthony Megrant, Xiao Mi, Masoud Mohseni, Wojciech Mruczkiewicz, Josh Mutus, Ofer Naaman, Charles Neill, Florian Neukart, Murphy Yuezhen Niu, Thomas E. O'Brien, Bryan O'Gorman, Eric Ostby, Andre Petukhov, Harald Putte rman, Chris Quintana, Pedram Roushan, Nicholas C. Rubin, Daniel Sank, Andrea Skolik, Vadim Smelyanskiy, Doug Strain, Michael Streif, Marco Szalay, Amit Vainsencher, Theodore White, Z. Jamie Yao, Ping Yeh, Adam Zalcman, Leo Zhou , Hartmut Neven, Dave Bacon, Erik Lucero, Edward Farhi y Ryan Babbush. Optimización cuántica aproximada de problemas de gráficos no planos en un procesador superconductor plano. Nature Physics, 17(3):332–336, marzo de 2021. URL: https://www.nature.com/articles/s41567-020-01105-y, doi:10.1038/s41567-020- 01105-a.
https: / / doi.org/ 10.1038 / s41567-020-01105-y
https: / / www.nature.com/ articles / s41567-020-01105-y
[ 38 ] Johannes Weidenfeller, Lucia C. Valor, Julien Gacon, Caroline Tornow, Luciano Bello, Stefan Woerner y Daniel J. Egger. Escalado del algoritmo de optimización cuántica aproximada en hardware basado en qubit superconductor, febrero de 2022. URL: http://arxiv.org/abs/2202.03459, doi:10.48550/arXiv.2202.03459.
https:///doi.org/10.48550/arXiv.2202.03459
arXiv: 2202.03459
[ 39 ] Cheng Xue, Zhao-Yun Chen, Yu-Chun Wu y Guo-Ping Guo. Efectos del ruido cuántico en el algoritmo de optimización aproximada cuántica. Chinese Physics Letters, 38(3):030302, marzo de 2021. URL: https://doi.org/10.1088/0256-307x/38/3/030302, doi:10.1088/0256- 307X/38/3/030302.
https://doi.org/10.1088/0256-307x/38/3/030302
[ 40 ] Jeffrey Marshall, Filip Wudarski, Stuart Hadfield y Tad Hogg. Caracterización del ruido local en circuitos QAOA. IOP SciNotes, 1(2):025208, agosto de 2020. doi:10.1088/2633-1357/abb0d7.
https://doi.org/10.1088/2633-1357/abb0d7
[ 41 ] Ryan La Rose. Descripción general y comparación de plataformas de software Quantum de nivel de puerta. Quantum, 3:130, marzo de 2019. URL: https://quantum-journal.org/papers/q-2019-03-25-130/, doi:10.22331/q-2019-03- 25-130.
https://doi.org/10.22331/q-2019-03-25-130
https: / / quantum-journal.org/ papers / q-2019-03-25-130 /
[ 42 ] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush y Hartmut Neven. Meseta estéril en paisajes de entrenamiento de redes neuronales cuánticas. Nature Communications, 9(1):4812, noviembre de 2018. URL: https://www.nature.com/articles/s41467-018-07090-4, doi:10.1038/s41467-018-07090- 4.
https://doi.org/10.1038/s41467-018-07090-4
https: / / www.nature.com/ articles / s41467-018-07090-4
[ 43 ] Roeland Wiersema, Cunlu Zhou, Yvette de Sereville, Juan Felipe Carrasquilla, Yong Baek Kim y Henry Yuen. Explorando el enredo y la optimización dentro del ansatz variacional hamiltoniano. PRX Quantum, 1(2):020319, diciembre de 2020. URL: https://link.aps.org/doi/10.1103/PRXQuantum.1.020319, doi:10.1103/PRXQuantum.1.020319.
https: / / doi.org/ 10.1103 / PRXQuantum.1.020319
[ 44 ] M. Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio y Patrick J. Coles. mesetas estériles dependientes de la función de costo en circuitos cuánticos parametrizados poco profundos. Nature Communications, 12(1):1791, marzo de 2021. URL: https://www.nature.com/articles/s41467-021-21728-w, doi:10.1038/s41467-021-21728- w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w
https:///www.nature.com/articles/s41467-021-21728-w
[ 45 ] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles y M. Cerezo. Diagnóstico de mesetas estériles con herramientas de control óptimo cuántico, marzo de 2022. URL: http://arxiv.org/abs/2105.14377, doi:10.48550/arXiv.2105.14377.
https:///doi.org/10.48550/arXiv.2105.14377
arXiv: 2105.14377
[ 46 ] Xuchen Tú y Xiaodi Wu. Exponencialmente Muchos Mínimos Locales en Redes Neuronales Cuánticas. En Marina Meila y Tong Zhang, editores, Actas de la 38.ª Conferencia internacional sobre aprendizaje automático, volumen 139 de Actas de investigación sobre aprendizaje automático, páginas 12144–12155. PMLR, julio de 2021. URL: https://proceedings.mlr.press/v139/you21c.html, doi:10.48550/arXiv.2110.02479.
https:///doi.org/10.48550/arXiv.2110.02479
https:///proceedings.mlr.press/v139/you21c.html
[ 47 ] Javier Rivera-Dean, Patrick Huembeli, Antonio Acín y Joseph Bowles. Evitar mínimos locales en algoritmos cuánticos variacionales con redes neuronales. arXiv:2104.02955 [quant-ph], abril de 2021. URL: http://arxiv.org/abs/2104.02955, doi:10.48550/arXiv.2104.02955.
https:///doi.org/10.48550/arXiv.2104.02955
arXiv: 2104.02955
[ 48 ] Andrew Arrasmith, Zoe Holmes, Marco Cerezo y Patrick J. Coles. Equivalencia de mesetas estériles cuánticas a concentración de costos y desfiladeros estrechos. Ciencia y tecnología cuánticas, 2022. URL: http://iopscience.iop.org/article/10.1088/2058-9565/ac7d06, doi:10.1088/2058-9565/ac7d06.
https://doi.org/10.1088/2058-9565/ac7d06
[ 49 ] James Dborin, Fergus Barratt, Vinul Wimalaweera, Lewis Wright y Andrew G. Green. Preentrenamiento del estado del producto Matrix para el aprendizaje automático cuántico. Quantum Science and Technology, 7(3):035014, mayo de 2022. doi:10.1088/2058-9565/ac7073.
https: / / doi.org/ 10.1088 / 2058-9565 / ac7073
[ 50 ] Guillaume Verdon, Michael Broughton, Jarrod R. McClean, Kevin J. Sung, Ryan Babbush, Zhang Jiang, Hartmut Neven y Masoud Mohseni. Aprender a aprender con redes neuronales cuánticas a través de redes neuronales clásicas. arXiv:1907.05415 [quant-ph], julio de 2019. URL: http://arxiv.org/abs/1907.05415, doi:10.48550/arXiv.1907.05415.
https:///doi.org/10.48550/arXiv.1907.05415
arXiv: 1907.05415
[ 51 ] Frederic Sauvage, Sukin Sim, Alexander A. Kunitsa, William A. Simon, Marta Mauri y Alejandro Perdomo-Ortiz. FLIP: Un inicializador flexible para circuitos cuánticos parametrizados de tamaño arbitrario, mayo de 2021. arXiv:2103.08572 [quant-ph]. URL: http://arxiv.org/abs/2103.08572, doi:10.48550/arXiv.2103.08572.
https:///doi.org/10.48550/arXiv.2103.08572
arXiv: 2103.08572
[ 52 ] Alba Cervera-Lierta, Jakob S. Kottmann y Alán Aspuru-Guzik. Eigensolver cuántico metavariacional: perfiles de energía de aprendizaje de hamiltonianos parametrizados para simulación cuántica. PRX Quantum, 2(2):020329, mayo de 2021. URL: https://link.aps.org/doi/10.1103/PRXQuantum.2.020329, doi:10.1103/PRXQuantum.2.020329.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020329
[ 53 ] Weichi Yao, Afonso S. Bandeira y Soledad Villar. Rendimiento experimental de redes neuronales gráficas en instancias aleatorias de corte máximo. En Wavelets and Sparsity XVIII, volumen 11138, página 111380S. Sociedad Internacional de Óptica y Fotónica, septiembre de 2019. URL: https://www.spiedigitallibrary.org/conference-proceedings-of-spie/11138/111380S/Experimental-performance-of-graph-neural- redes-en-instancias-aleatorias-de/10.1117/12.2529608.short, doi:10.1117/12.2529608.
https: / / doi.org/ 10.1117 / 12.2529608
[ 54 ] Quentin Cappart, Didier Chételat, Elias B. Khalil, Andrea Lodi, Christopher Morris y Petar Veličković. Optimización Combinatoria y Razonamiento con Redes Neuronales Gráficas. En Zhi-Hua Zhou, editor, Actas de la Trigésima Conferencia Internacional Conjunta sobre Inteligencia Artificial, IJCAI-21, páginas 4348–4355. Conferencias conjuntas internacionales sobre la organización de inteligencia artificial, agosto de 2021. doi:10.24963/ijcai.2021/595.
https: / / doi.org/ 10.24963 / ijcai.2021 / 595
[ 55 ] James Kotary, Ferdinando Fioretto, Pascal Van Hentenryck y Bryan Wilder. Aprendizaje de optimización restringida de extremo a extremo: una encuesta. En Zhi-Hua Zhou, editor, Actas de la Trigésima Conferencia Internacional Conjunta sobre Inteligencia Artificial, IJCAI-21, páginas 4475–4482. Conferencias conjuntas internacionales sobre la organización de inteligencia artificial, agosto de 2021. doi:10.24963/ijcai.2021/610.
https: / / doi.org/ 10.24963 / ijcai.2021 / 610
[ 56 ] Martin JA Schuetz, J. Kyle Brubaker y Helmut G. Katzgraber. Optimización combinatoria con redes neuronales gráficas inspiradas en la física. Nature Machine Intelligence, 4(4):367–377, abril de 2022. URL: https://www.nature.com/articles/s42256-022-00468-6, doi:10.1038/s42256-022 -00468-6.
https://doi.org/10.1038/s42256-022-00468-6
https: / / www.nature.com/ articles / s42256-022-00468-6
[ 57 ] Ville Bergholm, Josh Izaac, Maria Schuld, Christian Gogolin, Shahnawaz Ahmed, Vishnu Ajith, M. Sohaib Alam, Guillermo Alonso-Linaje, B. AkashNarayanan, Ali Asadi, Juan Miguel Arrazola, Utkarsh Azad, Sam Banning, Carsten Blank, Thomas R. Bromley, Benjamin A. Cordier, Jack Ceroni, Alain Delgado, Olivia Di Matteo, Amintor Dusko, Tanya Garg, Diego Guala, Anthony Hayes, Ryan Hill, Aroosa Ijaz, Theodor Isacsson, David Ittah, Soran Jahangiri, Prateek Jain, Edward Jiang , Ankit Khandelwal, Korbinian Kottmann, Robert A. Lang, Christina Lee, Thomas Loke, Angus Lowe, Keri McKiernan, Johannes Jakob Meyer, JA Montañez-Barrera, Romain Moyard, Zeyue Niu, Lee James O'Riordan, Steven Oud, Ashish Panigrahi , Chae-Yeun Park, Daniel Polatajko, Nicolás Quesada, Chase Roberts, Nahum Sá, Isidor Schoch, Borun Shi, Shuli Shu, Sukin Sim, Arshpreet Singh, Ingrid Strandberg, Jay Soni, Antal Száva, Slimane Thabet, Rodrigo A. Vargas- Hernández, Trevor Vincent, Nicola Vitucci, Maurice Weber, David Wierichs, Roeland Wie rsema, Moritz Willmann, Vincent Wong, Shaoming Zhang y Nathan Killoran. PennyLane: Diferenciación automática de cálculos híbridos cuánticos-clásicos, julio de 2022. arXiv:1811.04968 [física, física:cuántico-ph]. URL: http://arxiv.org/abs/1811.04968, doi:10.48550/arXiv.1811.04968.
https:///doi.org/10.48550/arXiv.1811.04968
arXiv: 1811.04968
[ 58 ] Michael Broughton, Guillaume Verdon, Trevor McCourt, Antonio J. Martinez, Jae Hyeon Yoo, Sergei V. Isakov, Philip Massey, Ramin Halavati, Murphy Yuezhen Niu, Alexander Zlokapa, Evan Peters, Owen Lockwood, Andrea Skolik, Sofiene Jerbi, Vedran Dunjko , Martin Leib, Michael Streif, David Von Dollen, Hongxiang Chen, Shuxiang Cao, Roeland Wiersema, Hsin-Yuan Huang, Jarrod R. McClean, Ryan Babbush, Sergio Boixo, Dave Bacon, Alan K. Ho, Hartmut Neven y Masoud Mohseni . TensorFlow Quantum: un marco de software para el aprendizaje automático cuántico, agosto de 2021. arXiv:2003.02989 [cond-mat, physics:quant-ph]. URL: http://arxiv.org/abs/2003.02989, doi:10.48550/arXiv.2003.02989.
https:///doi.org/10.48550/arXiv.2003.02989
arXiv: 2003.02989
[ 59 ] Xavier Glorot y Yoshua Bengio. Comprender la dificultad de entrenar redes neuronales feedforward profundas. En Yee Whye Teh y Mike Titterington, editores, Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, volumen 9 de Proceedings of Machine Learning Research, páginas 249–256, Chia Laguna Resort, Cerdeña, Italia, mayo de 2010. PMLR. URL: https://proceedings.mlr.press/v9/glorot10a.html.
https:///proceedings.mlr.press/v9/glorot10a.html
[ 60 ] Michael R. Garey y David S. Johnson. Informática e Intratabilidad; Una guía para la teoría de la NP-Completitud. WH Freeman & Co., Estados Unidos, 1990.
[ 61 ] Christos H. Papadimitriou y Mihalis Yannakakis. Clases de optimización, aproximación y complejidad. Journal of Computer and System Sciences, 43(3):425–440, diciembre de 1991. URL: https://www.sciencedirect.com/science/article/pii/002200009190023X, doi:10.1016/ 0022-0000(91)90023-X.
https://doi.org/10.1016/0022-0000(91)90023-X
https: / / www.sciencedirect.com/ science / article / pii / 002200009190023X
[ 62 ] Subhash Khot. Sobre el poder de los juegos únicos de 2 ronda de 1 probadores. En Actas del 34º Simposio Anual de ACM sobre Teoría de la Computación, páginas 767–775. ACM Press, 2002. URL: https://doi.org/10.1145/509907.510017.
https: / / doi.org/ 10.1145 / 509907.510017
[ 63 ] Subhash Khot, Guy Kindler, Elchanan Mossel y Ryan O'Donnell. ¿Resultados óptimos de inaproximabilidad para MAX-CUT y otros CSP de 2 variables? SIAM Journal on Computing, 37(1):319–357, enero de 2007. URL: https://epubs.siam.org/doi/10.1137/S0097539705447372, doi:10.1137/S0097539705447372.
https: / / doi.org/ 10.1137 / S0097539705447372
[ 64 ] Sergey Bravyi, Alexander Kliesch, Robert Koenig y Eugene Tang. Algoritmos híbridos cuánticos-clásicos para la coloración aproximada de gráficos. Quantum, 6:678, marzo de 2022. URL: https://quantum-journal.org/papers/q-2022-03-30-678/, doi:10.22331/q-2022-03- 30-678.
https://doi.org/10.22331/q-2022-03-30-678
https: / / quantum-journal.org/ papers / q-2022-03-30-678 /
[ 65 ] Sergey Bravyi, Alexander Kliesch, Robert Koenig y Eugene Tang. Obstáculos para la optimización cuántica variacional de Symmetry Protection. física Rev. Lett., 125(26):260505, diciembre de 2020. URL: https://link.aps.org/doi/10.1103/PhysRevLett.125.260505, doi:10.1103/PhysRevLett.125.260505.
https: / / doi.org/ 10.1103 / PhysRevLett.125.260505
[ 66 ] Michael Overton y Henry Wolkowicz. Programación semidefinida. Programación matemática, 77:105–109, abril de 1997. doi:10.1007/BF02614431.
https: / / doi.org/ 10.1007 / BF02614431
[ 67 ] Tadashi Kadowaki y Hidetoshi Nishimori. Recocido cuántico en el modelo transversal de Ising. Physical Review E, 58(5):5355–5363, noviembre de 1998. URL: http://dx.doi.org/10.1103/PhysRevE.58.5355, doi:10.1103/physreve.58.5355.
https: / / doi.org/ 10.1103 / PhysRevE.58.5355
[ 68 ] Philipp Hauke, Helmut G Katzgraber, Wolfgang Lechner, Hidetoshi Nishimori y William D Oliver. Perspectivas del recocido cuántico: métodos e implementaciones. Reports on Progress in Physics, 83(5):054401, mayo de 2020. URL: http://dx.doi.org/10.1088/1361-6633/ab85b8, doi:10.1088/1361-6633/ ab85b8.
https://doi.org/10.1088/1361-6633/ab85b8
[ 69 ] Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, Alban Desmaison, Andreas Kopf, Edward Yang, Zachary DeVito, Martin Raison, Alykhan Tejani, Sasank Chilamkurthy , Benoit Steiner, Lu Fang, Junjie Bai y Soumith Chintala. PyTorch: una biblioteca de aprendizaje profundo de estilo imperativo y alto rendimiento. En Advances in Neural Information Processing Systems 32, páginas 8024–8035. Curran Associates, Inc., 2019. URL: http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf, doi: 10.48550/arXiv.1912.01703.
https:///doi.org/10.48550/arXiv.1912.01703
http:///papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf
[ 70 ] Martín Abadi, Paul Barham, Jianmin Chen, Zhifeng Chen, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Geoffrey Irving, Michael Isard, Manjunath Kudlur, Josh Levenberg, Rajat Monga, Sherry Moore, Derek G. Murray, Benoit Steiner, Paul Tucker, Vijay Vasudevan, Pete Warden, Martin Wicke, Yuan Yu y Xiaoqiang Zheng. TensorFlow: un sistema para el aprendizaje automático a gran escala, mayo de 2016. arXiv:1605.08695 [cs]. URL: http://arxiv.org/abs/1605.08695, doi:10.48550/arXiv.1605.08695.
https:///doi.org/10.48550/arXiv.1605.08695
arXiv: 1605.08695
[ 71 ] Franco Scarselli, Marco Gori, Ah Chung Tsoi, Markus Hagenbuchner y Gabriele Monfardini. El modelo de red neuronal Graph. IEEE Transactions on Neural Networks, 20(1):61–80, enero de 2009. doi:10.1109/TNN.2008.2005605.
https: / / doi.org/ 10.1109 / TNN.2008.2005605
[ 72 ] Michael M. Bronstein, Joan Bruna, Taco Cohen y Petar Veličković. Aprendizaje profundo geométrico: cuadrículas, grupos, gráficos, geodésicas y calibres, mayo de 2021. URL: http://arxiv.org/abs/2104.13478, doi:10.48550/arXiv.2104.13478.
https:///doi.org/10.48550/arXiv.2104.13478
arXiv: 2104.13478
[ 73 ] Guillaume Verdon, Trevor McCourt, Enxhell Luzhnica, Vikash Singh, Stefan Leichenauer y Jack Hidary. Quantum Graph Neural Networks, septiembre de 2019. URL: http://arxiv.org/abs/1909.12264, doi:10.48550/arXiv.1909.12264.
https:///doi.org/10.48550/arXiv.1909.12264
arXiv: 1909.12264
[ 74 ] Martín Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles y M. Cerezo. Aprendizaje automático cuántico de grupos invariantes. PRX Quantum, 3(3):030341, septiembre de 2022. Editorial: American Physical Society. URL: https://link.aps.org/doi/10.1103/PRXQuantum.3.030341, doi:10.1103/PRXQuantum.3.030341.
https: / / doi.org/ 10.1103 / PRXQuantum.3.030341
[ 75 ] Andrea Skolik, Michele Cattelan, Sheir Yarkoni, Thomas Bäck y Vedran Dunjko. Circuitos cuánticos equivalentes para el aprendizaje de gráficos ponderados, mayo de 2022. arXiv:2205.06109 [quant-ph]. URL: http://arxiv.org/abs/2205.06109, doi:10.48550/arXiv.2205.06109.
https:///doi.org/10.48550/arXiv.2205.06109
arXiv: 2205.06109
[ 76 ] Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò y Yoshua Bengio. Gráfico de Redes de Atención. En Conferencia Internacional sobre Representaciones de Aprendizaje, 2018. URL: https://openreview.net/forum?id=rJXMpikCZ, doi:10.48550/arXiv.1710.10903.
https:///doi.org/10.48550/arXiv.1710.10903
https:///openreview.net/forum?id=rJXMpikCZ
[ 77 ] Si Zhang, Hanghang Tong, Jiejun Xu y Ross Maciejewski. Grafique las redes convolucionales: una revisión exhaustiva. Computational Social Networks, 6(1):11, noviembre de 2019. doi:10.1186/s40649-019-0069-y.
https: / / doi.org/ 10.1186 / s40649-019-0069-y
[ 78 ] Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li y Maosong Sun. Redes neuronales gráficas: una revisión de métodos y aplicaciones. AI Open, 1:57–81, enero de 2020. URL: https://www.sciencedirect.com/science/article/pii/S2666651021000012, doi:10.1016/j.aiopen.2021.01.001 .
https:///doi.org/10.1016/j.aiopen.2021.01.001
https: / / www.sciencedirect.com/ science / article / pii / S2666651021000012
[ 79 ] Zhengdao Chen, Lisha Li y Joan Bruna. Detección de comunidad supervisada con redes neuronales de gráficos lineales. En 7th International Conference on Learning Representations, ICLR 2019, Nueva Orleans, LA, EE. UU., 6-9 de mayo de 2019. OpenReview.net, 2019. URL: https://openreview.net/forum?id=H1g0Z3A9Fm, doi:10.48550/arXiv.1705.08415.
https:///doi.org/10.48550/arXiv.1705.08415
https:///openreview.net/forum?id=H1g0Z3A9Fm
[ 80 ] Elias Khalil, Hanjun Dai, Yuyu Zhang, Bistra Dilkina y Le Song. Aprendizaje de algoritmos de optimización combinatoria sobre grafos. En I. Guyon, UV Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan y R. Garnett, editores, Advances in Neural Information Processing Systems, volumen 30. Curran Associates, Inc., 2017. URL : https://proceedings.neurips.cc/paper/2017/file/d9896106ca98d3d05b8cbdf4fd8b13a1-Paper.pdf, doi:10.48550/arXiv.1704.01665.
https:///doi.org/10.48550/arXiv.1704.01665
https://proceedings.neurips.cc/paper/2017/file/d9896106ca98d3d05b8cbdf4fd8b13a1-Paper.pdf
[ 81 ] Michel Deudon, Pierre Cournut, Alexandre Lacoste, Yossiri Adulyasak y Louis-Martin Rousseau. Aprendizaje de Heurísticas para el TSP por Gradiente de Políticas. En Willem-Jan van Hoeve, editor, Integration of Constraint Programming, Artificial Intelligence, and Operations Research, Lecture Notes in Computer Science, páginas 170–181, Cham, 2018. Springer International Publishing. doi:10.1007/978-3-319-93031-2_12.
https://doi.org/10.1007/978-3-319-93031-2_12
[ 82 ] Wouter Kool, Herke van Hoof y Max Welling. ¡Atención, aprenda a resolver problemas de enrutamiento! En 7th International Conference on Learning Representations, ICLR 2019, Nueva Orleans, LA, EE. UU., del 6 al 9 de mayo de 2019. OpenReview.net, 2019. URL: https://openreview.net/forum?id=ByxBFsRqYm, doi:10.48550/arXiv.1803.08475.
https:///doi.org/10.48550/arXiv.1803.08475
https:///openreview.net/forum?id=ByxBFsRqYm
[ 83 ] Chaitanya K. Joshi, Quentin Cappart, Louis-Martin Rousseau y Thomas Laurent. Aprender TSP requiere repensar la generalización. En Laurent D. Michel, editor, 27th International Conference on Principles and Practice of Constraint Programming (CP 2021), volumen 210 de Leibniz International Proceedings in Informatics (LIPIcs), páginas 33:1–33:21, Dagstuhl, Alemania, 2021. Schloss Dagstuhl – Leibniz-Zentrum für Informatik. URL: https://drops.dagstuhl.de/opus/volltexte/2021/15324, doi:10.4230/LIPIcs.CP.2021.33.
https://doi.org/10.4230/LIPIcs.CP.2021.33
https: / / drops.dagstuhl.de/ opus / volltexte / 2021/15324
[ 84 ] Ryan Sweke, Frederik Wilde, Johannes Jakob Meyer, Maria Schuld, Paul K. Fährmann, Barthélémy Meynard-Piganeau y Jens Eisert. Descenso de gradiente estocástico para optimización clásica cuántica híbrida. Quantum, 4:314, agosto de 2020. URL: https://quantum-journal.org/papers/q-2020-08-31-314/, doi:10.22331/q-2020-08- 31-314.
https://doi.org/10.22331/q-2020-08-31-314
https: / / quantum-journal.org/ papers / q-2020-08-31-314 /
[ 85 ] Jonas M. Kübler, Andrew Arrasmith, Lukasz Cincio y Patrick J. Coles. Un optimizador adaptativo para algoritmos variacionales frugales de medición. Quantum, 4:263, mayo de 2020. URL: https://quantum-journal.org/papers/q-2020-05-11-263/, doi:10.22331/q-2020-05- 11-263.
https://doi.org/10.22331/q-2020-05-11-263
https: / / quantum-journal.org/ papers / q-2020-05-11-263 /
[ 86 ] James Stokes, Josh Izaac, Nathan Killoran y Giuseppe Carleo. Gradiente natural cuántico. Quantum, 4:269, mayo de 2020. URL: https://quantum-journal.org/papers/q-2020-05-25-269/, doi:10.22331/q-2020-05- 25-269.
https://doi.org/10.22331/q-2020-05-25-269
https: / / quantum-journal.org/ papers / q-2020-05-25-269 /
[ 87 ] Diederik P. Kingma y Jimmy Ba. Adam: un método para la optimización estocástica. En Yoshua Bengio y Yann LeCun, editores, 3ra Conferencia Internacional sobre Representaciones de Aprendizaje, ICLR 2015, San Diego, CA, EE. UU., 7-9 de mayo de 2015, Actas de la Conferencia, 2015. URL: http://arxiv.org /abs/1412.6980, doi:10.48550/arXiv.1412.6980.
https:///doi.org/10.48550/arXiv.1412.6980
arXiv: 1412.6980
[ 88 ] Mateo D. Zeiler. ADADELTA: Método de tasa de aprendizaje adaptativo, diciembre de 2012. URL: http://arxiv.org/abs/1212.5701, doi:10.48550/arXiv.1212.5701.
https:///doi.org/10.48550/arXiv.1212.5701
arXiv: 1212.5701
[ 89 ] MJD Powell. Un método de optimización de búsqueda directa que modela las funciones objetivo y de restricción mediante interpolación lineal. En Susana Gomez y Jean-Pierre Hennart, editores, Advances in Optimization and Numerical Analysis, páginas 51–67. Springer Holanda, Dordrecht, 1994. doi:10.1007/978-94-015-8330-5_4.
https://doi.org/10.1007/978-94-015-8330-5_4
[ 90 ] Kevin J. Sung, Jiahao Yao, Matthew P. Harrigan, Nicholas C. Rubin, Zhang Jiang, Lin Lin, Ryan Babbush y Jarrod R. McClean. Uso de modelos para mejorar los optimizadores para algoritmos cuánticos variacionales. Quantum Science and Technology, 5(4):044008, octubre de 2020. doi:10.1088/2058-9565/abb6d9.
https://doi.org/10.1088/2058-9565/abb6d9
[ 91 ] Julien Gacon, Christa Zoufal, Giuseppe Carleo y Stefan Woerner. Aproximación estocástica de perturbación simultánea de la información de Quantum Fisher. Quantum, 5:567, octubre de 2021. URL: https://quantum-journal.org/papers/q-2021-10-20-567/, doi:10.22331/q-2021-10- 20-567.
https://doi.org/10.22331/q-2021-10-20-567
https: / / quantum-journal.org/ papers / q-2021-10-20-567 /
[ 92 ] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac y Nathan Killoran. Evaluación de gradientes analíticos en hardware cuántico. física Rev. A, 99(3):032331, marzo de 2019. URL: https://link.aps.org/doi/10.1103/PhysRevA.99.032331, doi:10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[ 93 ] Ke Li y Jitendra Malik. Aprendiendo a optimizar, junio de 2016. arXiv:1606.01885 [cs, math, stat]. URL: http://arxiv.org/abs/1606.01885, doi:10.48550/arXiv.1606.01885.
https:///doi.org/10.48550/arXiv.1606.01885
arXiv: 1606.01885
[ 94 ] John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford y Oleg Klimov. Algoritmos de optimización de políticas proximales, agosto de 2017. arXiv:1707.06347 [cs]. URL: http://arxiv.org/abs/1707.06347, doi:10.48550/arXiv.1707.06347.
https:///doi.org/10.48550/arXiv.1707.06347
arXiv: 1707.06347
[ 95 ] Max Wilson, Rachel Stromswold, Filip Wudarski, Stuart Hadfield, Norm M. Tubman y Eleanor G. Rieffel. Optimización de la heurística cuántica con metaaprendizaje. Quantum Machine Intelligence, 3(1):13, abril de 2021. doi:10.1007/s42484-020-00022-w.
https: / / doi.org/ 10.1007 / s42484-020-00022-w
[ 96 ] Amira Abbas, David Sutter, Christa Zoufal, Aurelien Lucchi, Alessio Figalli y Stefan Woerner. El poder de las redes neuronales cuánticas. Nature Computational Science, 1(6):403–409, junio de 2021. URL: https://www.nature.com/articles/s43588-021-00084-1, doi:10.1038/s43588-021 -00084-1.
https://doi.org/10.1038/s43588-021-00084-1
https: / / www.nature.com/ articles / s43588-021-00084-1
[ 97 ] Florent Krzakala, Cristopher Moore, Elchanan Mossel, Joe Neeman, Allan Sly, Lenka Zdeborová y Pan Zhang. Redención espectral en agrupamiento de redes dispersas. Actas de la Academia Nacional de Ciencias, 110(52):20935–20940, 2013. URL: https://www.pnas.org/content/110/52/20935, doi:10.1073/ pnas.1312486110.
https: / / doi.org/ 10.1073 / pnas.1312486110
https: / / www.pnas.org/ content / 110/52/20935
Citado por
[1] Stefan H. Sack, Raimel A. Medina, Richard Kueng y Maksym Serbyn, "Estados de transición y exploración codiciosa del panorama de optimización de QAOA", arXiv: 2209.01159.
[2] Samuel Duffield, Marcello Benedetti y Matthias Rosenkranz, “Aprendizaje bayesiano de circuitos cuánticos parametrizados”, arXiv: 2206.07559.
[3] Brian Coyle, "Aplicaciones de aprendizaje automático para computadoras cuánticas ruidosas de escala intermedia", arXiv: 2205.09414.
[4] Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik y Adi Makmal, "Algoritmo de optimización cuántica aproximada libre de iteraciones mediante redes neuronales", arXiv: 2208.09888.
[5] Ioannis Kolotouros, Ioannis Petrongonas y Petros Wallden, “Computación cuántica adiabática con circuitos cuánticos parametrizados”, arXiv: 2206.04373.
Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2022-11-17 14:50:28). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.
No se pudo recuperar Crossref citado por datos durante el último intento 2022-11-17 14:50:26: No se pudieron obtener los datos citados por 10.22331 / q-2022-11-17-861 de Crossref. Esto es normal si el DOI se registró recientemente.
Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.
