Consideraciones de latencia para optimizadores estocásticos en algoritmos cuánticos variacionales

Consideraciones de latencia para optimizadores estocásticos en algoritmos cuánticos variacionales

Marca de tiempo: 16 de marzo de 2023 2:28 p.m.
Nodo de origen: 2015562

Matt Menickelly1, Yunsoo Ha2y Matthew Otten3

1División de Matemáticas y Ciencias de la Computación, Laboratorio Nacional de Argonne, 9700 S. Cass Ave., Lemont, IL 60439
2Edward P. Fitts Departamento de Ingeniería Industrial y de Sistemas, Universidad Estatal de Carolina del Norte, 915 Partners Way, Raleigh, NC 27601
3Laboratorios HRL, LLC, 3011 Malibu Canyon Road, Malibu, CA 90265

¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.

Resumen

Los algoritmos cuánticos variacionales, que han cobrado prominencia en la ruidosa configuración cuántica de escala intermedia, requieren la implementación de un optimizador estocástico en el hardware clásico. Hasta la fecha, la mayoría de las investigaciones han empleado algoritmos basados ​​en la iteración del gradiente estocástico como optimizador clásico estocástico. En este trabajo, proponemos utilizar algoritmos de optimización estocástica que producen procesos estocásticos que emulan la dinámica de los algoritmos deterministas clásicos. Este enfoque da como resultado métodos con complejidades de iteración en el peor de los casos teóricamente superiores, a expensas de mayores complejidades de muestra (disparo) por iteración. Investigamos esta compensación tanto teórica como empíricamente y concluimos que las preferencias para elegir un optimizador estocástico deberían depender explícitamente de una función tanto de la latencia como de los tiempos de ejecución de los disparos.

Imagen destacada: Las latencias y la precisión del objetivo afectan la elección de los optimizadores estocásticos para los algoritmos cuánticos variacionales.

Resumen popular

Los algoritmos cuánticos variacionales son candidatos prometedores para resolver problemas prácticos en computadoras cuánticas a corto plazo. Sin embargo, el proceso de optimización de estos algoritmos puede ser computacionalmente costoso debido a las dos necesidades de 1) realizar mediciones repetidas (disparos) en la computadora cuántica y 2) ajustar los parámetros del circuito cuántico. Aquí, proponemos un nuevo algoritmo de optimización estocástica llamado SHOALS (Búsqueda de línea adaptativa de SHOt) que está diseñado bajo el supuesto de que el tiempo dedicado a la optimización realizando disparos está dominado por el tiempo dedicado a la optimización realizando ajustes de circuito. Demostramos que SHOALS supera a otros algoritmos de optimización estocástica en esta configuración. Por el contrario, cuando el tiempo de disparo es comparable al tiempo de conmutación del circuito, los algoritmos de descenso de gradiente estocástico resultan más eficientes. Al considerar las compensaciones entre el tiempo de disparo, el tiempo de conmutación del circuito y la eficiencia del algoritmo de optimización, mostramos que el tiempo de ejecución total de los algoritmos cuánticos variacionales se puede reducir significativamente.

► datos BibTeX

► referencias

[ 1 ] Benjamin P Lanyon, James D Whitfield, Geoff G Gillett, Michael E Goggin, Marcelo P Almeida, Ivan Kassal, Jacob D Biamonte, Masoud Mohseni, Ben J Powell, Marco Barbieri, et al. “Hacia la química cuántica en una computadora cuántica”. Química de la naturaleza 2, 106–111 (2010).
https: / / doi.org/ 10.1038 / nchem.483

[ 2 ] Ian C Cloët, Matthew R Dietrich, John Arrington, Alexei Bazavov, Michael Bishof, Adam Freese, Alexey V Gorshkov, Anna Grassellino, Kawtar Hafidi, Zubin Jacob, et al. “Oportunidades para la física nuclear y la ciencia de la información cuántica” (2019). arXiv:1903.05453.
arXiv: 1903.05453

[ 3 ] Adam Smith, MS Kim, Frank Pollmann y Johannes Knolle. “Simulación de la dinámica cuántica de muchos cuerpos en una computadora cuántica digital actual”. npj Información cuántica 5, 1–13 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0217-0

[ 4 ] Benjamin Nachman, Davide Provasoli, Wibe A de Jong y Christian W. Bauer. “Algoritmo cuántico para simulaciones de física de alta energía”. Cartas de revisión física 126, 062001 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.126.062001

[ 5 ] Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe y Seth Lloyd. “Aprendizaje automático cuántico”. Naturaleza 549, 195–202 (2017).
https: / / doi.org/ 10.1038 / nature23474

[ 6 ] Román Orus, Samuel Mugel y Enrique Lizaso. “Computación cuántica para las finanzas: panorama general y perspectivas”. Reseñas en Physics 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[ 7 ] Juan Preskill. “Computación cuántica en la era NISQ y más allá”. Cuántica 2, 79 (2018).
https:/​/​doi.org/​10.22331/​q-2018-08-06-79

[ 8 ] U Dorner, R Demkowicz-Dobrzanski, BJ Smith, JS Lundeen, W Wasilewski, K Banaszek e IA Walmsley. “Estimación de fase cuántica óptima”. Cartas de revisión física 102, 040403 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.102.040403

[ 9 ] Juan Preskill. “Computación cuántica tolerante a fallas”. En Introducción a la computación e información cuántica. Páginas 213–269. Científico mundial (1998).

[ 10 ] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, et al. “Algoritmos cuánticos variacionales”. Nature Reviews PhysicsPages 1–20 (2021).
https:/​/​doi.org/​10.1038/​s42254-021-00348-9

[ 11 ] Peter JJ O'Malley, Ryan Babbush, Ian D Kivlichan, Jonathan Romero, Jarrod R McClean, Rami Barends, Julian Kelly, Pedram Roushan, Andrew Tranter, Nan Ding, et al. “Simulación cuántica escalable de energías moleculares”. Revisión física X 6, 031007 (2016).
https: / / doi.org/ 10.1103 / PhysRevX.6.031007

[ 12 ] Xiao Yuan, Suguru Endo, Qi Zhao, Ying Li y Simon C Benjamin. “Teoría de la simulación cuántica variacional”. Cuántica 3, 191 (2019).
https:/​/​doi.org/​10.22331/​q-2019-10-07-191

[ 13 ] Matthew Otten, Cristian L Cortés y Stephen K Gray. "Dinámica cuántica resistente al ruido utilizando ansatzes que conservan la simetría" (2019). arXiv:1910.06284.
arXiv: 1910.06284

[ 14 ] Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M Chow y Jay M Gambetta. “Eigensolver cuántico variacional eficiente en hardware para moléculas pequeñas e imanes cuánticos”. Naturaleza 549, 242–246 (2017).
https: / / doi.org/ 10.1038 / nature23879

[ 15 ] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa y Keisuke Fujii. “Aprendizaje de circuitos cuánticos”. Revisión Física A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309

[ 16 ] Matthew Otten, Imène R Goumiri, Benjamin W Priest, George F Chapline y Michael D Schneider. “Aprendizaje automático cuántico utilizando procesos gaussianos con núcleos cuánticos de alto rendimiento” (2020). arXiv:2004.11280.
arXiv: 2004.11280

[ 17 ] Robert M Parrish, Edward G Hohenstein, Peter L McMahon y Todd J Martínez. “Cálculo cuántico de transiciones electrónicas utilizando un autosolvente cuántico variacional”. Cartas de revisión física 122, 230401 (2019).
https: / / doi.org/ 10.1103 / PhysRevLett.122.230401

[ 18 ] 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”. Ciencia y Tecnología Cuántica 5, 044008 (2020).
https:/​/​doi.org/​10.1088/​2058-9565/​abb6d9

[ 19 ] Jay Gambetta, WA Braff, A Wallraff, SM Girvin y RJ Schoelkopf. “Protocolos para la lectura óptima de qubits utilizando una medición continua de no demolición cuántica”. Revisión física A 76, 012325 (2007).
https: / / doi.org/ 10.1103 / PhysRevA.76.012325

[ 20 ] Susan M Clark, Daniel Lobser, Melissa C Revelle, Christopher G Yale, David Bossert, Ashlyn D Burch, Matthew N Chow, Craig W Hogle, Megan Ivory, Jessica Pehr, et al. "Ingeniería del banco de pruebas de usuario abierto de computación científica cuántica". Transacciones IEEE sobre ingeniería cuántica 2, 1–32 (2021).
https: / / doi.org/ 10.1109 / TQE.2021.3096480

[ 21 ] Colin D Bruzewicz, John Chiaverini, Robert McConnell y Jeremy M Sage. “Computación cuántica de iones atrapados: avances y desafíos”. Revisiones de física aplicada 6, 021314 (2019).
https: / / doi.org/ 10.1063 / 1.5088164

[ 22 ] Jonas M Kübler, Andrew Arrasmith, Lukasz Cincio y Patrick J Coles. “Un optimizador adaptativo para algoritmos variacionales de medición frugal”. Cuántica 4, 263 (2020).
https:/​/​doi.org/​10.22331/​q-2020-05-11-263

[ 23 ] Diederik P Kingma y Jimmy Ba. “Adam: Un método para la optimización estocástica” (2014). arXiv:1412.6980.
arXiv: 1412.6980

[ 24 ] Trygve Helgaker, Poul Jorgensen y Jeppe Olsen. “Teoría de la estructura electrónica molecular”. John Wiley & Sons. (2014).
https: / / doi.org/ 10.1002 / 9781119019572

[ 25 ] Tom Schaul, Ioannis Antonoglou y David Silver. “Pruebas unitarias para optimización estocástica”. En Yoshua Bengio y Yann LeCun, editores, 2nd International Conference on Learning Representations, ICLR 2014, Banff, AB, Canadá, 14-16 de abril de 2014, Actas de la vía de la conferencia. (2014). URL: http:/​/​arxiv.org/​abs/​1312.6055.
arXiv: 1312.6055

[ 26 ] Hilal Asi y John C. Duchi. “La importancia de mejores modelos en la optimización estocástica”. Actas de la Academia Nacional de Ciencias 116, 22924–22930 (2019).
https: / / doi.org/ 10.1073 / pnas.1908018116

[ 27 ] Billy Jin, Katya Scheinberg y Miaolan Xie. “Límites de complejidad de alta probabilidad para la búsqueda de líneas basada en oráculos estocásticos” (2021). arXiv:2106.06454.
arXiv: 2106.06454

[ 28 ] José Blanchet, Coralia Cartis, Matt Menickelly y Katya Scheinberg. "Análisis de la tasa de convergencia de un método de región de confianza estocástica a través de supermartingalas". Revista INFORMS sobre optimización 1, 92–119 (2019).
https://​/​doi.org/​10.1287/​ijoo.2019.0016

[ 29 ] Courtney Paquette y Katya Scheinberg. “Un método de búsqueda de línea estocástica con análisis de complejidad esperada”. SIAM Journal on Optimization 30, 349–376 (2020).
https: / / doi.org/ 10.1137 / 18M1216250

[ 30 ] Albert S. Berahas, Liyuan Cao y Katya Scheinberg. “Análisis de la tasa de convergencia global de un algoritmo genérico de búsqueda de líneas con ruido”. SIAM Journal on Optimization 31, 1489–1518 (2021).
https: / / doi.org/ 10.1137 / 19M1291832

[ 31 ] Coralia Cartis, Nicholas IM Gould y Ph L Toint. “Sobre la complejidad del descenso más pronunciado, los métodos de Newton y de Newton regularizado para problemas de optimización no convexos y sin restricciones”. Diario de Siam sobre optimización 20, 2833–2852 (2010).
https: / / doi.org/ 10.1137 / 090774100

[ 32 ] Coralia Cartis, Nicholas IM Gould y Philippe L Toint. "Sobre la complejidad del oráculo de los algoritmos de primer orden y sin derivados para la minimización suave no convexa". SIAM Journal on Optimization 22, 66–86 (2012).
https: / / doi.org/ 10.1137 / 100812276

[ 33 ] Yair Carmon, John C. Duchi, Oliver Hinder y Aaron Sidford. “Límites inferiores para encontrar puntos estacionarios I”. Programación matemática 184, 71–120 (2020).
https: / / doi.org/ 10.1007 / s10107-019-01406-y

[ 34 ] Yair Carmon, John C. Duchi, Oliver Hinder y Aaron Sidford. "" convexo hasta que se demuestre su culpabilidad ": Aceleración libre de dimensiones del descenso de gradiente en funciones no convexas". En Conferencia Internacional sobre Aprendizaje Automático. Páginas 654–663. PMLR (2017).
https: / / doi.org/ 10.5555 / 3305381.3305449

[ 35 ] Chi Jin, Praneeth Netrapalli y Michael I Jordan. “El descenso de gradiente acelerado escapa de los puntos de silla más rápido que el descenso de gradiente”. En Jornadas sobre Teoría del Aprendizaje. Páginas 1042–1085. PMLR (2018). URL: https:/​/​proceedings.mlr.press/​v75/​jin18a.html.
https://​/​proceedings.mlr.press/​v75/​jin18a.html

[ 36 ] Saeed Ghadimi y Guanghui Lan. “Métodos estocásticos de primer y cero orden para la programación estocástica no convexa”. SIAM Journal on Optimization 23, 2341–2368 (2013).
https: / / doi.org/ 10.1137 / 120880811

[ 37 ] Yossi Arjevani, Yair Carmon, John C. Duchi, Dylan J. Foster, Nathan Srebro y Blake Woodworth. “Límites inferiores para la optimización estocástica no convexa” (2019). arXiv:1912.02365.
arXiv: 1912.02365

[ 38 ] Cong Fang, Chris Junchi Li, Zhouchen Lin y Tong Zhang. "Spider: optimización no convexa casi óptima a través de un estimador diferencial integrado en la ruta estocástica". En S. Bengio, H. Wallach, H. Larochelle, K. Grauman, N. Cesa-Bianchi y R. Garnett, editores, Advances in Neural Information Processing Systems. Volumen 31. Curran Associates, Inc. (2018). URL: https:/​/​proceedings.neurips.cc/​paper/​2018/​file/​1543843a4723ed2ab08e18053ae6dc5b-Paper.pdf.
https:/​/​proceedings.neurips.cc/​paper/​2018/​file/​1543843a4723ed2ab08e18053ae6dc5b-Paper.pdf

[ 39 ] Shiro Tamiya y Hayata Yamasaki. "Optimización bayesiana de línea de gradiente estocástico: reducción de tomas de medición en la optimización de circuitos cuánticos parametrizados" (2021). arXiv:2111.07952.
https:/​/​doi.org/​10.1038/​s41534-022-00592-6
arXiv: 2111.07952

[ 40 ] Pascual Jordan y Eugene Paul Wigner. “über das paulische äquivalenzverbot”. En Las obras completas de Eugene Paul Wigner. Páginas 109–129. Springer (1993).

[ 41 ] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac y Nathan Killoran. “Evaluación de gradientes analíticos en hardware cuántico”. Revisión Física A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331

[ 42 ] Joonho Lee, William J Huggins, Martin Head-Gordon y K Birgitta Whaley. "Funciones de onda de cúmulo acopladas unitarias generalizadas para computación cuántica". Revista de teoría química y computación 15, 311–324 (2018).
https: / / doi.org/ 10.1021 / acs.jctc.8b01004

[ 43 ] 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 valor propio variacional en un procesador cuántico fotónico". Comunicaciones de la naturaleza 5, 1–7 (2014). URL: https:/​/​doi.org/​10.1038/​ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213

[ 44 ] Ilya G Ryabinkin, Tzu-Ching Yen, Scott N Genin y Artur F Izmaylov. "Método de clúster acoplado de Qubit: un enfoque sistemático de la química cuántica en una computadora cuántica". Revista de teoría química y computación 14, 6317–6326 (2018).
https: / / doi.org/ 10.1021 / acs.jctc.8b00932

[ 45 ] Ho Lun Tang, VO Shkolnikov, George S Barron, Harper R Grimsley, Nicholas J Mayhall, Edwin Barnes y Sophia E Economou. "qubit-ADAPT-VQE: un algoritmo adaptativo para construir ansätze eficientes en hardware en un procesador cuántico". PRX Quantum 2, 020310 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.020310

[ 46 ] Dmitry A. Fedorov, Yuri Alexeev, Stephen K. Gray y Matthew Otten. “Método Selectivo Unitario de Conglomerados Acoplados”. Cuántica 6, 703 (2022).
https:/​/​doi.org/​10.22331/​q-2022-05-02-703

[ 47 ] Pranav Gokhale, Olivia Angiuli, Yongshan Ding, Kaiwen Gui, Teague Tomesh, Martin Suchara, Margaret Martonosi y Frederic T Chong. "$ o (n ^ 3) $ costo de medición para el solucionador propio cuántico variacional en hamiltonianos moleculares". Transacciones IEEE sobre ingeniería cuántica 1, 1–24 (2020).
https: / / doi.org/ 10.1109 / TQE.2020.3035814

[ 48 ] Ruobing Chen, Matt Menickelly y Katya Scheinberg. “Optimización estocástica utilizando un método de región de confianza y modelos aleatorios”. Programación matemática 169, 447–487 (2018).
https:/​/​doi.org/​10.1007/​s10107-017-1141-8

[ 49 ] Léon Bottou, Frank E Curtis, and Jorge Nocedal. “Métodos de optimización para el aprendizaje automático a gran escala”. Revisión de Siam 60, 223–311 (2018).
https: / / doi.org/ 10.1137 / 16M1080173

[ 50 ] Yoel Drori y Ohad Shamir. “La complejidad de encontrar puntos estacionarios con descenso de gradiente estocástico”. En Conferencia Internacional sobre Aprendizaje Automático. Páginas 2658–2667. PMLR (2020). URL: https:/​/​proceedings.mlr.press/​v119/​drori20a.html.
https://​/​proceedings.mlr.press/​v119/​drori20a.html

[ 51 ] Cong Fang, Zhouchen Lin y Tong Zhang. "Análisis agudo para SGD no convexo que se escapa de los puntos de silla". En Jornadas de Teoría del Aprendizaje. Páginas 1192–1234. PMLR (2019). URL: https:/​/​proceedings.mlr.press/​v99/​fang19a.html.
https://​/​proceedings.mlr.press/​v99/​fang19a.html

[ 52 ] S Reddi, Manzil Zaheer, Devendra Sachan, Satyen Kale y Sanjiv Kumar. “Métodos adaptativos para la optimización no convexa”. En las Actas de la 32.ª Conferencia sobre Sistemas de Procesamiento de Información Neural (NIPS 2018). (2018). URL: https:/​/​proceedings.neurips.cc/​paper/​2018/​file/​90365351ccc7437a1309dc64e4db32a3-Paper.pdf.
https:/​/​proceedings.neurips.cc/​paper/​2018/​file/​90365351ccc7437a1309dc64e4db32a3-Paper.pdf

[ 53 ] Léon Bottou y Olivier Bousquet. “Las ventajas y desventajas del aprendizaje a gran escala”. En J. Platt, D. Koller, Y. Singer y S. Roweis, editores, Advances in Neural Information Processing Systems. Volumen 20. Curran Associates, Inc. (2007). URL: https:/​/​proceedings.neurips.cc/​paper/​2007/​file/​0d3180d672e08b4c5312dcdafdf6ef36-Paper.pdf.
https:/​/​proceedings.neurips.cc/​paper/​2007/​file/​0d3180d672e08b4c5312dcdafdf6ef36-Paper.pdf

[ 54 ] Peter J Karalekas, Nikolas A Tezak, Eric C Peterson, Colm A Ryan, Marcus P da Silva y Robert S Smith. “Una plataforma de nube clásica cuántica optimizada para algoritmos híbridos variacionales”. Ciencia y tecnología cuántica 5, 024003 (2020).
https: / / doi.org/ 10.1088 / 2058-9565 / ab7559

[ 55 ] HJ Briegel, Tommaso Calarco, Dieter Jaksch, Juan Ignacio Cirac, and Peter Zoller. “Computación cuántica con átomos neutros”. Revista de óptica moderna 47, 415–451 (2000).
https: / / doi.org/ 10.1080 / 09500340008244052

[ 56 ] Sergey Bravyi, Jay M Gambetta, Antonio Mezzacapo y Kristan Temme. “Disminuyendo los qubits para simular hamiltonianos fermiónicos” (2017). arXiv:1701.08213.
arXiv: 1701.08213

[ 57 ] MD SAJID ANIS, Héctor Abraham, AduOffei, Rochisha Agarwal, Gabriele Agliardi, Merav Aharoni, Ismail Yunus Akhalwaya, Gadi Aleksandrowicz, Thomas Alexander, Matthew Amy, Sashwat Anagolum, Eli Arbel, Abraham Asfaw, Anish Athalye, Artur Avkhadiev, et al. “Qiskit: un marco de código abierto para la computación cuántica” (2021).

[ 58 ] Ciyou Zhu, Richard H Byrd, Peihuang Lu y Jorge Nocedal. "Algoritmo 778: L-BFGS-B: subrutinas Fortran para optimización limitada limitada a gran escala". ACM Transactions on Mathematical Software (TOMS) 23, 550–560 (1997).
https: / / doi.org/ 10.1145 / 279232.279236

[ 59 ] Raghu Bollapragada, Richard Byrd y Jorge Nocedal. “Estrategias de muestreo adaptativo para la optimización estocástica”. SIAM Journal on Optimization 28, 3312–3343 (2018).
https: / / doi.org/ 10.1137 / 17M1154679

[ 60 ] Raghu Bollapragada, Jorge Nocedal, Dheevatsa Mudigere, Hao-Jun Shi y Ping Tak Peter Tang. "Un método L-BFGS de procesamiento por lotes progresivo para el aprendizaje automático". En Conferencia Internacional sobre Aprendizaje Automático. Páginas 620–629. PMLR (2018). URL: https:/​/​proceedings.mlr.press/​v80/​bollapragada18a.html.
https://​/​proceedings.mlr.press/​v80/​bollapragada18a.html

[ 61 ] Raghu Pasupathy, Peter Glynn, Soumyadip Ghosh y Fatemeh S Hashemi. “Sobre tasas de muestreo en recursiones basadas en simulación”. SIAM Journal on Optimization 28, 45–73 (2018).
https: / / doi.org/ 10.1137 / 140951679

[ 62 ] Andrew Arrasmith, Lukasz Cincio, Rolando D Somma y Patrick J Coles. “Muestreo de operadores para la optimización frugal en algoritmos variacionales” (2020). arXiv:2004.06252.
arXiv: 2004.06252

[ 63 ] Yangyang Xu y Wotao Yin. "Iteración de gradiente estocástico de bloques para optimización convexa y no convexa". SIAM Journal on Optimization 25, 1686–1716 (2015).
https: / / doi.org/ 10.1137 / 140983938

Citado por

[1] Matt Menickelly, Stefan M. Wild y Miaolan Xie, “Un método estocástico cuasi-newton en ausencia de números aleatorios comunes”, arXiv: 2302.09128, (2023).

[2] Kosuke Ito, "Asignación de tomas adaptables conscientes de la latencia para algoritmos cuánticos variacionales eficientes en el tiempo de ejecución", arXiv: 2302.04422, (2023).

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-03-16 18:30:45). 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 2023-03-16 18:30:43: No se pudieron obtener los datos citados por 10.22331 / q-2023-03-16-949 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.

Sello de tiempo:

Mas de Diario cuántico