Algoritmos de Monte Carlo asistidos por cuánticos para fermiones

Reeditado por Platón

seguidores: 0

Escuela de Graduados de la Academia China de Ingeniería Física, Beijing 100193, China

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

Resumen

La computación cuántica es una forma prometedora de resolver sistemáticamente el problema computacional de larga data: el estado fundamental de un sistema de fermiones de muchos cuerpos. Se han realizado muchos esfuerzos para lograr ciertas formas de ventaja cuántica en este problema, por ejemplo, el desarrollo de algoritmos cuánticos variacionales. Un trabajo reciente de Huggins et al. [1] presenta un candidato novedoso, es decir, un algoritmo de Monte Carlo híbrido cuántico-clásico con un sesgo reducido en comparación con su homólogo totalmente clásico. En este artículo, proponemos una familia de algoritmos Monte Carlo escalables asistidos por cuánticos donde la computadora cuántica se utiliza a su costo mínimo y aún puede reducir el sesgo. Al incorporar un enfoque de inferencia bayesiano, podemos lograr esta reducción del sesgo facilitada por lo cuántico con un costo de computación cuántica mucho menor que tomar la media empírica en la estimación de amplitud. Además, mostramos que el marco híbrido de Monte Carlo es una forma general de suprimir errores en el estado fundamental obtenidos a partir de algoritmos clásicos. Nuestro trabajo proporciona un conjunto de herramientas Monte Carlo para lograr cálculos mejorados cuánticamente de sistemas de fermiones en dispositivos cuánticos a corto plazo.

Resumen popular

Resolver la ecuación de Schrodinger de sistemas de fermiones de muchos cuerpos es esencial en muchos campos científicos. Quantum Monte Carlo (QMC) es un grupo de algoritmos clásicos bien desarrollados que se han utilizado ampliamente. Sin embargo, un problema de signos prohíbe su uso en sistemas grandes ya que la varianza de los resultados aumenta exponencialmente con el tamaño del sistema. Los métodos comunes para restringir el problema de los signos suelen introducir algún sesgo. Consideramos incorporar computadoras cuánticas en QMC para reducir el sesgo. Trabajos anteriores tienen algunos problemas con la escalabilidad en general y el costo de la computación cuántica. En este trabajo, intentamos abordar estos problemas e introducir un marco de algoritmos QMC asistidos cuánticamente en los que la computadora cuántica participa a niveles flexibles. Describimos dos estrategias basadas en la extensión de los recursos cuánticos utilizados y mostramos resultados numéricos notablemente mejorados en comparación con la contraparte clásica. Para reducir aún más las mediciones de la computación cuántica, introducimos un método de inferencia bayesiano y mostramos que se puede mantener una ventaja cuántica estable. Con simetría inherente en el sistema físico objetivo, nuestro QMC asistido cuánticamente es resistente a los errores. Al hacer de nuestro QMC asistido por cuántico una subrutina del algoritmo de diagonalización subespacial, mostramos que el QMC asistido por cuántico es un método general para reducir errores en otros algoritmos clásicos o cuánticos. El QMC asistido cuánticamente es un método potencialmente nuevo para demostrar cierto nivel de ventaja cuántica en las máquinas del NIST.

► datos BibTeX

@artículo{Xu2023quantumassisted, doi = {10.22331/q-2023-08-03-1072}, url = {https://doi.org/10.22331/q-2023-08-03-1072}, título = {Quantum- Algoritmos {M}onte {C}arlo asistidos para fermiones}, autor = {Xu, Xiaosi y Li, Ying}, revista = {{Quantum}}, issn = {2521-327X}, editor = {{Verein zur F{ “{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volumen = {7}, páginas = {1072}, mes = agosto, año = {2023} }

► referencias

[ 1 ] William J Huggins, Bryan A O'Gorman, Nicholas C Rubin, David R Reichman, Ryan Babbush y Joonho Lee. Imparcialización cuántica fermiónica de monte carlo con una computadora cuántica. Naturaleza, 603 (7901): 416–420, 2022. https://doi.org/10.1038/s41586-021-04351-z.
https: / / doi.org/ 10.1038 / s41586-021-04351-z

[ 2 ] Ryan Babbush, Dominic W Berry, Ian D Kivlichan, Annie Y Wei, Peter J Love y Alán Aspuru-Guzik. Simulación cuántica exponencialmente más precisa de fermiones en segunda cuantización. New Journal of Physics, 18 (3): 033032, 2016. https://doi.org/10.1088/1367-2630/18/3/033032.
https://doi.org/10.1088/1367-2630/18/3/033032

[ 3 ] Sam McArdle, Suguru Endo, Alán Aspuru-Guzik, Simon C Benjamin y Xiao Yuan. Química computacional cuántica. Reseñas de Física Moderna, 92 (1): 015003, 2020. https://doi.org/10.1103/RevModPhys.92.015003.
https: / / doi.org/ 10.1103 / RevModPhys.92.015003

[ 4 ] Raffaele Resta. Manifestaciones de la fase de la baya en moléculas y materia condensada. Revista de Física: Materia Condensada, 12 (9): R107, 2000. https://doi.org/10.1088/0953-8984/12/9/201.
https://doi.org/10.1088/0953-8984/12/9/201

[ 5 ] Lingzhen Guo y Pengfei Liang. Física de la materia condensada en cristales de tiempo. Nueva Revista de Física, 22 (7): 075003, 2020. https://doi.org/10.1088/1367-2630/ab9d54.
https://doi.org/10.1088/1367-2630/ab9d54

[ 6 ] Jean Pierre Jeukenne, A Lejeune y Claude Mahaux. Teoría de muchos cuerpos de la materia nuclear. Informes de física, 25 (2): 83–174, 1976. https://doi.org/10.1016/0370-1573(76)90017-X.
https://doi.org/10.1016/0370-1573(76)90017-X

[ 7 ] J Carlson, Stefano Gandolfi, Francesco Pederiva, Steven C Pieper, Rocco Schiavilla, KE Schmidt y Robert B Wiringa. Métodos cuánticos de Monte Carlo para la física nuclear. Reseñas de Física Moderna, 87 (3): 1067, 2015. https://doi.org/10.1103/RevModPhys.87.1067.
https: / / doi.org/ 10.1103 / RevModPhys.87.1067

[ 8 ] Vladimir A. Miransky e Igor A. Shovkovy. Teoría cuántica de campos en un campo magnético: de la cromodinámica cuántica al grafeno y los semimetales de dirac. Informes de física, 576: 1–209, 2015. https://doi.org/10.1016/j.physrep.2015.02.003.
https: / / doi.org/ 10.1016 / j.physrep.2015.02.003

[ 9 ] Stanley J Brodsky, Hans-Christian Pauli y Stephen S Pinsky. Cromodinámica cuántica y otras teorías de campo sobre el cono de luz. Informes de física, 301 (4-6): 299–486, 1998. https://doi.org/10.1016/S0370-1573(97)00089-6.
https://doi.org/10.1016/S0370-1573(97)00089-6

[ 10 ] Gabriel Kotliar, Sergej Y Savrasov, Kristjan Haule, Viktor S Oudovenko, O Parcollet y CA Marianetti. Cálculos de estructuras electrónicas con teoría dinámica del campo medio. Reseñas de Física Moderna, 78 (3): 865, 2006. https://doi.org/10.1103/RevModPhys.78.865.
https: / / doi.org/ 10.1103 / RevModPhys.78.865

[ 11 ] John W Negele. La teoría del campo medio de la estructura y dinámica nuclear. Reseñas de Física Moderna, 54 (4): 913, 1982. https://doi.org/10.1103/RevModPhys.54.913.
https: / / doi.org/ 10.1103 / RevModPhys.54.913

[ 12 ] Rafael Guardiola. Métodos de Montecarlo en teorías cuánticas de muchos cuerpos. En Teorías microscópicas cuánticas de muchos cuerpos y sus aplicaciones, páginas 269–336. Springer, 1998. https://doi.org/10.1016/0375-9474(79)90217-3.
https://doi.org/10.1016/0375-9474(79)90217-3

[ 13 ] YY Shi, LM Duan y Guifre Vidal. Simulación clásica de sistemas cuánticos de muchos cuerpos con una red de tensores de árbol. Revisión física a, 74 (2): 022320, 2006. https://doi.org/10.1103/PhysRevA.74.022320.
https: / / doi.org/ 10.1103 / PhysRevA.74.022320

[ 14 ] Shi-Ju Ran, Angelo Piga, Cheng Peng, Gang Su y Maciej Lewenstein. Los sistemas de pocos cuerpos capturan la física de muchos cuerpos: enfoque de red tensorial. Revisión física B, 96 (15): 155120, 2017. https://doi.org/10.1103/PhysRevB.96.155120.
https: / / doi.org/ 10.1103 / PhysRevB.96.155120

[ 15 ] Dibujó Creal. Un estudio de los métodos secuenciales de Monte Carlo para la economía y las finanzas. Revisiones econométricas, 31 (3): 245–296, 2012. https://doi.org/10.1080/07474938.2011.607333.
https: / / doi.org/ 10.1080 / 07474938.2011.607333

[ 16 ] Liaw Y Batan, Gregory D Graff y Thomas H Bradley. Análisis probabilístico tecnoeconómico y monte carlo del sistema de producción de biocombustibles con microalgas. Tecnología de biorrecursos, 219: 45–52, 2016. https://doi.org/10.1016/j.biortech.2016.07.085.
https:///doi.org/10.1016/j.biortech.2016.07.085

[ 17 ] Zheng-Zhi Sun, Cheng Peng, Ding Liu, Shi-Ju Ran y Gang Su. Modelo de clasificación de redes tensoriales generativas para aprendizaje automático supervisado. Revisión física B, 101 (7): 075135, 2020. https://doi.org/10.1103/PhysRevB.101.075135.
https: / / doi.org/ 10.1103 / PhysRevB.101.075135

[ 18 ] Toshiyuki Tanaka. Teoría del campo medio del aprendizaje automático de Boltzmann. Revisión física E, 58 (2): 2302, 1998. https://doi.org/10.1103/PhysRevE.58.2302.
https: / / doi.org/ 10.1103 / PhysRevE.58.2302

[ 19 ] Brian M Austin, Dmitry Yu Zubarev y William A Lester Jr. Quantum monte carlo y enfoques relacionados. Revisiones químicas, 112 (1): 263–288, 2012. https://doi.org/10.1021/cr2001564.
https:///doi.org/10.1021/cr2001564

[ 20 ] Gerardo Ortiz, James E Gubernatis, Emanuel Knill y Raymond Laflamme. Algoritmos cuánticos para simulaciones fermiónicas. Revisión física A, 64 (2): 022319, 2001. https://doi.org/10.1103/PhysRevA.64.022319.
https: / / doi.org/ 10.1103 / PhysRevA.64.022319

[ 21 ] Mario Motta y Shiwei Zhang. Cálculos ab initio de sistemas moleculares mediante el método de Monte Carlo cuántico de campo auxiliar. Reseñas interdisciplinarias de Wiley: ciencia molecular computacional, 8 (5): e1364, 2018. https://doi.org/10.1002/wcms.1364.
https: / / doi.org/ 10.1002 / wcms.1364

[ 22 ] Nick S Blunt. Aproximaciones de nodos fijos y parciales en el espacio determinante más largo para moléculas. Revista de Teoría y Computación Química, 17 (10): 6092–6104, 2021. https://doi.org/10.1021/acs.jctc.1c00500.
https: / / doi.org/ 10.1021 / acs.jctc.1c00500

[ 23 ] Sevag Gharibian y François Le Gall. Descuantificación de la transformación del valor singular cuántico: dureza y aplicaciones a la química cuántica y la conjetura cuántica del pcp. En Actas del 54º Simposio Anual ACM SIGACT sobre Teoría de la Computación, páginas 19 a 32, 2022. https://doi.org/10.1145/3519935.3519991.
https: / / doi.org/ 10.1145 / 3519935.3519991

[ 24 ] Chris Cade, Marten Folkertsma y Jordi Weggemans. Complejidad del problema hamiltoniano local guiado: parámetros mejorados y extensión a estados excitados. Preimpresión de arXiv arXiv:2207.10097, 2022. https://doi.org/10.48550/arXiv.2207.10097.
https:///doi.org/10.48550/arXiv.2207.10097
arXiv: 2207.10097

[ 25 ] Sevag Gharibian, Ryu Hayakawa, François Le Gall y Tomoyuki Morimae. Resultados de dureza mejorados para el problema hamiltoniano local guiado. Preimpresión de arXiv arXiv:2207.10250, 2022. https://doi.org/10.48550/arXiv.2207.10250.
https:///doi.org/10.48550/arXiv.2207.10250
arXiv: 2207.10250

[ 26 ] James D Whitfield, Jacob Biamonte y Alan Aspuru-Guzik. Simulación de hamiltonianos de estructura electrónica mediante ordenadores cuánticos. Física Molecular, 109 (5): 735–750, 2011. https://doi.org/10.1080/00268976.2011.552441.
https: / / doi.org/ 10.1080 / 00268976.2011.552441

[ 27 ] Pedro MQ Cruz, Gonçalo Catarina, Ronan Gautier y Joaquín Fernández-Rossier. Optimización de la estimación de fase cuántica para la simulación de estados propios hamiltonianos. Ciencia y tecnología cuánticas, 5 (4): 044005, 2020. https://doi.org/10.1088/2058-9565/abaa2c.
https://doi.org/10.1088/2058-9565/abaa2c

[ 28 ] John Preskill. Computación cuántica en la era nisq y más allá. Quantum, 2: 79, 2018. https: / / doi.org/ 10.22331 / q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79

[ 29 ] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S Kottmann, Tim Menke, et al. Algoritmos cuánticos ruidosos de escala intermedia. Reseñas de Física Moderna, 94 (1): 015004, 2022. https://doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004

[ 30 ] Samson Wang, Enrico Fontana, Marco Cerezo, Kunal Sharma, Akira Sone, Lukasz Cincio y Patrick J Coles. Mesetas estériles inducidas por ruido en algoritmos cuánticos variacionales. Comunicaciones de la naturaleza, 12 (1): 1–11, 2021. https://doi.org/10.1038/s41467-021-27045-6.
https://doi.org/10.1038/s41467-021-27045-6

[ 31 ] Marco Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio y Patrick J Coles. Mesetas estériles dependientes de la función de costos en circuitos cuánticos parametrizados poco profundos. Comunicaciones de la naturaleza, 12 (1): 1–12, 2021a. https:///doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w

[ 32 ] Edward Grant, Leonard Wossnig, Mateusz Ostaszewski y Marcello Benedetti. Una estrategia de inicialización para abordar mesetas estériles en circuitos cuánticos parametrizados. Cuántico, 3: 214, 2019. https://doi.org/10.22331/q-2019-12-09-214.
https://doi.org/10.22331/q-2019-12-09-214

[ 33 ] Stefan H Sack, Raimel A Medina, Alexios A Michailidis, Richard Kueng y Maksym Serbyn. Evitar mesetas áridas utilizando sombras clásicas. PRX Quantum, 3: 020365, junio de 2022. https://doi.org/10.1103/PRXQuantum.3.020365.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020365

[ 34 ] Yongdan Yang, Bing-Nan Lu y Ying Li. Montecarlo cuántico acelerado con error mitigado en una computadora cuántica ruidosa. PRX Quantum, 2 (4): 040361, 2021. https://doi.org/10.1103/PRXQuantum.2.040361.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040361

[ 35 ] Guglielmo Mazzola y Giuseppe Carleo. Desafíos exponenciales en algoritmos cuánticos de Monte Carlo imparciales con computadoras cuánticas. Preimpresión de arXiv arXiv:2205.09203, 2022. https://doi.org/10.48550/arXiv.2205.09203.
https:///doi.org/10.48550/arXiv.2205.09203
arXiv: 2205.09203

[ 36 ] Joonho Lee, David R Reichman, Ryan Babbush, Nicholas C Rubin, Fionn D. Malone, Bryan O'Gorman y Huggins. William J. Respuesta a los "desafíos exponenciales en los algoritmos cuánticos de Monte Carlo imparciales con computadoras cuánticas". Preimpresión de arXiv arXiv:2207.13776, 2022. https://doi.org/10.48550/arXiv.2207.13776.
https:///doi.org/10.48550/arXiv.2207.13776
arXiv: 2207.13776

[ 37 ] Ankit Mahajan y Sandeep Sharma. Función de onda de campo medio de Jastrow proyectada por simetría en Monte Carlo variacional. Revista de Química Física A, 123 (17): 3911–3921, 2019. https://doi.org/10.1021/acs.jpca.9b01583.
https: / / doi.org/ 10.1021 / acs.jpca.9b01583

[ 38 ] Alessandro Roggero, Abhishek Mukherjee y Francesco Pederiva. Montecarlo cuántico con funciones de onda de cúmulo acoplado. Revisión física B, 88 (11): 115138, 2013. https://doi.org/10.1103/PhysRevB.88.115138.
https: / / doi.org/ 10.1103 / PhysRevB.88.115138

[ 39 ] Anders W Sandvik y Guifre Vidal. Simulaciones de Monte Carlo cuánticas variacionales con estados de redes tensoriales. Cartas de revisión física, 99 (22): 220602, 2007. https://doi.org/10.1103/PhysRevLett.99.220602.
https: / / doi.org/ 10.1103 / PhysRevLett.99.220602

[ 40 ] DFB Ten Haaf, HJM Van Bemmel, JMJ Van Leeuwen, W Van Saarloos y DM Ceperley. Prueba de un límite superior en Monte Carlo de nodo fijo para fermiones reticulares. Revisión física B, 51 (19): 13039, 1995. https://doi.org/10.1103/physrevb.51.13039.
https: / / doi.org/ 10.1103 / physrevb.51.13039

[ 41 ] Shiwei Zhang y Henry Krakauer. Método cuántico de Monte Carlo que utiliza paseos aleatorios sin fases con determinantes de pizarra. Cartas de revisión física, 90 (13): 136401, 2003. https://doi.org/10.1103/PhysRevLett.90.136401.
https: / / doi.org/ 10.1103 / PhysRevLett.90.136401

[ 42 ] Iliya Sabzevari y Sandeep Sharma. Velocidad y escalamiento mejorados en el espacio orbital variacional monte carlo. Revista de teoría y computación química, 14 (12): 6276–6286, 2018. https://doi.org/10.1021/acs.jctc.8b00780.
https: / / doi.org/ 10.1021 / acs.jctc.8b00780

[ 43 ] 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. Física de revisiones de la naturaleza, 3 (9): 625–644, 2021b. https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9

[ 44 ] Panagiotis Kl Barkoutsos, Jerome F Gonthier, Igor Sokolov, Nikolaj Moll, Gian Salis, Andreas Fuhrer, Marc Ganzhorn, Daniel J Egger, Matthias Troyer, Antonio Mezzacapo, et al. Algoritmos cuánticos para cálculos de estructuras electrónicas: hamiltonianos de orificios de partículas y expansiones de función de onda optimizadas. Revisión física A, 98 (2): 022322, 2018. https://doi.org/10.1103/PhysRevA.98.022322.
https: / / doi.org/ 10.1103 / PhysRevA.98.022322

[ 45 ] Hsin-Yuan Huang, Richard Kueng y John Preskill. Predecir muchas propiedades de un sistema cuántico a partir de muy pocas mediciones. Física de la naturaleza, 16 (10): 1050–1057, 2020. https://doi.org/10.1038/s41567-020-0932-7.
https://doi.org/10.1038/s41567-020-0932-7

[ 46 ] Gilles Brassard, Peter Hoyer, Michele Mosca y Alain Tapp. Amplificación y estimación de amplitud cuántica. Matemáticas contemporáneas, 305: 53–74, 2002. https://doi.org/10.1090/conm/305/05215.
https: / / doi.org/ 10.1090 / conm / 305/05215

[ 47 ] Artur K Ekert, Carolina Moura Alves, Daniel KL Oi, Michał Horodecki, Paweł Horodecki y Leong Chuan Kwek. Estimaciones directas de funcionales lineales y no lineales de un estado cuántico. Cartas de revisión física, 88 (21): 217901, 2002. https://doi.org/10.1103/PhysRevLett.88.217901.
https: / / doi.org/ 10.1103 / PhysRevLett.88.217901

[ 48 ] Sirui Lu, Mari Carmen Bañuls y J. Ignacio Cirac. Algoritmos de simulación cuántica a energías finitas. PRX Quantum, 2 (2): 020321, 2021. https://doi.org/10.1103/PRXQuantum.2.020321.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020321

[ 49 ] Thomas E O'Brien, Stefano Polla, Nicholas C Rubin, William J Huggins, Sam McArdle, Sergio Boixo, Jarrod R McClean y Ryan Babbush. Mitigación de errores mediante estimación de fase verificada. PRX Quantum, 2 (2): 020317, 2021. https://doi.org/10.1103/PRXQuantum.2.020317.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020317

[ 50 ] Ian D Kivlichan, Jarrod McClean, Nathan Wiebe, Craig Gidney, Alán Aspuru-Guzik, Garnet Kin-Lic Chan y Ryan Babbush. Simulación cuántica de estructura electrónica con profundidad lineal y conectividad. Cartas de revisión física, 120 (11): 110501, 2018. https://doi.org/10.1103/PhysRevLett.120.110501.
https: / / doi.org/ 10.1103 / PhysRevLett.120.110501

[ 51 ] Arne L. Grimsmo, Joshua Combes y Ben Q. Baragiola. Computación cuántica con códigos bosónicos de rotación simétrica. Física. Rev. X, 10: 011058, marzo de 2020. https://doi.org/10.1103/PhysRevX.10.011058.
https: / / doi.org/ 10.1103 / PhysRevX.10.011058

[ 52 ] Zhenyu Cai. Mitigación de errores cuánticos mediante expansión de simetría. Cuántico, 5: 548, 2021. https://doi.org/10.22331/q-2021-09-21-548.
https://doi.org/10.22331/q-2021-09-21-548

[ 53 ] Taisuke Ozaki. O (n) método del subespacio de Krylov para cálculos de estructuras electrónicas ab initio a gran escala. Revisión física B, 74 (24): 245101, 2006. https://doi.org/10.1103/PhysRevB.74.245101.
https: / / doi.org/ 10.1103 / PhysRevB.74.245101

[ 54 ] Ken M Nakanishi, Kosuke Mitarai y Keisuke Fujii. Solucionador propio cuántico variacional de búsqueda subespacial para estados excitados. Investigación de revisión física, 1 (3): 033062, 2019. https://doi.org/10.1103/PhysRevResearch.1.033062.
https: / / doi.org/ 10.1103 / PhysRevResearch.1.033062

[ 55 ] Kazuhiro Seki y Seiji Yunoki. Método de potencia cuántica mediante superposición de estados evolucionados en el tiempo. PRX Quantum, 2 (1): 010333, 2021. https://doi.org/10.1103/PRXQuantum.2.010333.
https: / / doi.org/ 10.1103 / PRXQuantum.2.010333

[ 56 ] Cristian L Cortés y Stephen K Gray. Algoritmos subespaciales cuánticos de Krylov para la estimación de energía del estado excitado y del suelo. Revisión física A, 105 (2): 022417, 2022. https://doi.org/10.1103/PhysRevA.105.022417.
https: / / doi.org/ 10.1103 / PhysRevA.105.022417

[ 57 ] Rongxin Xia y Saber Kais. Qubit acoplado cluster simple y doble análisis de resolución propia cuántica variacional para cálculos de estructuras electrónicas. Ciencia y tecnología cuánticas, 6 (1): 015001, 2020. https://doi.org/10.1088/2058-9565/abbc74.
https://doi.org/10.1088/2058-9565/abbc74

[ 58 ] Timo Felser, Simone Notarnicola y Simone Montangero. Solución de red tensorial eficiente para problemas cuánticos de muchos cuerpos de alta dimensión. Cartas de revisión física, 126 (17): 170603, 2021. https://doi.org/10.1103/PhysRevLett.126.170603.
https: / / doi.org/ 10.1103 / PhysRevLett.126.170603

[ 59 ] Michael R Wall y Daniel Neuhauser. Extracción, a través de la diagonalización del filtro, de valores propios cuánticos generales o frecuencias de modo normal clásico de un pequeño número de residuos o un segmento de tiempo corto de una señal. i. teoría y aplicación a un modelo de dinámica cuántica. Revista de física química, 102 (20): 8011–8022, 1995. https://doi.org/10.1063/1.468999.
https: / / doi.org/ 10.1063 / 1.468999

[ 60 ] Ethan N. Epperly, Lin Lin y Yuji Nakatsukasa. Una teoría de la diagonalización del subespacio cuántico. SIAM Journal on Matrix Analysis and Applications, 43 (3): 1263–1290, 2022. https://doi.org/10.1137/21M145954X.
https: / / doi.org/ 10.1137 / 21M145954X

Citado por

[1] Jinzhao Sun, Suguru Endo, Huiping Lin, Patrick Hayden, Vlatko Vedral y Xiao Yuan, "Simulación cuántica perturbativa", Cartas de revisión física 129 12, 120505 (2022).

[2] Shu Kanno, Hajime Nakamura, Takao Kobayashi, Shigeki Gocho, Miho Hatanaka, Naoki Yamamoto y Qi Gao, “Quantum computing quantum Monte Carlo con red de tensor híbrido hacia cálculos de estructuras electrónicas de sistemas sólidos y moleculares a gran escala”, arXiv: 2303.18095, (2023).

[3] Yukun Zhang, Yifei Huang, Jinzhao Sun, Dingshun Lv y Xiao Yuan, “Quantum Computing Quantum Monte Carlo”, arXiv: 2206.10431, (2022).

[4] Benchen Huang, Nan Sheng, Marco Govoni y Giulia Galli, "Simulaciones cuánticas de hamiltonianos fermiónicos con codificación eficiente y esquemas ansatz", arXiv: 2212.01912, (2022).

[5] Maximilian Amsler, Peter Deglmann, Matthias Degroote, Michael P. Kaicher, Matthew Kiser, Michael Kühn, Chandan Kumar, Andreas Maier, Georgy Samsonidze, Anna Schroeder, Michael Streif, Davide Vodola y Christopher Wever, “Quantum-enhanced quantum Montecarlo: una visión industrial”, arXiv: 2301.11838, (2023).

[6] Yongdan Yang, Ying Li, Xiaosi Xu y Xiao Yuan, “Un algoritmo híbrido clásico cuántico eficiente en recursos para la evaluación de la brecha energética”, arXiv: 2305.07382, (2023).

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-08-06 02:04:18). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.

On Servicio citado por Crossref no se encontraron datos sobre las obras citadas (último intento 2023-08-06 02:04:17).

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.

Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
Fuente: https://quantum-journal.org/papers/q-2023-08-03-1072/

Sello de tiempo: 3 de agosto de 2023

Sello de tiempo: Nov 7, 2023

Reeditado por Platón

Algoritmo cuántico para la estimación de la energía del estado fundamental utilizando la profundidad del circuito con una dependencia de la precisión exponencialmente mejorada

Método robusto de punto interior para el cálculo de la tasa de distribución de claves cuánticas

Relaciones de amplitud y estados cuánticos de redes neuronales

Resumen: Análisis de circuitos cuánticos mediante simulación de estabilizador abstracto

¿Cuándo llega una partícula?

Aprendizaje hamiltoniano robusto y eficiente

Cifrado independiente del dispositivo seguro y componible con eliminación certificada

Hacia la gravedad cuántica en el laboratorio de procesadores cuánticos

Modelo de control predictivo para una preparación robusta del estado cuántico

El interruptor cuántico se define únicamente por su acción sobre operaciones unitarias.

Sobre Nosotros

Búsqueda vertical y Ai

Productos

Manténganse Conectados

Mi Cuenta