شبکه‌های تکراری عمیق که تکامل شکاف را در محاسبات کوانتومی آدیاباتیک پیش‌بینی می‌کنند

بازنشر افلاطون

دنبال: 0

نعیمه محسنی^1,2، کارلوس ناوارته-بنلوخ^3,4,1، تیم برنز^5,6,7,8,9و فلوریان مارکوارت^1,2

¹Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 Erlangen, Germany
²گروه فیزیک، دانشگاه ارلانگن-نورنبرگ، Staudtstr. 5، 91058 ارلانگن، آلمان
³مرکز کوانتومی Wilczek، دانشکده فیزیک و نجوم، دانشگاه شانگهای Jiao Tong، شانگهای 200240، چین
⁴مرکز تحقیقات شانگهای برای علوم کوانتومی، شانگهای 201315، چین
⁵دانشگاه نیویورک شانگهای، خیابان قرن 1555، پودونگ، شانگهای 200122، چین
⁶آزمایشگاه کلید دولتی طیف‌سنجی دقیق، دانشکده علوم فیزیکی و مواد، دانشگاه عادی شرق چین، شانگهای 200062، چین
⁷موسسه فیزیک NYU-ECNU در NYU شانگهای، 3663 Zhongshan Road North، شانگهای 200062، چین
⁸مرکز سیستم های کوانتومی و توپولوژیکی (CQTS)، موسسه تحقیقاتی NYUAD، دانشگاه نیویورک ابوظبی، امارات متحده عربی
⁹گروه فیزیک، دانشگاه نیویورک، نیویورک، NY 10003، ایالات متحده آمریکا

این مقاله را جالب می دانید یا می خواهید بحث کنید؟ SciRate را ذکر کنید یا در SciRate نظر بدهید.

چکیده

در محاسبات کوانتومی آدیاباتیک، یافتن وابستگی شکاف همیلتونی به عنوان تابعی از پارامتر متغیر در طول جابجایی آدیاباتیک به منظور بهینه‌سازی سرعت محاسبات بسیار مهم است. با الهام از این چالش، در این کار ما پتانسیل یادگیری عمیق را برای کشف یک نقشه برداری از پارامترهایی که به طور کامل یک مشکل همیلتونی را به وابستگی پارامتری فوق الذکر شکاف با استفاده از معماری های مختلف شبکه شناسایی می کند، بررسی می کنیم. از طریق این مثال، ما حدس می زنیم که یک عامل محدود کننده برای یادگیری چنین مسائلی، اندازه ورودی است، یعنی اینکه چگونه تعداد پارامترهای مورد نیاز برای شناسایی مقیاس های همیلتونی با اندازه سیستم است. ما نشان می‌دهیم که یک شبکه حافظه کوتاه‌مدت در پیش‌بینی شکاف موفق می‌شود که فضای پارامتر به صورت خطی با اندازه سیستم مقیاس شود. به طور قابل‌توجهی، ما نشان می‌دهیم که هنگامی که این معماری با یک شبکه عصبی کانولوشن برای مقابله با ساختار فضایی مدل ترکیب می‌شود، حتی می‌توان تکامل شکاف را برای اندازه‌های سیستم بزرگتر از اندازه‌هایی که شبکه عصبی در طول آموزش مشاهده می‌کند، پیش‌بینی کرد. این امر سرعت قابل توجهی را در مقایسه با الگوریتم های دقیق و تقریبی موجود در محاسبه شکاف ایجاد می کند.

تصویر ویژه: یک شبکه عصبی با مشاهده داده های تولید شده توسط یک کامپیوتر کلاسیک یا یک کامپیوتر کوانتومی، شکاف پارامتریک را یاد می گیرد.

خلاصه محبوب

در زمینه محاسبات کوانتومی آدیاباتیک، یکی از جنبه های کلیدی برای دستیابی به سرعت محاسبات بهینه این است که بفهمیم چگونه شکاف همیلتونی به پارامترهای متنوع در طول جابجایی آدیاباتیک بستگی دارد. با انگیزه این چالش، مقاله ما به بررسی پتانسیل تکنیک های یادگیری عمیق برای کشف نگاشت بین پارامترهای همیلتونی مسئله و وابستگی پارامتری شکاف می پردازد. با استفاده از معماری‌های شبکه متنوع، محدودیت‌های یادگیری چنین مشکلاتی را بررسی می‌کنیم. بررسی ما نشان می‌دهد که مقیاس‌پذیری تعداد پارامترهای مورد نیاز برای شناسایی همیلتونین با توجه به اندازه سیستم، نقش مهمی در یادگیری چنین مشکلاتی دارد.

به طور قابل‌توجهی، ما نشان می‌دهیم که یک شبکه عصبی آموزش‌دیده، با توجه به مقیاس‌های فضای پارامتر به صورت خطی با اندازه سیستم، در طی یک جاروی آدیاباتیک برای اندازه‌های سیستم بزرگ، تنها با مشاهده شکاف برای اندازه‌های سیستم کوچک، موفق به پیش‌بینی تکامل شکاف کامل می‌شود. مطالعه ما به وعده شبکه‌های به اصطلاح تکرارشونده کانولوشن در پیش‌بینی دینامیک آدیاباتیک سیستم‌های چند بدنه ناهمگن و پتانسیل آنها برای برون‌یابی دینامیک فراتر از آنچه شبکه عصبی روی آن آموزش داده شده است، می‌افزاید.

► داده های BibTeX

@article{Mohseni2023deeprecurrent، doi = {10.22331/q-2023-06-12-1039}، url = {https://doi.org/10.22331/q-2023-06-12-1039}، عنوان مجدد = {Deep شبکه‌های پیش‌بینی کننده تکامل شکاف در محاسبات کوانتومی آدیاباتیک}، نویسنده = {محسنی، نعیمه و ناوارت بنلوخ، کارلوس و بیرن، تیم و مارکوارت، فلوریان}، مجله = {{کوانتوم}}، issn = {2521-327X}، ناشر = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}، جلد = {7}، صفحات = {1039}، ماه = ژوئن، سال = {2023} }

◄ مراجع

[1] دوریت آهارونوف و آمنون تا شما. تولید حالت کوانتومی آدیاباتیک و دانش صفر آماری. در مجموعه مقالات سی و پنجمین سمپوزیوم سالانه ACM در نظریه محاسبات، صفحات 20-29، 2003. 10.1145/780542.780546.
https://doi.org/10.1145/780542.780546

[2] مهابوبول علم، عبدالله آش ساکی و سواروپ قوش. تسریع الگوریتم بهینه سازی تقریبی کوانتومی با استفاده از یادگیری ماشین در 2020 طراحی، اتوماسیون و تست در کنفرانس و نمایشگاه اروپا (DATE)، صفحات 686-689. IEEE، 2020. 10.5555/3408352.3408509.
https://doi.org/10.5555/3408352.3408509

[3] تمیم آلباش و دانیل لیدار. نشان دادن مزیت مقیاس پذیری برای یک آنیل کوانتومی نسبت به آنیل شبیه سازی شده. Physical Review X, 8 (3): 031016, 2018. 10.1103/PhysRevX.8.031016.
https://doi.org/10.1103/PhysRevX.8.031016

[4] بوریس آلتشولر، هاری کرووی و ژرمی رولاند. محلی سازی اندرسون باعث می شود بهینه سازی کوانتومی آدیاباتیک با شکست مواجه شود. مجموعه مقالات آکادمی ملی علوم، 107 (28): 12446–12450، 2010. 10.1073/pnas.1002116107.
https://doi.org/10.1073/pnas.1002116107

[5] ام اچ اس امین و وی چوی. انتقال فاز کوانتومی مرتبه اول در محاسبات کوانتومی آدیاباتیک بررسی فیزیکی A, 80 (6): 062326, 2009. 10.1103/PhysRevA.80.062326.
https://doi.org/10.1103/PhysRevA.80.062326

[6] متیو جی اس بیچ، آنا گلوبوا و راجر جی ملکو. گرداب های یادگیری ماشین در گذار بدون کوسترلیتز. بررسی فیزیکی B, 97 (4): 045207, 2018. 10.1103/PhysRevB.97.045207.
https://doi.org/10.1103/PhysRevB.97.045207

[7] جولیو بیرولی، سیمونا کوکو و رمی موناسون. انتقال فاز و پیچیدگی در علوم کامپیوتر: مروری بر رویکرد فیزیک آماری به مسئله رضایت‌پذیری تصادفی فیزیک A: مکانیک آماری و کاربردهای آن، 306: 381-394، 2002. 10.1016/S0378-4371(02)00516-2.
https://doi.org/10.1016/S0378-4371(02)00516-2

[8] الکس بلانیا، ساندرو هربیگ، فابیان دخنت، اورت ون نیوونبورگ و فلوریان مارکوارت. یادگیری عمیق چگالی های فضایی در سیستم های کوانتومی همبسته ناهمگن arXiv preprint arXiv:2211.09050, 2022. 10.48550/arXiv.2211.09050.
https://doi.org/10.48550/arXiv.2211.09050
arXiv: 2211.09050

[9] ترولز آرنفرد بویسن. مونت کارلو هدایت‌شده با سیاست: دینامیک زنجیره مارکوف یادگیری تقویتی. بررسی فیزیکی E, 98 (6): 063303, 2018. 10.1103/PhysRevE.98.063303.
https://doi.org/10.1103/PhysRevE.98.063303

[10] مارین بوکوف، الکساندر جی‌آر دی، دریس سلز، فیلیپ واینبرگ، آناتولی پولکونیکوف و پانکاج مهتا. یادگیری تقویتی در مراحل مختلف کنترل کوانتومی فیزیک Rev. X, 8: 031086, Sep 2018. 10.1103/PhysRevX.8.031086.
https://doi.org/10.1103/PhysRevX.8.031086

[11] جوزپه کارلئو و ماتیاس ترویر. حل مسئله چند جسمی کوانتومی با شبکه های عصبی مصنوعی Science, 355 (6325): 602-606, 2017. 10.1126/science.aag2302.
https://doi.org/10.1126/science.aag2302

[12] خوان کاراسکیلا و راجر جی ملکو. مراحل یادگیری ماشینی ماده فیزیک طبیعت، 13 (5): 431-434، 2017. 10.1038/nphys4035.
https://doi.org/10.1038/nphys4035

[13] خوان کاراسکیلا و جاکومو تورلای. شبکه های عصبی در فیزیک چند جسمی کوانتومی: یک آموزش عملی پیش چاپ arXiv arXiv:2101.11099، 2021. 10.48550/arXiv.2101.11099.
https://doi.org/10.48550/arXiv.2101.11099
arXiv: 2101.11099

[14] فرانسوا شوله و همکاران کراس. https://keras.io، 2015.
https://keras.io

[15] ادوارد فرهی، جفری گلدستون، سام گاتمن و مایکل سیپسر. محاسبات کوانتومی با تکامل آدیاباتیک 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] کیسوکه فوجی، کائورو میزوتا، هیروشی اوئدا، کوسوکه میتارای، واتارو میزوکامی و یویا او. ناکاگاوا. حل ویژه کوانتومی متغیر عمیق: یک روش تقسیم و غلبه برای حل یک مسئله بزرگتر با کامپیوترهای کوانتومی با اندازه کوچکتر. PRX Quantum, 3: 010346, Mar 2022. 10.1103/PRXQuantum.3.010346.
https://doi.org/10.1103/PRXQuantum.3.010346

[17] ایوان گلاسر، نیکولا پانکوتی، موریتز آگوست، ایوان دی. رودریگز و جی. ایگناسیو سیراک. حالت‌های کوانتومی شبکه عصبی، حالت‌های پیوند رشته‌ای و حالت‌های توپولوژیکی کایرال. فیزیک Rev. X, 8: 011006, Jan 2018. 10.1103/PhysRevX.8.011006.
https://doi.org/10.1103/PhysRevX.8.011006

[18] یان گودفلو، یوشوا بنجیو و آرون کورویل. یادگیری عمیق. MIT Press، 2016. URL http://www.deeplearningbook.org.
http://www.deeplearningbook.org

[19] الکس گریوز، عبدالرحمن محمد و جفری هینتون. تشخیص گفتار با شبکه های عصبی عود کننده عمیق در سال 2013 کنفرانس بین المللی IEEE در مورد آکوستیک، گفتار و پردازش سیگنال، صفحات 6645-6649. Ieee, 2013. 10.1109/ICASSP.2013.6638947.
https://doi.org/10.1109/ICASSP.2013.6638947

[20] جیان جاکومو گوئرشی. حل بهینه سازی باینری بدون محدودیت درجه دوم با الگوریتم های تقسیم و غلبه و کوانتومی arXiv preprint arXiv:2101.07813, 2021. 10.48550/arXiv.2101.07813.
https://doi.org/10.48550/arXiv.2101.07813
arXiv: 2101.07813

[21] پراتیبا راگوپاتی هگده، جیانلوکا پاسارلی، جیووانی کانتله و پروکولو لوسیگنانو. یادگیری عمیق برنامه های آنیل کوانتومی بهینه برای مدل های تصادفی. arXiv preprint arXiv:2211.15209, 2022. 10.48550/arXiv.2211.15209.
https://doi.org/10.48550/arXiv.2211.15209
arXiv: 2211.15209

[22] اس هوکرایتر و جی اشمیدهابر. محاسبات عصبی با حافظه کوتاه مدت 10.1162/neco.1997.9.8.1735.
https://doi.org/10.1162/neco.1997.9.8.1735

[23] هسین یوان هوانگ، ریچارد کوئنگ و جان پرسکیل. مرزهای نظری اطلاعات در مورد مزیت کوانتومی در یادگیری ماشین فیزیک Rev. Lett., 126: 190505, May 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 و John Preskill. یادگیری ماشینی بسیار کارآمد برای مشکلات کوانتومی چند جسمی. علم، 2021b. 10.1126/science.abk3333.
https://doi.org/10.1126/science.abk3333

[25] لی هوانگ و لی وانگ. شبیه سازی مونت کارلو شتاب با ماشین های محدود بولتزمن. فیزیک Rev. B, 95: 035105, Jan 2017. 10.1103/PhysRevB.95.035105.
https://doi.org/10.1103/PhysRevB.95.035105

[26] مارکو ژنیداریچ و مارتین هوروات پیچیدگی نمایی یک الگوریتم آدیاباتیک برای یک مسئله np-complete. فیزیک Rev. A, 73: 022329, Feb 2006. 10.1103/PhysRevA.73.022329.
https://doi.org/10.1103/PhysRevA.73.022329

[27] جی رابرت جوهانسون، پل دی نیشن و فرانکو نوری. Qutip: یک چارچوب پایتون منبع باز برای دینامیک سیستم های کوانتومی باز. Computer Physics Communications, 183 (8): 1760–1772, 2012. 10.48550/arXiv.1110.0573.
https://doi.org/10.48550/arXiv.1110.0573

[28] ولفگانگ لچنر، فیلیپ هاوکه و پیتر زولر. یک معماری بازپخت کوانتومی با اتصال همه به همه از تعاملات محلی. پیشرفت های علم، 1 (9): e1500838، 2015. 10.1126/sciadv.1500838.
https://doi.org/10.1126/sciadv.1500838

[29] یان لکون، یوشوا بنجیو و جفری هینتون. کاوش یادگیری تقویتی عمیق با یادگیری چند کیو. طبیعت، 521 (7553): 436-444، 2015. 10.1038/nature14539.
https://doi.org/10.1038/nature14539

[30] دانیل ا لیدار، علی تی رضاخانی و آلیوسیا هما. تقریب آدیاباتیک با دقت نمایی برای سیستم های چند بدنه و محاسبات کوانتومی. مجله فیزیک ریاضی، 50 (10): 102106، 2009. 10.1063/1.3236685.
https://doi.org/10.1063/1.3236685

[31] یویچیرو ماتسوزاکی، هیداکی هاکوشیما، کنجی سوگیساکی، یویا سکی و شیرو کاواباتا. تخمین مستقیم شکاف انرژی بین حالت پایه و حالت برانگیخته با آنیل کوانتومی. مجله ژاپنی فیزیک کاربردی، 60 (SB): SBBI02، 2021. 10.1088/0305-4470/15/10/028.
https://doi.org/10.1088/0305-4470/15/10/028

[32] ماتیا مدویدوویچ و جوزپه کارلئو. شبیه‌سازی تغییرات کلاسیک الگوریتم بهینه‌سازی تقریبی کوانتومی اطلاعات کوانتومی npj، 7 (1): 1–7، 2021. 10.1038/s41534-021-00440-z.
https://doi.org/10.1038/s41534-021-00440-z

[33] توماش میکولوف، مارتین کارافیات، لوکاش بورگت، یان چرنوک و سانجیف خودانپور. مدل زبان مبتنی بر شبکه عصبی بازگشتی در یازدهمین کنفرانس سالانه انجمن بین المللی ارتباطات گفتار، 2010. 10.21437/Interspeech.2010-343.
https://doi.org/10.21437/Interspeech.2010-343

[34] نعیمه محسنی، مارک ناروزنیاک، الکسی ان پیرکوف، والنتین ایوانیکوف، جاناتان پی داولینگ و تیم برنز. سرکوب خطا در محاسبات کوانتومی آدیاباتیک با مجموعه‌های کیوبیت. npj اطلاعات کوانتومی، 7 (1): 1–10، 2021. doi.org/10.1038/s41534-021-00405-2.
https://doi.org/10.1038/s41534-021-00405-2

[35] نعیمه محسنی، توماس فوسل، لینگژن گو، کارلوس ناوارته بنلوخ و فلوریان مارکوارت. یادگیری عمیق دینامیک چند بدنه کوانتومی از طریق رانندگی تصادفی. Quantum, 6: 714, 2022a. 10.22331/q-2022-05-17-714.
https://doi.org/10.22331/q-2022-05-17-714

[36] نعیمه محسنی، پیتر ال مک ماهون و تیم برنز. استفاده از ماشین ها به عنوان حل کننده های سخت افزاری مسائل بهینه سازی ترکیبی Nature Reviews Physics، 4 (6): 363-379، 2022b. 10.1038/s42254-022-00440-8.
https://doi.org/10.1038/s42254-022-00440-8

[37] نعیمه محسنی، جونهنگ شی، تیم بیرنز و مایکل هارتمن. یادگیری عمیق مشاهده پذیرهای چند جسمی و تقلب اطلاعات کوانتومی. arXiv preprint arXiv:2302.04621, 2023. 10.48550/arXiv.2302.04621.
https://doi.org/10.48550/arXiv.2302.04621
arXiv: 2302.04621

[38] مایکل آ نیلسن. شبکه های عصبی و یادگیری عمیق، جلد 2018. Determination press San Francisco, CA, 2015.

[39] مورفی یوژن نیو، اندرو ام دای، لی لی، آگوستوس اودنا، ژنگلی ژائو، وادیم اسملیانسکی، هارتموت نون و سرجیو بویکسو. یادگیری و پیچیدگی نمونه های کوانتومی arXiv preprint arXiv:2010.11983, 2020. 10.48550/arXiv.2010.11983.
https://doi.org/10.48550/arXiv.2010.11983
arXiv: 2010.11983

[40] آسیر اوزاتا، ویم ون دام و پیتر ال مک ماهون. مقادیر مورد انتظار از الگوریتم بهینه‌سازی تقریبی کوانتومی تک لایه در مسائل ising. علم و فناوری کوانتومی، 7 (4): 045036، 2022. 10.1088/2058-9565/ac9013.
https://doi.org/10.1088/2058-9565/ac9013

[41] بوریس پیتل، جوئل اسپنسر و نیکلاس وورمالد. ظهور ناگهانی یک هسته غول پیکر در یک نمودار تصادفی. مجله نظریه ترکیبی، سری B، 67 (1): 111-151، 1996. 10.1006/jctb.1996.0036.
https://doi.org/10.1006/jctb.1996.0036

[42] ژرمی رولاند و نیکلاس جی سرف. جستجوی کوانتومی با تکامل آدیاباتیک محلی بررسی فیزیکی 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، و AD Baczewski. ارزیابی تفاوت انرژی در یک کامپیوتر کوانتومی با تخمین فاز قوی فیزیک Rev. Lett., 126: 210501, May 2021. 10.1103/PhysRevLett.126.210501.
https://doi.org/10.1103/PhysRevLett.126.210501

[44] زین اچ سلیم، تیگ تومش، مایکل پرلین، پراناو گوخال و مارتین سوچارا. تقسیم و غلبه کوانتومی برای بهینه سازی ترکیبی و محاسبات توزیع شده. 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 و S. Pilati. شبکه های عصبی مقیاس پذیر برای یادگیری کارآمد سیستم های کوانتومی بی نظم فیزیک Rev. E, 102: 033301, Sep 2020. 10.1103/PhysRevE.102.033301.
https://doi.org/10.1103/PhysRevE.102.033301

[46] گرنوت شالر. آماده سازی آدیاباتیک بدون انتقال فاز کوانتومی. فیزیک Rev. A, 78: 032328, Sep 2008. 10.1103/PhysRevA.78.032328.
https://doi.org/10.1103/PhysRevA.78.032328

[47] مارکوس اشمیت و مارکوس هیل. دینامیک چند جسمی کوانتومی در دو بعد با شبکه های عصبی مصنوعی. فیزیک Rev. Lett., 125: 100503, Sep 2020. 10.1103/PhysRevLett.125.100503.
https://doi.org/10.1103/PhysRevLett.125.100503

[48] رالف شوتژولد. انتقال فاز کوانتومی پویا مجله فیزیک دمای پایین، 153 (5-6): 228-243، 2008. 10.1007/s10909-008-9831-5.
https://doi.org/10.1007/s10909-008-9831-5

[49] Xinggjian SHI، Zhourong Chen، Hao Wang، Dit-Yan Yeung، Wai-kin Wong، و Wang-chun WOO. شبکه lstm کانولوشن: یک رویکرد یادگیری ماشینی برای پخش بارش. در C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, and R. Garnett, ویراستاران, Advances in Neural Information Processing Systems, جلد 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] جاکومو تورلای، گوگلیلمو مازولا، خوان کاراسکیلا، ماتیاس ترویر، راجر ملکو و جوزپه کارلئو. توموگرافی حالت کوانتومی شبکه عصبی فیزیک طبیعت، 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 و Sebastian D Huber. انتقال فاز یادگیری با سردرگمی فیزیک طبیعت، 13 (5): 435-439، 2017. 10.1038/nphys4037.
https://doi.org/10.1038/nphys4037

[52] فیلیپو ویسنتینی جعبه ابزار یادگیری ماشین برای بسیاری از فیزیک بدن کوانتومی. Nature Reviews Physics, 3 (3): 156–156, 2021. 10.1038/s42254-021-00285-7.
https://doi.org/10.1038/s42254-021-00285-7

[53] لی وانگ. کشف انتقال فاز با یادگیری بدون نظارت فیزیک Rev. B, 94: 195105, Nov 2016. 10.1103/PhysRevB.94.195105.
https://doi.org/10.1103/PhysRevB.94.195105

[54] سباستین جی وتزل. یادگیری بدون نظارت انتقال فاز: از تجزیه و تحلیل مؤلفه اصلی تا رمزگذارهای خودکار متغیر. 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، و Wang-chun Woo. شبکه lstm کانولوشن: یک رویکرد یادگیری ماشینی برای پخش بارش. در پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی، صفحات 802–810، 2015. نشانی اینترنتی https://proceedings.neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Pa.
https://proceedings.neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf

[56] AP Young، S. Knysh، و VN Smelyanskiy. وابستگی اندازه حداقل شکاف تحریک در الگوریتم آدیاباتیک کوانتومی. فیزیک Rev. Lett., 101: 170503, Oct 2008. 10.1103/PhysRevLett.101.170503.
https://doi.org/10.1103/PhysRevLett.101.170503

ذکر شده توسط

[1] نعیمه محسنی، پیتر ال. مک ماهون، و تیم برنز، "ماشین های آیز به عنوان حل کننده های سخت افزاری مسائل بهینه سازی ترکیبی"، Nature Reviews Physics 4 6, 363 (2022).

[2] نعیمه محسنی، توماس فوسل، لینگژن گو، کارلوس ناوارته-بنلوخ، و فلوریان مارکوارت، "یادگیری عمیق دینامیک های کوانتومی بسیاری از بدن از طریق رانندگی تصادفی"، Quantum 6, 714 (2022).

[3] Pratibha Raghupati Hegde، Gianluca Passarelli، Giovanni Cantele و Procolo Lucignano، "یادگیری عمیق برنامه های آنیل کوانتومی بهینه برای مدل های تصادفی Ising"، arXiv: 2211.15209, (2022).

[4] الکساندر گرش، لنارت بیتل، و مارتین کلیش، "رویکرد مقیاس پذیر برای محلی سازی بسیاری از بدن از طریق داده های کوانتومی"، arXiv: 2202.08853, (2022).

[5] نعیمه محسنی، جونهنگ شی، تیم بیرنز و مایکل هارتمن، «یادگیری عمیق مشاهده پذیرهای چند جسمی و درهم آمیختن اطلاعات کوانتومی». arXiv: 2302.04621, (2023).

نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2023-06-13 23:27:02). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.

On سرویس استناد شده توسط Crossref هیچ داده ای در مورد استناد به آثار یافت نشد (آخرین تلاش 2023-06-13 23:27:01).

این مقاله در Quantum تحت عنوان منتشر شده است Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز. حق چاپ نزد دارندگان حق چاپ اصلی مانند نویسندگان یا مؤسسات آنها باقی می ماند.

محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
EVM Finance. رابط یکپارچه برای امور مالی غیرمتمرکز دسترسی به اینجا.
گروه رسانه ای کوانتومی. IR/PR تقویت شده دسترسی به اینجا.
PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
منبع: https://quantum-journal.org/papers/q-2023-06-12-1039/

تمبر زمان: ژوئن 12، 2023

تمبر زمان: دسامبر 6، 2023

شبکه‌های تکراری عمیق که تکامل شکاف را در محاسبات کوانتومی آدیاباتیک پیش‌بینی می‌کنند

بازنشر افلاطون

چکیده

خلاصه محبوب

► داده های BibTeX

◄ مراجع

ذکر شده توسط

بیشتر از مجله کوانتومی

دستکاری کوانتومی یک سیستم مکانیکی دو سطحی

محک زدن کد لانه زنبوری مسطح

الزامات سخت افزاری آرامش بخش برای مدارهای کد سطحی با استفاده از دینامیک زمان

چگالی انرژی در مکانیک کوانتومی

پنجره های میکروکانونیکال در عملگرهای کوانتومی

زمینه کوانتومی ساده

یادگیری همیلتونی با دقت بالا از طریق تحولات حالت کوانتومی غیرمحلی شده

به سوی مزیت کوانتومی در ریسک بازار مالی با استفاده از الگوریتم‌های گرادیان کوانتومی

رویکرد تئوری گراف به آزمایش‌های بل با راندمان تشخیص پایین

ابعاد درهم تنیدگی مرزی از ماتریس کوواریانس

همبستگی در نوع و یک راه حل مثبت برای حدس آنتروپی کاتالیزوری دقیق

یک الگوریتم کلاسیک (ساده) برای تخمین اعداد بتی

درباره‌ ما

جستجوی عمودی و هوش مصنوعی

سکو

همیشه در ارتباط ماندن

حساب