1Institut indien de technologie, Roorkee, Inde.
2École d'informatique, Université d'Édimbourg, EH8 9AB Édimbourg, Royaume-Uni.
3LIP6, CNRS, Sorbonne Université, 4 place Jussieu, 75005 Paris, France.
Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.
Abstract
L'optimisation combinatoire approximative est devenue l'un des domaines d'application les plus prometteurs pour les ordinateurs quantiques, en particulier ceux à court terme. Dans ce travail, nous nous concentrons sur l'algorithme d'optimisation approchée quantique (QAOA) pour résoudre le problème MaxCut. Plus précisément, nous abordons deux problèmes dans le QAOA, comment initialiser l'algorithme et comment former ensuite les paramètres pour trouver une solution optimale. Pour le premier, nous proposons des réseaux de neurones graphiques (GNN) comme technique de démarrage à chaud pour QAOA. Nous démontrons que la fusion des GNN avec QAOA peut surpasser les deux approches individuellement. En outre, nous démontrons comment les réseaux de neurones de graphes permettent la généralisation du démarrage à chaud non seulement sur les instances de graphes, mais également sur l'augmentation de la taille des graphes, une fonctionnalité qui n'est pas directement disponible pour les autres méthodes de démarrage à chaud. Pour former le QAOA, nous testons plusieurs optimiseurs pour le problème MaxCut jusqu'à 16 qubits et nous nous comparons à la descente de gradient vanille. Ceux-ci incluent des optimiseurs conscients/agnostiques quantiques et basés sur l'apprentissage automatique/neuronaux. Des exemples de ces derniers incluent le renforcement et le méta-apprentissage. Avec l'incorporation de ces boîtes à outils d'initialisation et d'optimisation, nous démontrons comment les problèmes d'optimisation peuvent être résolus à l'aide de QAOA dans un pipeline différenciable de bout en bout.
► Données BibTeX
► Références
John Preskill. L'informatique quantique à l'ère NISQ et au-delà. Quantum, 2:79, août 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 /
Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J. Love, Alán Aspuru-Guzik et Jeremy L. O'Brien. Un solveur de valeurs propres variationnel sur un processeur quantique photonique. Nature Communications, 5(1):1–7, juillet 2014. URL : https://www.nature.com/articles/ncomms5213, doi:10.1038/ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213
https: / / www.nature.com/ articles / ncomms5213
Edward Farhi, Jeffrey Goldstone et Sam Gutmann. Un algorithme d'optimisation approximative quantique. arXiv:1411.4028 [quant-ph], novembre 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
Jarrod R. McClean, Jonathan Romero, Ryan Babbush et Alán Aspuru-Guzik. La théorie des algorithmes variationnels hybrides quantiques-classiques. New Journal of Physics, 18(2):023023, février 2016. URL :.
https://doi.org/10.1088/1367-2630/18/2/023023
M. Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio et Patrick J. Coles. Algorithmes quantiques variationnels. Nature Reviews Physics, 3(9):625–644, septembre 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
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, et Alán Aspuru-Guzik. Algorithmes quantiques bruyants à échelle intermédiaire. Rév. Mod. Phys., 94(1):015004, février 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
K. Mitarai, M. Negoro, M. Kitagawa et K. Fujii. Apprentissage quantique des circuits. Phys. Rév. A, 98(3):032309, septembre 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
Edward Farhi et Hartmut Neven. Classification avec les réseaux de neurones quantiques sur les processeurs à court terme. arXiv:1802.06002 [quant-ph], février 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
Marcello Benedetti, Erika Lloyd, Stefan Sack et Mattia Fiorentini. Circuits quantiques paramétrés comme modèles d'apprentissage automatique. Sci quantique. Technol., 4(4):043001, novembre 2019. URL :.
https://doi.org/10.1088/2058-9565/ab4eb5
Francisco Barahona, Martin Grötschel, Michael Jünger et Gerhard Reinelt. Une application de l'optimisation combinatoire à la physique statistique et à la conception de circuits. Operations Research, 36(3):493–513, 1988. URL : http://jstor.org/stable/170992.
http:///jstor.org/stable/170992
Jan Pologne et Thomas Zeugmann. Regroupement des distances par paires avec des données manquantes : coupes maximales par rapport aux coupes normalisées. Dans Ljupco Todorovski, Nada Lavrac et Klaus P. Jantke, éditeurs, Discovery Science, 9th International Conference, DS 2006, Barcelone, Espagne, 7-10 octobre 2006, Actes, volume 4265 de Lecture Notes in Computer Science, pages 197– 208. Springer, 2006. URL : https://doi.org/10.1007/11893318_21, doi:10.1007/11893318_21.
https: / / doi.org/ 10.1007 / 11893318_21
Michael A. Nielsen et Isaac L. Chuang. Calcul quantique et information quantique. Cambridge University Press, Cambridge ; New York, édition du 10e anniversaire, 2010. doi:10.1017/CBO9780511976667.
https: / / doi.org/ 10.1017 / CBO9780511976667
Matthieu B. Hastings. Algorithmes classiques et quantiques d'approximation de profondeur bornée. Inf. quantique Calcul., 19(13&14):1116–1140, 2019. doi:10.26421/QIC19.13-14-3.
https: / / doi.org/ 10.26421 / QIC19.13-14-3
Edward Farhi, Jeffrey Goldstone, Sam Gutmann et Leo Zhou. L'algorithme d'optimisation approximative quantique et le modèle de Sherrington-Kirkpatrick à taille infinie. Quantum, 6:759, juillet 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 /
Daniel Stilck França et Raul García-Patron. Limitations des algorithmes d'optimisation sur les dispositifs quantiques bruités. Nature Physics, 17(11):1221–1227, novembre 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
V. Akshay, H. Philathong, MES Morales et JD Biamonte. Déficits d'accessibilité dans l'optimisation approximative quantique. Phys. Rev. Lett., 124(9):090504, mars 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
Sami Boulebnane. Amélioration de l'algorithme d'optimisation approximative quantique avec post-sélection. arXiv:2011.05425 [quant-ph], novembre 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
V. Akshay, D. Rabinovich, E. Campos et J. Biamonte. Concentration des paramètres dans l'optimisation approximative quantique. Examen physique A, 104(1):L010401, juillet 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
D. Rabinovich, R. Sengupta, E. Campos, V. Akshay et J. Biamonte. Progrès vers des angles analytiquement optimaux dans l'optimisation approchée quantique. arXiv:2109.11566 [math-ph, physics:quant-ph], septembre 2021. URL : http://arxiv.org/abs/2109.11566.
https:///doi.org/10.3390/math10152601
arXiv: 2109.11566
Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga et Leo Zhou. L'algorithme d'optimisation approximative quantique à grande profondeur pour MaxCut sur des graphiques réguliers à grande circonférence et le modèle de Sherrington-Kirkpatrick. Dans François Le Gall et Tomoyuki Morimae, éditeurs, 17th Conference on the Theory of Quantum Computation, Communication and Cryptography (TQC 2022), volume 232 des Leibniz International Proceedings in Informatics (LIPics), pages 7:1–7:21, Dagstuhl, Allemagne, 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
Stuart Hadfield, Zhihui Wang, Bryan O'Gorman, Eleanor G. Rieffel, Davide Venturelli et Rupak Biswas. De l'algorithme d'optimisation approximative quantique à un opérateur alternatif quantique Ansatz. Algorithms, 12(2):34, février 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
Ryan LaRose, Eleanor Rieffel et Davide Venturelli. Mixer-Phaser Ansätze for Quantum Optimization with Hard Constraints. arXiv:2107.06651 [quant-ph], juillet 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
Linghua Zhu, Ho Lun Tang, George S. Barron, FA Calderon-Vargas, Nicholas J. Mayhall, Edwin Barnes et Sophia E. Economou. Algorithme d'optimisation approchée quantique adaptatif pour résoudre des problèmes combinatoires sur un ordinateur quantique. Phys. Rev. Research, 4(3):033029, juillet 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
Stuart Hadfield, Tad Hogg et Eleanor G. Rieffel. Cadre Analytique Pour Opérateur Alternatif Quantique Ansätze. arXiv:2105.06996 [quant-ph], mai 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
Guillaume Verdon, Juan Miguel Arrazola, Kamil Brádler et Nathan Killoran. Un algorithme d'optimisation approximative quantique pour les problèmes continus. arXiv:1902.00409 [quant-ph], février 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
Panagiotis Kl Barkoutsos, Giacomo Nannicini, Anton Robert, Ivano Tavernelli et Stefan Wörner. Amélioration de l'optimisation quantique variationnelle à l'aide de CVaR. Quantum, 4:256, avril 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 /
Ioannis Kolotouros et Petros Wallden. Fonction objectif évolutive pour une meilleure optimisation quantique variationnelle. Phys. Rev. Research, 4(2):023225, juin 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
David Amaro, Carlo Modica, Matthias Rosenkranz, Mattia Fiorentini, Marcello Benedetti et Michael Lubasch. Filtrage des algorithmes quantiques variationnels pour l'optimisation combinatoire. Quantum Science and Technology, 7(1):015021, janvier 2022. doi:10.1088/2058-9565/ac3e54.
https://doi.org/10.1088/2058-9565/ac3e54
Daniel J. Egger, Jakub Mareček et Stefan Woerner. Optimisation quantique du démarrage à chaud. Quantum, 5:479, juin 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
Stefan H. Sack et Maksym Serbyn. Initialisation par recuit quantique de l'algorithme d'optimisation par approximation quantique. Quantum, 5:491, juillet 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
Gian Giacomo Guerreschi et Mikhail Smelyanskiy. Optimisation pratique pour les algorithmes hybrides quantiques-classiques. arXiv:1701.01450 [quant-ph], janvier 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
Nikolaj Moll, Panagiotis Barkoutsos, Lev S Bishop, Jerry M Chow, Andrew Cross, Daniel J Egger, Stefan Filipp, Andreas Fuhrer, Jay M Gambetta, Marc Ganzhorn et et al. Optimisation quantique à l'aide d'algorithmes variationnels sur des dispositifs quantiques à court terme. Science et technologie quantiques, 3(3):030503, juin 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
Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev et Prasanna Balaprakash. Optimisation des circuits quantiques variationnels basée sur l'apprentissage par renforcement pour les problèmes combinatoires. arXiv:1911.04574 [quant-ph, stat], novembre 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
Michael Streif et Martin Leib. Entraînement de l'algorithme d'optimisation d'approximation quantique sans accès à une unité de traitement quantique. Quantum Science and Technology, 5(3):034008, mai 2020. doi:10.1088/2058-9565/ab8c2b.
https://doi.org/10.1088/2058-9565/ab8c2b
Leo Zhou, Sheng-Tao Wang, Soonwon Choi, Hannes Pichler et Mikhail D. Lukin. Algorithme d'optimisation approximative quantique : performances, mécanisme et mise en œuvre sur des appareils à court terme. Phys. Rev. X, 10(2):021067, juin 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
David Amaro, Matthias Rosenkranz, Nathan Fitzpatrick, Koji Hirano et Mattia Fiorentini. Une étude de cas d'algorithmes quantiques variationnels pour un problème d'ordonnancement d'atelier. EPJ Quantum Technology, 9(1):1–20, décembre 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
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, André 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 et Ryan Babbush. Optimisation par approximation quantique de problèmes de graphes non planaires sur un processeur supraconducteur planaire. Nature Physics, 17(3):332–336, mars 2021. URL : https://www.nature.com/articles/s41567-020-01105-y, doi:10.1038/s41567-020- 01105-y.
https: / / doi.org/ 10.1038 / s41567-020-01105-y
https:///www.nature.com/articles/s41567-020-01105-y
Johannes Weidenfeller, Lucia C. Valor, Julien Gacon, Caroline Tornow, Luciano Bello, Stefan Woerner et Daniel J. Egger. Mise à l'échelle de l'algorithme d'optimisation d'approximation quantique sur du matériel basé sur des qubits supraconducteurs, février 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
Cheng Xue, Zhao-Yun Chen, Yu-Chun Wu et Guo-Ping Guo. Effets du bruit quantique sur l'algorithme d'optimisation approximative quantique. Chinese Physics Letters, 38(3):030302, mars 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
Jeffrey Marshall, Filip Wudarski, Stuart Hadfield et Tad Hogg. Caractérisation du bruit local dans les circuits QAOA. IOP SciNotes, 1(2):025208, août 2020. doi:10.1088/2633-1357/abb0d7.
https://doi.org/10.1088/2633-1357/abb0d7
Ryan La Rose. Présentation et comparaison des plates-formes logicielles Gate Level Quantum. Quantum, 3:130, mars 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 /
Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush et Hartmut Neven. Plateaux stériles dans les paysages d'entraînement des réseaux de neurones quantiques. Nature Communications, 9(1):4812, novembre 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
Roeland Wiersema, Cunlu Zhou, Yvette de Sereville, Juan Felipe Carrasquilla, Yong Baek Kim et Henry Yuen. Exploration de l'intrication et de l'optimisation dans l'ansatz variationnel hamiltonien. PRX Quantum, 1(2):020319, décembre 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
M. Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio et Patrick J. Coles. Plateaux stériles dépendant de la fonction de coût dans des circuits quantiques paramétrés peu profonds. Nature Communications, 12(1):1791, mars 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
Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles et M. Cerezo. Diagnostiquer les plateaux stériles avec des outils de contrôle optimal quantique, mars 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
Xuchen You et Xiaodi Wu. Exponentiellement de nombreux minima locaux dans les réseaux de neurones quantiques. Dans Marina Meila et Tong Zhang, éditeurs, Actes de la 38e Conférence internationale sur l'apprentissage automatique, volume 139 des Actes de recherche sur l'apprentissage automatique, pages 12144–12155. PMLR, juillet 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
Javier Rivera-Dean, Patrick Huembeli, Antonio Acín et Joseph Bowles. Éviter les minima locaux dans les algorithmes quantiques variationnels avec les réseaux de neurones. arXiv:2104.02955 [quant-ph], avril 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
Andrew Arrasmith, Zoe Holmes, Marco Cerezo et Patrick J Coles. Équivalence des plateaux arides quantiques à la concentration des coûts et aux gorges étroites. Science et technologie quantiques, 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
James Dborin, Fergus Barratt, Vinul Wimalaweera, Lewis Wright et Andrew G. Green. Pré-formation sur l'état du produit matriciel pour l'apprentissage automatique quantique. Quantum Science and Technology, 7(3):035014, mai 2022. doi:10.1088/2058-9565/ac7073.
https:///doi.org/10.1088/2058-9565/ac7073
Guillaume Verdon, Michael Broughton, Jarrod R. McClean, Kevin J. Sung, Ryan Babbush, Zhang Jiang, Hartmut Neven et Masoud Mohseni. Apprendre à apprendre avec les réseaux de neurones quantiques via les réseaux de neurones classiques. arXiv:1907.05415 [quant-ph], juillet 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
Frédéric Sauvage, Sukin Sim, Alexander A. Kunitsa, William A. Simon, Marta Mauri et Alejandro Perdomo-Ortiz. FLIP : Un initialiseur flexible pour les circuits quantiques paramétrés de taille arbitraire, mai 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
Alba Cervera-Lierta, Jakob S. Kottmann et Alán Aspuru-Guzik. Meta-Variational Quantum Eigensolver : Apprentissage des profils d'énergie des hamiltoniens paramétrés pour la simulation quantique. PRX Quantum, 2(2):020329, mai 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
Weichi Yao, Afonso S. Bandeira et Soledad Villar. Performances expérimentales des réseaux de neurones de graphes sur des instances aléatoires de max-cut. Dans Wavelets and Sparsity XVIII, volume 11138, page 111380S. Société internationale d'optique et de photonique, septembre 2019. URL : https://www.spiedigitallibrary.org/conference-proceedings-of-spie/11138/111380S/Experimental-performance-of-graph-neural- réseaux-sur-instances-aléatoires-de/10.1117/12.2529608.short, doi:10.1117/12.2529608.
https: / / doi.org/ 10.1117 / 12.2529608
Quentin Cappart, Didier Chételat, Elias B. Khalil, Andrea Lodi, Christopher Morris et Petar Veličković. Optimisation combinatoire et raisonnement avec les réseaux de neurones de graphes. Dans Zhi-Hua Zhou, rédacteur en chef, Actes de la trentième Conférence conjointe internationale sur l'intelligence artificielle, IJCAI-21, pages 4348–4355. International Joint Conferences on Artificial Intelligence Organization, août 2021. doi:10.24963/ijcai.2021/595.
https:///doi.org/10.24963/ijcai.2021/595
James Kotary, Ferdinando Fioretto, Pascal Van Hentenryck et Bryan Wilder. Apprentissage de l'optimisation contrainte de bout en bout : une enquête. Dans Zhi-Hua Zhou, rédacteur en chef, Actes de la trentième Conférence conjointe internationale sur l'intelligence artificielle, IJCAI-21, pages 4475–4482. International Joint Conferences on Artificial Intelligence Organization, août 2021. doi:10.24963/ijcai.2021/610.
https:///doi.org/10.24963/ijcai.2021/610
Martin JA Schuetz, J. Kyle Brubaker et Helmut G. Katzgraber. Optimisation combinatoire avec des réseaux de neurones graphiques inspirés de la physique. Nature Machine Intelligence, 4(4):367–377, avril 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
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 et Nathan Killoran. PennyLane : Différenciation automatique des calculs hybrides quantiques-classiques, juillet 2022. arXiv:1811.04968 [physique, physique:quant-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
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 et Masoud Mohseni . TensorFlow Quantum : Un cadre logiciel pour l'apprentissage automatique quantique, août 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
Xavier Glorot et Yoshua Bengio. Comprendre la difficulté de former des réseaux de neurones à rétroaction profonde. Dans Yee Whye Teh et Mike Titterington, éditeurs, Actes de la treizième Conférence internationale sur l'intelligence artificielle et les statistiques, volume 9 des Actes de la recherche sur l'apprentissage automatique, pages 249-256, Chia Laguna Resort, Sardaigne, Italie, mai 2010. PMLR. URL : https://proceedings.mlr.press/v9/glorot10a.html.
https:///proceedings.mlr.press/v9/glorot10a.html
Michael R. Garey et David S. Johnson. Ordinateurs et Intractibilité ; Un guide de la théorie de la NP-complétude. WH Freeman & Co., États-Unis, 1990.
Christos H. Papadimitriou et Mihalis Yannakakis. Classes d'optimisation, d'approximation et de complexité. Journal of Computer and System Sciences, 43(3):425–440, décembre 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
Subhash Khot. Sur la puissance des jeux uniques à 2 prouveurs et à 1 tour. Dans Actes du 34e Symposium annuel de l'ACM sur la théorie de l'informatique, pages 767–775. ACM Press, 2002. URL : https://doi.org/10.1145/509907.510017.
https: / / doi.org/ 10.1145 / 509907.510017
Subhash Khot, Guy Kindler, Elchanan Mossel et Ryan O'Donnell. Résultats d'inapproximabilité optimaux pour MAX-CUT et d'autres CSP à 2 variables ? SIAM Journal on Computing, 37(1):319–357, janvier 2007. URL : https://epubs.siam.org/doi/10.1137/S0097539705447372, doi:10.1137/S0097539705447372.
https: / / doi.org/ 10.1137 / S0097539705447372
Sergey Bravyi, Alexander Kliesch, Robert Koenig et Eugene Tang. Algorithmes hybrides quantiques-classiques pour la coloration approximative des graphes. Quantum, 6:678, mars 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 /
Sergey Bravyi, Alexander Kliesch, Robert Koenig et Eugene Tang. Obstacles à l'optimisation quantique variationnelle à partir de la protection de la symétrie. Phys. Rev. Lett., 125(26):260505, décembre 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
Michael Overton et Henry Wolkowicz. Programmation semi-définie. Programmation mathématique, 77 : 105–109, avril 1997. doi : 10.1007/BF02614431.
https: / / doi.org/ 10.1007 / BF02614431
Tadashi Kadowaki et Hidetoshi Nishimori. Recuit quantique dans le modèle transverse d'Ising. Physical Review E, 58(5):5355–5363, novembre 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
Philipp Hauke, Helmut G Katzgraber, Wolfgang Lechner, Hidetoshi Nishimori et William D Oliver. Perspectives du recuit quantique : méthodes et implémentations. Reports on Progress in Physics, 83(5):054401, mai 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
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 et Soumith Chintala. PyTorch : une bibliothèque d'apprentissage en profondeur hautes performances de style impératif. Dans Advances in Neural Information Processing Systems 32, pages 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
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 et Xiaoqiang Zheng. TensorFlow : Un système pour l'apprentissage automatique à grande échelle, mai 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
Franco Scarselli, Marco Gori, Ah Chung Tsoi, Markus Hagenbuchner et Gabriele Monfardini. Le modèle de réseau neuronal graphique. IEEE Transactions on Neural Networks, 20(1):61–80, janvier 2009. doi:10.1109/TNN.2008.2005605.
https:///doi.org/10.1109/TNN.2008.2005605
Michael M. Bronstein, Joan Bruna, Taco Cohen et Petar Veličković. Apprentissage profond géométrique : grilles, groupes, graphiques, géodésiques et jauges, mai 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
Guillaume Verdon, Trevor McCourt, Enxhell Luzhnica, Vikash Singh, Stefan Leichenauer et Jack Hidary. Quantum Graph Neural Networks, septembre 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
Martín Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles et M. Cerezo. Apprentissage automatique quantique invariant de groupe. PRX Quantum, 3(3):030341, septembre 2022. Editeur : 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
Andrea Skolik, Michele Cattelan, Sheir Yarkoni, Thomas Bäck et Vedran Dunjko. Circuits quantiques équivariants pour l'apprentissage sur des graphes pondérés, mai 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
Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò et Yoshua Bengio. Réseaux d'attention graphique. Dans Conférence internationale sur les représentations d'apprentissage, 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
Si Zhang, Hanghang Tong, Jiejun Xu et Ross Maciejewski. Réseaux convolutifs de graphes: une revue complète. Computational Social Networks, 6(1):11, novembre 2019. doi:10.1186/s40649-019-0069-y.
https: / / doi.org/ 10.1186 / s40649-019-0069-y
Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li et Maosong Sun. Réseaux de neurones graphiques : un examen des méthodes et des applications. AI Open, 1:57–81, janvier 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
Zhengdao Chen, Lisha Li et Joan Bruna. Détection communautaire supervisée avec les réseaux neuronaux linéaires. In 7th International Conference on Learning Representations, ICLR 2019, New Orleans, LA, USA, 6-9 mai 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
Elias Khalil, Hanjun Dai, Yuyu Zhang, Bistra Dilkina et Le Song. Apprentissage d'algorithmes d'optimisation combinatoire sur des graphes. Dans I. Guyon, UV Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan et R. Garnett, éditeurs, Advances in Neural Information Processing Systems, volume 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
Michel Deudon, Pierre Cournut, Alexandre Lacoste, Yossiri Adulyasak et Louis-Martin Rousseau. Heuristique d'apprentissage pour le TSP par gradient de politique. Dans Willem-Jan van Hoeve, éditeur, Integration of Constraint Programming, Artificial Intelligence, and Operations Research, Lecture Notes in Computer Science, pages 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
Wouter Kool, Herke van Hoof et Max Welling. Attention, apprenez à résoudre les problèmes de routage ! In 7th International Conference on Learning Representations, ICLR 2019, New Orleans, LA, USA, 6-9 mai 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
Chaitanya K. Joshi, Quentin Cappart, Louis-Martin Rousseau et Thomas Laurent. Apprendre TSP nécessite de repenser la généralisation. Dans Laurent D. Michel, éditeur, 27th International Conference on Principles and Practice of Constraint Programming (CP 2021), volume 210 de Leibniz International Proceedings in Informatics (LIPics), pages 33:1–33:21, Dagstuhl, Allemagne, 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
Ryan Sweke, Frederik Wilde, Johannes Jakob Meyer, Maria Schuld, Paul K. Fährmann, Barthélémy Meynard-Piganeau et Jens Eisert. Descente de gradient stochastique pour une optimisation hybride quantique-classique. Quantum, 4:314, août 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 /
Jonas M. Kübler, Andrew Arrasmith, Lukasz Cincio et Patrick J. Coles. Un optimiseur adaptatif pour les algorithmes variationnels de mesure-frugaux. Quantum, 4:263, mai 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 /
James Stokes, Josh Izaac, Nathan Killoran et Giuseppe Carleo. Dégradé naturel quantique. Quantum, 4:269, mai 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 /
Diederik P. Kingma et Jimmy Ba. Adam : une méthode d'optimisation stochastique. Dans Yoshua Bengio et Yann LeCun, éditeurs, 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, 7-9 mai 2015, Conference Track Proceedings, 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
Matthieu D. Zeiler. ADADELTA : An Adaptive Learning Rate Method, décembre 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
MJD Powell. Une méthode d'optimisation de la recherche directe qui modélise les fonctions d'objectif et de contrainte par interpolation linéaire. Dans Susana Gomez et Jean-Pierre Hennart, éditeurs, Advances in Optimization and Numerical Analysis, pages 51–67. Springer Pays-Bas, Dordrecht, 1994. doi:10.1007/978-94-015-8330-5_4.
https://doi.org/10.1007/978-94-015-8330-5_4
Kevin J. Sung, Jiahao Yao, Matthew P. Harrigan, Nicholas C. Rubin, Zhang Jiang, Lin Lin, Ryan Babbush et Jarrod R. McClean. Utilisation de modèles pour améliorer les optimiseurs des algorithmes quantiques variationnels. Quantum Science and Technology, 5(4):044008, octobre 2020. doi:10.1088/2058-9565/abb6d9.
https://doi.org/10.1088/2058-9565/abb6d9
Julien Gacon, Christa Zoufal, Giuseppe Carleo et Stefan Wörner. Approximation stochastique de perturbation simultanée de l'information Quantum Fisher. Quantum, 5:567, octobre 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 /
Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac et Nathan Killoran. Évaluation des gradients analytiques sur du matériel quantique. Phys. Rév. A, 99(3):032331, mars 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
Ke Li et Jitendra Malik. Apprendre à optimiser, juin 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
John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford et Oleg Klimov. Proximal Policy Optimization Algorithms, août 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
Max Wilson, Rachel Stromswold, Filip Wudarski, Stuart Hadfield, Norm M. Tubman et Eleanor G. Rieffel. Optimiser l'heuristique quantique avec le méta-apprentissage. Quantum Machine Intelligence, 3(1):13, avril 2021. doi:10.1007/s42484-020-00022-w.
https: / / doi.org/ 10.1007 / s42484-020-00022-w
Amira Abbas, David Sutter, Christa Zoufal, Aurélien Lucchi, Alessio Figalli et Stefan Wörner. La puissance des réseaux de neurones quantiques. Nature Computational Science, 1(6):403–409, juin 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
Florent Krzakala, Cristopher Moore, Elchanan Mossel, Joe Neeman, Allan Sly, Lenka Zdeborová et Pan Zhang. Rédemption spectrale dans les réseaux clairsemés en cluster. Actes de l'Académie nationale des sciences, 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
Cité par
[1] Stefan H. Sack, Raimel A. Medina, Richard Kueng et Maksym Serbyn, "États de transition et exploration gourmande du paysage d'optimisation QAOA", arXiv: 2209.01159.
[2] Samuel Duffield, Marcello Benedetti et Matthias Rosenkranz, "Apprentissage bayésien des circuits quantiques paramétrés", arXiv: 2206.07559.
[3] Brian Coyle, "Applications d'apprentissage automatique pour les ordinateurs quantiques bruyants à l'échelle intermédiaire", arXiv: 2205.09414.
[4] Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik et Adi Makmal, "Algorithme d'optimisation approximatif quantique sans itération utilisant des réseaux de neurones", arXiv: 2208.09888.
[5] Ioannis Kolotouros, Ioannis Petrongonas et Petros Wallden, "Calcul quantique adiabatique avec circuits quantiques paramétrés", arXiv: 2206.04373.
Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2022-11-17 14:50:28). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.
Impossible de récupérer Données de référence croisée lors de la dernière tentative 2022-11-17 14:50:26: Impossible de récupérer les données citées par 10.22331 / q-2022-11-17-861 de Crossref. C'est normal si le DOI a été enregistré récemment.
Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.
