Quantum Deep Hedging - Plato AiStream V2.1

Republié par Platon

Suiveurs: 0

El Amine Cherrat^1,2, Snehal Raj¹, Iordanis Kérénidis^1,2, Abhishek Shekhar³, Ben Bois³, Jon Dee³, Chouvanik Chakrabarti⁴, Richard Chen⁴, Dylan Herman⁴, Shaohan Hu⁴, Pierre Minssen⁴, Rouslan Shaydulin⁴, Soleil Yue⁴, Romina Yalovetzky⁴et la Marco Pistoia⁴

¹CQ Articles
²Université de Paris, CNRS, IRIF
³Recherche quantitative, JPMorgan Chase
⁴Recherche appliquée technologique mondiale, JPMorgan Chase

Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.

Abstract

L’apprentissage automatique quantique a le potentiel d’avoir un impact transformateur dans tous les secteurs industriels et en particulier dans le secteur financier. Dans notre travail, nous examinons le problème de la couverture, où l'apprentissage par renforcement profond offre un cadre puissant pour les marchés réels. Nous développons des méthodes d'apprentissage par renforcement quantique basées sur des algorithmes de recherche de politiques et de distribution critique d'acteurs qui utilisent des architectures de réseaux neuronaux quantiques avec des couches orthogonales et composées pour les fonctions de politique et de valeur. Nous prouvons que les réseaux de neurones quantiques que nous utilisons peuvent être entraînés et nous effectuons des simulations approfondies qui montrent que les modèles quantiques peuvent réduire le nombre de paramètres pouvant être entraînés tout en atteignant des performances comparables et que l'approche distributionnelle obtient de meilleures performances que les autres approches standards, classiques et quantiques. . Nous implémentons avec succès les modèles proposés sur un processeur quantique à ions piégés, en utilisant des circuits avec des qubits allant jusqu'à 16 $, et observons des performances qui s'accordent bien avec une simulation sans bruit. Nos techniques quantiques sont générales et peuvent être appliquées à d’autres problèmes d’apprentissage par renforcement au-delà de la couverture.

► Données BibTeX

@article{Cherrat2023quantumdeephedging, doi = {10.22331/q-2023-11-29-1191}, url = {https://doi.org/10.22331/q-2023-11-29-1191}, title = {Quantum {D}eep {H}edging}, author = {Cherrat, El Amine and Raj, Snehal and Kerenidis, Iordanis and Shekhar, Abhishek and Wood, Ben and Dee, Jon and Chakrabarti, Shouvanik and Chen, Richard and Herman, Dylan and Hu, Shaohan and Minssen, Pierre and Shaydulin, Ruslan and Sun, Yue and Yalovetzky, Romina and Pistoia, Marco}, journal = {{Quantum}}, issn = {2521-327X}, publisher = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {7}, pages = {1191}, month = nov, year = {2023} }

► Références

Hans Buehler, Lukas Gonon, Joseph Teichmann et Ben Wood. « Couverture profonde ». Finance quantitative 19, 1271-1291 (2019). URL : https:///doi.org/10.1080/14697688.2019.1571683.
https: / / doi.org/ 10.1080 / 14697688.2019.1571683

Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan et Jonathan Kochems. « Deep Hedging : couverture des dérivés sous les frictions génériques du marché à l'aide de l'apprentissage par renforcement ». Journal électronique SSRN (2019). URL : http:///dx.doi.org/10.2139/ssrn.3355706.
https: / / doi.org/ 10.2139 / ssrn.3355706

Shihao Gu, Bryan T. Kelly et Dacheng Xiu. « Tarification empirique des actifs via l'apprentissage automatique ». Journal électronique SSRN (2018). URL : http:///dx.doi.org/10.2139/ssrn.3159577.
https: / / doi.org/ 10.2139 / ssrn.3159577

Hyeon Kyu Choi. «Prédiction du coefficient de corrélation des cours des actions avec le modèle hybride ARIMA-LSTM» (2018). URL : https:///doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560

Yada Zhu, Giovanni Mariani et Jianbo Li. « Pagan : analyse de portefeuille avec des réseaux contradictoires génératifs ». Journal électronique SSRN (2020). URL : https:///dx.doi.org/10.2139/ssrn.3755355.
https: / / doi.org/ 10.2139 / ssrn.3755355

Kang Zhang, Guoqiang Zhong, Junyu Dong, Shengke Wang et Yong Wang. « Prédiction boursière basée sur un réseau contradictoire génératif ». Procedia Informatique 147, 400-406 (2019). URL : https:///doi.org/10.1016/j.procs.2019.01.256.
https:///doi.org/10.1016/j.procs.2019.01.256

Álvaro Cartea, Sebastian Jaimungal et Leandro Sánchez-Betancourt. "Apprentissage par renforcement profond pour le trading algorithmique". Journal électronique SSRN (2021). URL : https:///dx.doi.org/10.2139/ssrn.3812473.
https: / / doi.org/ 10.2139 / ssrn.3812473

Yue Deng, Feng Bao, Youyong Kong, Zhiquan Ren et Qionghai Dai. «Apprentissage par renforcement direct profond pour la représentation et le trading des signaux financiers». Transactions IEEE sur les réseaux de neurones et les systèmes d'apprentissage 28, 653-664 (2017). URL : https:///doi.org/10.1109/TNNLS.2016.2522401.
https:///doi.org/10.1109/TNNLS.2016.2522401

Yunchao Liu, Srinivasan Arunachalam et Kristan Temme. « Une accélération quantique rigoureuse et robuste dans l’apprentissage automatique supervisé ». Physique de la nature 2021 17:9 17, 1013-1017 (2021). URL : https:///doi.org/10.1038/s41567-021-01287-z.
https: / / doi.org/ 10.1038 / s41567-021-01287-z

Shantanav Chakraborty, András Gilyén et Stacey Jeffery. "La puissance des puissances matricielles codées par blocs : techniques de régression améliorées via une simulation hamiltonienne plus rapide". Dans Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini et Stefano Leonardi, éditeurs, 46e Colloque international sur les automates, les langages et la programmation (ICALP 2019). Volume 132 de Leibniz International Proceedings in Informatics (LIPIcs), pages 33 :1–33 :14. Dagstuhl, Allemagne (2019). Château Dagstuhl–Leibniz-Zentrum für Informatik. URL : https:///doi.org/10.4230/LIPIcs.ICALP.2019.33.
https: / / doi.org/ 10.4230 / LIPIcs.ICALP.2019.33

András Gilyén, Srinivasan Arunachalam et Nathan Wiebe. "Optimiser les algorithmes d'optimisation quantique via un calcul de gradient quantique plus rapide". Dans les actes du symposium annuel ACM-SIAM 2019 sur les algorithmes discrets (SODA). Pages 1425-1444. (2019). URL : https:///doi.org/10.1137/1.9781611975482.87.
https: / / doi.org/ 10.1137 / 1.9781611975482.87

Marco 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 Physique 3, 625-644 (2021). URL : https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9

Iordanis Kerenidis, Anupam Prakash et Dániel Szilágyi. « Algorithmes quantiques pour l'optimisation de portefeuille ». Dans Actes de la 1ère conférence ACM sur les progrès des technologies financières. Pages 147 à 155. Zurich Suisse (2019). ACM. URL : https:///doi.org/10.1145/3318041.3355465.
https: / / doi.org/ 10.1145 / 3318041.3355465

Lucas Leclerc, Luis Ortiz-Guitierrez, Sebastian Grijalva, Boris Albrecht, Julia RK Cline, Vincent Elfving, Adrien Signoles, Loic Henriet, Gianni Del Bimbo, Usman Ayub Sheikh, Maitree Shah, Luc Andrea, Faysal Ishtiaq, Andoni Duarte, Samuel Mugel, Irène Caceres, Michel Kurek, Román Orús, Achraf Seddik, Oumaima Hammammi, Hacene Isselnane et Didier M'tamon. « Gestion des risques financiers sur un processeur quantique à atome neutre » (2022). URL : https:///doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223

Dimitrios Emmanoulopoulos et Sofija Dimoska. « Apprentissage automatique quantique en finance : prévision de séries chronologiques » (2022). URL : https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599

Patrick Rebentrost, Brajesh Gupt et Thomas R. Bromley. « Finance informatique quantique : tarification Monte Carlo des dérivés financiers ». Examen physique A 98, 022321 (2018). URL : https:///doi.org/10.1103/PhysRevA.98.022321.
https: / / doi.org/ 10.1103 / PhysRevA.98.022321

João F. Doriguello, Alessandro Luongo, Jinge Bao, Patrick Rebentrost et Miklos Santha. « Algorithme quantique pour les problèmes d'arrêt optimal stochastique avec des applications en finance ». Dans François Le Gall et Tomoyuki Morimae, éditeurs, 17e Conférence sur la théorie du calcul quantique, de la communication et de la cryptographie (TQC 2022). Volume 232 de Leibniz International Proceedings in Informatics (LIPIcs), pages 2 :1–2 :24. Dagstuhl, Allemagne (2022). Château Dagstuhl – Leibniz-Zentrum für Informatik. URL : https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https: / / doi.org/ 10.4230 / LIPIcs.TQC.2022.2

Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu et Marco Pistoia. "Optimisation quantique contrainte pour la synthèse extractive sur un ordinateur quantique à ions piégés". Rapports scientifiques 12 (2022). URL : https:///doi.org/10.1038/s41598-022-20853-w.
https: / / doi.org/ 10.1038 / s41598-022-20853-w

Alexandre Ménard, Ivan Ostojic, Mark Patel et Daniel Volz. "Un plan de jeu pour l'informatique quantique". McKinsey trimestriel (2020). URL : https:///www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing.
https:///www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing

Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia et Yuri Alexeev. « Une enquête sur l'informatique quantique pour la finance » (2022). URL : https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773

Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush et Hartmut Neven. «Plateaux arides dans les paysages de formation de réseaux neuronaux quantiques». Nature Communications 9, 4812 (2018). URL : https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

Iordanis Kerenidis, Jonas Landman et Natansh Mathur. « Algorithmes classiques et quantiques pour les réseaux de neurones orthogonaux » (2022). URL : https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198

Zebin Yang, Aijun Zhang et Agus Sudjianto. «Améliorer l'explicabilité des réseaux de neurones grâce aux contraintes d'architecture». Transactions IEEE sur les réseaux de neurones et les systèmes d'apprentissage 32, 2610-2621 (2021). URL : https:///doi.org/10.1109/TNNLS.2020.3007259.
https:///doi.org/10.1109/TNNLS.2020.3007259

Shuai Li, Kui Jia, Yuxin Wen, Tongliang Liu et Dacheng Tao. « Réseaux de neurones profonds orthogonaux ». Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle 43, 1352-1368 (2021). URL : https:///doi.org/10.1109/TPAMI.2019.2948352.
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352

Alhussein Fawzi, Matej Balog, Aja Huang, Thomas Hubert, Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Francisco JR Ruiz, Julian Schrittwieser, Grzegorz Swirszcz, David Silver, Demis Hassabis et Pushmeet Kohli. "Découvrir des algorithmes de multiplication matricielle plus rapides avec l'apprentissage par renforcement". Nature 610, 47-53 (2022). URL : https:///doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4

Clare Lyle, Marc G. Bellemare et Pablo Samuel Castro. «Une analyse comparative de l'apprentissage par renforcement attendu et distributionnel». Actes de la conférence AAAI sur l'intelligence artificielle 33, 4504-4511 (2019). URL : https:///doi.org/10.1609/aaai.v33i01.33014504.
https: / / doi.org/ 10.1609 / aaai.v33i01.33014504

« Quantinum H1-1, H1-2 ». https:///www.quantinuum.com/ (2022). Consulté : du 15 au 22 novembre 2022 ; 7-12 décembre 2022.
https:///www.quantinuum.com/

Daniel J. Brod. "Simulation classique efficace de circuits matchgate avec entrées et mesures généralisées". Examen physique A 93 (2016). URL : https:///doi.org/10.1103/physreva.93.062332.
https: / / doi.org/ 10.1103 / physreva.93.062332

Matthew L. Goh, Martin Larocca, Lukasz Cincio, M. Cerezo et Frédéric Sauvage. « Simulations classiques algébriques de Lie pour l'informatique quantique variationnelle » (2023). URL : https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432

Michał Oszmaniec, Ninnat Dangniam, Mauro ES Morales et Zoltán Zimborás. "Échantillonnage de fermions : un schéma d'avantage informatique quantique robuste utilisant l'optique linéaire fermionique et les états d'entrée magiques". PRX Quantique 3 (2022). URL : https:///doi.org/10.1103/PRXQuantum.3.020328.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020328

Michael A. Nielsen et Isaac L. Chuang. "Calcul quantique et information quantique : édition 10e anniversaire". La presse de l'Universite de Cambridge. (2012). 1 édition. URL : https:///doi.org/10.1017/CBO9780511976667.
https: / / doi.org/ 10.1017 / CBO9780511976667

RS Sutton et AG Barto. « Apprentissage par renforcement : une introduction ». Transactions IEEE sur les réseaux de neurones 9, 1054-1054 (1998). URL : https:///doi.org/10.1109/TNN.1998.712192.
https:///doi.org/10.1109/TNN.1998.712192

Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage et Anil Anthony Bharat. « Apprentissage par renforcement profond : une brève enquête ». Magazine de traitement du signal IEEE 34, 26-38 (2017). URL : https:///doi.org/10.1109/MSP.2017.2743240.
https: / / doi.org/ 10.1109 / MSP.2017.2743240

Magnus Wiese, Lianjun Bai, Ben Wood et Hans Buehler. « Deep Hedging : apprendre à simuler les marchés d'options sur actions ». Journal électronique SSRN (2019). URL : https:///dx.doi.org/10.2139/ssrn.3470756.
https: / / doi.org/ 10.2139 / ssrn.3470756

Hans Buehler, Phillip Murray, Mikko S. Pakkanen et Ben Wood. « Couverture profonde : apprendre à supprimer la dérive due aux frictions commerciales avec des mesures équivalentes minimales proches de la martingale » (2022). URL : https:///doi.org/10.48550/arXiv.2111.07844.
https:///doi.org/10.48550/arXiv.2111.07844

Magnus Wiese, Ben Wood, Alexandre Pachoud, Ralf Korn, Hans Buehler, Murray Phillip et Lianjun Bai. «Simulation du marché multi-actifs au comptant et d'options». Journal électronique SSRN (2021). URL : https:///dx.doi.org/10.2139/ssrn.3980817.
https: / / doi.org/ 10.2139 / ssrn.3980817

Phillip Murray, Ben Wood, Hans Buehler, Magnus Wiese et Mikko Pakkanen. « Couverture profonde : apprentissage par renforcement continu pour la couverture de portefeuilles généraux face à de multiples aversions au risque ». Dans les actes de la troisième conférence internationale de l'ACM sur l'IA en finance. Pages 361 à 368. ICAIF '22New York, NY, États-Unis (2022). Association pour les machines informatiques. URL : https:///doi.org/10.1145/3533271.3561731.
https: / / doi.org/ 10.1145 / 3533271.3561731

Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa et Keisuke Fujii. "Apprentissage des circuits quantiques". Examen physique A 98, 032309 (2018). URL : https:///doi.org/10.1103/PhysRevA.98.032309.
https: / / doi.org/ 10.1103 / PhysRevA.98.032309

Dylan Herman, Rudy Raymond, Muyuan Li, Nicolas Robles, Antonio Mezzacapo et Marco Pistoia. « Expressivité de l'apprentissage automatique quantique variationnel sur le cube booléen » (2022). URL : https:///doi.org/10.1109/TQE.2023.3255206.
https: / / doi.org/ 10.1109 / TQE.2023.3255206

Edward Farhi et Hartmut Neven. "Classification avec les réseaux de neurones quantiques sur les processeurs à court terme". Rapport technique. Web de science ouverte (2020). URL : https:///doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002

Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster et José I. Latorre. "Re-téléchargement de données pour un classificateur quantique universel". Quantique 4, 226 (2020). URL : https:///doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226

Jonas Landman, Natansh Mathur, Yun Yvonna Li, Martin Strahm, Skander Kazdaghli, Anupam Prakash et Iordanis Kerenidis. "Méthodes quantiques pour les réseaux de neurones et application à la classification des images médicales". Quantique 6, 881 (2022). URL : https:///doi.org/10.22331/q-2022-12-22-881.
https://doi.org/10.22331/q-2022-12-22-881

Marcello Benedetti, Delfina Garcia-Pintos, Oscar Perdomo, Vicente Leyton-Ortega, Yunseong Nam et Alejandro Perdomo-Ortiz. "Une approche de modélisation générative pour l'analyse comparative et la formation de circuits quantiques peu profonds". npj Informations quantiques 5, 45 (2019). URL : https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8

Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch et Matthias Rosenkranz. "Inférence variationnelle avec un ordinateur quantique". Examen physique appliqué 16, 044057 (2021). URL : https:///doi.org/10.1103/PhysRevApplied.16.044057.
https: / / doi.org/ 10.1103 / PhysRevApplied.16.044057

Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D. Scherer, Axel Plinge et Christopher Mutschler. « Une enquête sur l'apprentissage par renforcement quantique » (2022). URL : https:///doi.org/10.48550/arXiv.2211.03464.
https:///doi.org/10.48550/arXiv.2211.03464

Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow et Jay M. Gambetta. "Apprentissage supervisé avec des espaces de fonctionnalités améliorés quantiquement". Nature 567, 209-212 (2019). URL : https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2

Maria Schuld, Ryan Sweke et Johannes Jakob Meyer. "Effet du codage des données sur le pouvoir expressif des modèles variationnels d'apprentissage automatique quantique". Examen physique A 103, 032430 (2021). URL : https:///doi.org/10.1103/PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430

Francisco Javier Gil Vidal et Dirk Oliver Theis. "Redondance d'entrée pour les circuits quantiques paramétrés". Frontières en physique 8, 297 (2020). URL : https:///doi.org/10.3389/fphy.2020.00297.
https: / / doi.org/ 10.3389 / fphy.2020.00297

El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm et Yun Yvonna Li. « Transformateurs de vision quantique » (2022). URL : https:///doi.org/10.48550/arXiv.2209.08167.
https:///doi.org/10.48550/arXiv.2209.08167

Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac et Nathan Killoran. « Évaluation des gradients analytiques sur le matériel quantique ». Examen physique A 99, 032331 (2019). URL : https:///doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331

Iordanis Kérénidis. "Une méthode de chargement de données classiques dans des états quantiques pour des applications en apprentissage automatique et en optimisation". Demande de brevet américain (2020). URL : https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1

Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singk, Anupam Prakash, Jungsang Kim et Iordanis Kerenidis. "Classification du centroïde le plus proche sur un ordinateur quantique à ions piégés". npj Informations quantiques 7, 122 (2021). URL : https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5

Iordanis Kerenidis et Anupam Prakash. « Apprentissage automatique quantique avec états subspatiaux » (2022). URL : https:///doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser et Illia Polosukhin. "L'attention est tout ce dont vous avez besoin". Dans I. Guyon, U. Von 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:///doi.org/10.48550/arXiv.1706.03762.
https:///doi.org/10.48550/arXiv.1706.03762

Martin Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles et M. Cerezo. « Apprentissage automatique quantique invariant en groupe ». PRX Quantique 3, 030341 (2022). URL : https:///doi.org/10.1103/PRXQuantum.3.030341.
https: / / doi.org/ 10.1103 / PRXQuantum.3.030341

Jiayao Zhang, Guangxu Zhu, Robert W. Heath Jr. et Kaibin Huang. « Apprentissage grassmannien : intégrer la conscience de la géométrie dans l'apprentissage superficiel et profond » (2018). URL : https:///doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229

Xuchen You, Shouvanik Chakrabarti et Xiaodi Wu. « Une théorie de la convergence pour les solveurs propres quantiques variationnels surparamétrés » (2022). URL : https:///doi.org/10.48550/arXiv.2205.12481.
https:///doi.org/10.48550/arXiv.2205.12481

Martin Larocca, Nathan Ju, Diego García-Martin, Patrick J. Coles et M. Cerezo. « Théorie de la surparamétrisation dans les réseaux de neurones quantiques » (2021). URL : https:///doi.org/10.1038/s43588-023-00467-6.
https://doi.org/10.1038/s43588-023-00467-6

Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles et Marco Cerezo. « Diagnostiquer les plateaux stériles avec les outils de Quantum Optimal Control ». Quantique 6, 824 (2022). URL : https:///doi.org/10.22331/q-2022-09-29-824.
https://doi.org/10.22331/q-2022-09-29-824

Benoît Collins et Piotr Sniady. « Intégration par rapport à la mesure de Haar sur les groupes unitaires, orthogonaux et symplectiques ». Communications en physique mathématique 264, 773-795 (2006). URL : https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3

Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu et Marco Pistoia. « L'adjoint est tout ce dont vous avez besoin : caractériser les plateaux stériles dans Quantum Ansätze » (2023). URL : https:///doi.org/10.48550/arXiv.2309.07902.
https:///doi.org/10.48550/arXiv.2309.07902

Michael Ragone, Bojko N. Bakalov, Frédéric Sauvage, Alexander F. Kemper, Carlos Ortiz Marrero, Martin Larocca et M. Cerezo. « Une théorie unifiée des plateaux stériles pour les circuits quantiques profondément paramétrés » (2023). URL : https:///doi.org/10.48550/arXiv.2309.09342.
https:///doi.org/10.48550/arXiv.2309.09342

Léo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla et Elham Kashefi. « Trainabilité et expressivité des circuits quantiques préservant le poids de Hamming pour l'apprentissage automatique » (2023). URL : https:///doi.org/10.48550/arXiv.2309.15547.
https:///doi.org/10.48550/arXiv.2309.15547

Kaining Zhang, Liu Liu, Min-Hsiu Hsieh et Dacheng Tao. « S'échapper du plateau aride via des initialisations gaussiennes dans des circuits quantiques variationnels profonds » (2022). URL : https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376

Owen Lockwood et Mei Si. «Jouer à Atari avec l'apprentissage hybride par renforcement quantique-classique» (2021). URL : https:///doi.org/10.48550/arXiv.2107.04114.
https:///doi.org/10.48550/arXiv.2107.04114

Samuel Yen-Chi Chen, Chao-Han Huck Yang, Jun Qi, Pin-Yu Chen, Xiaoli Ma et Hsi-Sheng Goan. "Circuits quantiques variationnels pour l'apprentissage par renforcement profond". Accès IEEE 8, 141007-141024 (2020). URL : https:///doi.org/10.1109/ACCESS.2020.3010470.
https: / / doi.org/ 10.1109 / ACCESS.2020.3010470

Owen Lockwood et Mei Si. «Apprentissage par renforcement avec circuit variationnel quantique». Actes de la conférence AAAI sur l'intelligence artificielle et le divertissement numérique interactif 16, 245-251 (2020). URL : https:///doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437

Yunseok Kwak, Won Joon Yun, Soyi Jung, Jong-Kook Kim et Joongheon Kim. "Introduction à l'apprentissage par renforcement quantique : théorie et mise en œuvre basée sur PennyLane". En 2021 Conférence internationale sur la convergence des technologies de l'information et de la communication (CTIC). Pages 416 à 420. Île de Jeju, Corée, République de (2021). IEEE. URL : https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885

Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans Briegel et Vedran Dunjko. "Politiques quantiques paramétrées pour l'apprentissage par renforcement". Dans M. Ranzato, A. Beygelzimer, Y. Dauphin, PS Liang et J. Wortman Vaughan, éditeurs, Advances in Neural Information Processing Systems. Volume 34, pages 28362 à 28375. Curran Associates, Inc. (2021). URL : https:///doi.org/10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577

Jen-Yueh Hsiao, Yuxuan Du, Wei-Yin Chiang, Min-Hsiu Hsieh et Hsi-Sheng Goan. « Agents d'apprentissage par renforcement quantique non empêtrés dans l'OpenAI Gym » (2022). URL : https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348

El Amine Cherrat, Iordanis Kerenidis et Anupam Prakash. « Apprentissage par renforcement quantique via itération politique ». Intelligence machine quantique 5, 30 (2023). URL : https:///doi.org/10.1007/s42484-023-00116-1.
https://doi.org/10.1007/s42484-023-00116-1

Daochen Wang, Aarthi Sundaram, Robin Kothari, Ashish Kapoor et Martin Roetteler. "Algorithmes quantiques pour l'apprentissage par renforcement avec un modèle génératif". Lors de la Conférence internationale sur l'apprentissage automatique. Pages 10916 à 10926. PMLR (2021). URL : https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451

Sofiene Jerbi, Arjan Cornelissen, Maris Ozols et Vedran Dunjko. « Algorithmes de gradient de politique quantique » (2022). URL : https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328

Arjan Cornelissen. "Estimation du gradient quantique et son application à l'apprentissage par renforcement quantique". Mémoire de maîtrise (2018). URL : http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e

Hansheng Jiang, Zuo-Jun Max Shen et Junyu Liu. "Méthodes d'informatique quantique pour la gestion de la chaîne d'approvisionnement". En 2022, 7e symposium IEEE/ACM sur Edge Computing (SEC). Pages 400 à 405. Seattle, Washington, États-Unis (2022). IEEE. URL : https:///doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059

Marc G. Bellemare, Will Dabney et Rémi Munos. "Une perspective distributionnelle sur l'apprentissage par renforcement". Dans Actes de la 34e Conférence internationale sur l'apprentissage automatique – Volume 70. Pages 449-458. ICML'17Sydney, NSW, Australie (2017). JMLR.org. URL : https:///doi.org/10.48550/arXiv.1707.06887.
https:///doi.org/10.48550/arXiv.1707.06887

Will Dabney, Mark Rowland, Marc Bellemare et Rémi Munos. «Apprentissage par renforcement distributionnel avec régression quantile». Actes de la conférence AAAI sur l'intelligence artificielle 32 (2018). URL : https:///doi.org/10.1609/aaai.v32i1.11791.
https: / / doi.org/ 10.1609 / aaai.v32i1.11791

Matthias C. Caro et Ishaun Datta. «Pseudo-dimension des circuits quantiques». Intelligence machine quantique 2 (2020). URL : https:///doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5

Hans Buehler, Murray Phillip et Ben Wood. «Couverture profonde de Bellman». Journal électronique SSRN (2022). URL : https:///dx.doi.org/10.2139/ssrn.4151026.
https: / / doi.org/ 10.2139 / ssrn.4151026

Thanh Nguyen-Tang, Sunil Gupta et Svetha Venkatesh. "Apprentissage par renforcement distributionnel via l'appariement de moments". Actes de la conférence AAAI sur l'intelligence artificielle 35, 9144-9152 (2021). URL : https:///doi.org/10.1609/aaai.v35i10.17104.
https: / / doi.org/ 10.1609 / aaai.v35i10.17104

Cité par

[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu et Marco Pistoia, « L'adjoint est tout ce dont vous avez besoin : caractériser les plateaux stériles dans l'Ansätze quantique », arXiv: 2309.07902, (2023).

[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia et Yuri Alexeev, « L'informatique quantique pour la finance », Nature Avis Physique 5 8, 450 (2023).

[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch et Alexey Melnikov, « Réseaux neuronaux hybrides informés par la physique quantique pour simuler la dynamique des fluides computationnelle dans des formes complexes », arXiv: 2304.11247, (2023).

Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2023-11-29 13:34:05). 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 2023-11-29 13:34:04: Impossible de récupérer les données citées par 10.22331 / q-2023-11-29-1191 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.

Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
La source: https://quantum-journal.org/papers/q-2023-11-29-1191/

Horodatage: 29 novembre 2023

Horodatage: Le 25 septembre 2023

Couverture profonde quantique

Republié par Platon

Abstract

► Données BibTeX

► Références

Cité par

Plus de Journal quantique

Reconnaissance de phase quantique via les méthodes du noyau quantique

Sommeil de soumission saisonnier

Une formulation relativiste d'espace-temps discret de 3+1 QED

Préparation d'état dans le modèle de Heisenberg par spirale adiabatique

Rôle de la cohérence de la matière dans l'intrication due à la gravité

Etude sur le terrain moyen de la formation de condensats de quasiparticules 2D en présence de forte désintégration

Circuits de canaux quantiques spatiaux et temporels

Codes d'accès aléatoires via une redondance contextuelle quantique

Sonder l'intrication quantique à partir de populations de sous-niveaux magnétiques : au-delà des inégalités de compression de spin

Tester la symétrie sur les ordinateurs quantiques

À propos de nous

Recherche verticale et Ai

Plateforme

Restez à l'affût

Compte