Paraméterbeállítás a súlyozott problémák kvantum közelítő optimalizálása során

Újra kiadta Platón

Követő: 0

Shree Hari Sureshbabu¹, Dylan Herman¹, Ruslan Shaydulin¹, Joao Basso², Shouvanik Chakrabarti¹, Yue Sun¹és Marco Pistoia¹

¹Global Technology Applied Research, JPMorgan Chase, New York, NY 10017
²Matematika Tanszék, Kaliforniai Egyetem, Berkeley, CA 94720

Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.

Absztrakt

A Quantum Approximate Optimization Algorithm (QAOA) egy vezető jelölt algoritmus a kvantumszámítógépek kombinatorikus optimalizálási problémáinak megoldására. A QAOA azonban sok esetben számításigényes paraméter-optimalizálást igényel. A paraméter-optimalizálás kihívása különösen akut probléma súlyozott problémák esetén, amelyeknél a fázisoperátor sajátértékei nem egészek, és a QAOA energiakörnyezet nem periodikus. Ebben a munkában a QAOA paraméterbeállítási heurisztikáját dolgozzuk ki, amelyet súlyozott problémák általános osztályára alkalmazunk. Először is levezetjük a QAOA optimális paramétereit $p=1$ mélységgel, amelyet a súlyozott MaxCut-problémára alkalmazunk a súlyokra vonatkozó különböző feltételezések mellett. Különösen szigorúan bizonyítjuk azt a hagyományos bölcsességet, hogy átlagos esetben a nullához közeli első lokális optimum globálisan optimális QAOA paramétereket ad. Másodszor, $pgeq 1$ esetén bebizonyítjuk, hogy a súlyozott MaxCut QAOA energiakörnyezete megközelíti a súlyozatlan esetet a paraméterek egyszerű átskálázásával. Ezért a súlyozatlan MaxCut-hoz korábban kapott paramétereket használhatjuk súlyozott problémákhoz. Végül bebizonyítjuk, hogy $p=1$ esetén a QAOA cél élesen a várakozása körül koncentrálódik, ami azt jelenti, hogy a paraméterbeállítási szabályaink nagy valószínűséggel érvényesek egy véletlenszerű súlyozott példányra. Ezt a megközelítést numerikusan érvényesítjük általános súlyozott grafikonokon, és megmutatjuk, hogy átlagosan a QAOA energia a javasolt fix paraméterekkel mindössze 1.1 $ százalékponttal van eltérve az optimalizált paraméterekkel rendelkezőtől. Harmadszor, egy általános heurisztikus átskálázási sémát javasolunk, amelyet a súlyozott MaxCut elemzési eredményei ihlettek, és bemutatjuk annak hatékonyságát a QAOA használatával az XY Hamming-súlymegőrző keverővel, amelyet a portfólió optimalizálási problémájára alkalmaztunk. Heurisztikusunk javítja a helyi optimalizálók konvergenciáját, átlagosan 7.4-szeresére csökkentve az iterációk számát.

Kiemelt kép: Eljárás az optimális QAOA-paraméterek átvitelére a Sherrington-Kirkpatrick (SK) modellből egy súlyozott MaxCut-problémára egy azonos méretű normál grafikonon. A $gamma^{text{inf}}$ paraméterek a javasolt módszer szerint vannak skálázva, míg a $beta^{text{inf}}$ rögzítettek. A diagram azt mutatja, hogy a QAOA az új skálázási technikával magasabb közelítési arányt ér el, mint a korábbi technikák, és összehasonlítható az optimalizált paraméterekkel.

Népszerű összefoglaló

Ez a munka a QAOA, egy vezető kvantumheurisztikus algoritmus paraméterbeállítási szabályait vizsgálja, amelyet a kombinatorikus optimalizálási problémák általános osztályára alkalmaznak. A paraméteroptimalizálás jelentős szűk keresztmetszet a rövid távú alkalmazás szempontjából. Javasolunk egy általános paraméterskálázási heurisztikát a QAOA-paraméterek súlyozott problémapéldányok közötti átviteléhez, és szigorú eredményeket mutatunk be, amelyek bemutatják az eljárás hatékonyságát a MaxCut-on. Ezenkívül a számok azt mutatják, hogy ez az eljárás jelentősen csökkenti a QAOA képzési idejét a portfólió optimalizáláshoz, ami fontos probléma a pénzügyi tervezésben.

► BibTeX adatok

@article{Sureshbabu2024parametersettingin, doi = {10.22331/q-2024-01-18-1231}, url = {https://doi.org/10.22331/q-2024-01-18-1231}, title = {Paraméter {S}beállítás {Q}uantumban {A}, a {W}nyolc {P}feladat} hozzávetőleges {O}optimalizálása, szerző = {Sureshbabu, Shree Hari és Herman, Dylan és Shaydulin, Ruslan és Basso, Joao és Chakrabarti, Shouvanik és Sun, Yue és Pistoia, Marco}, folyóirat = {{Kvantum}}, issn = {2521-327X}, kiadó = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, kötet = {8}, oldalak = {1231}, hónap = jan. év = {2024} }

► Referenciák

[1] Michael A Nielsen és Isaac L Chuang. „Kvantumszámítás és kvantuminformáció”. Cambridge-i egyetemi sajtó. (2010).
https:///doi.org/10.1017/CBO9780511976667

[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia és Jurij Alekszejev. „A pénzügyi kvantumszámítás felmérése” (2022). url: https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773

[3] Tad Hogg és Dmitrij Portnov. „Kvantumoptimalizálás”. Information Sciences 128, 181–197 (2000).
https://doi.org/10.1016/s0020-0255(00)00052-9

[4] Edward Farhi, Jeffrey Goldstone és Sam Gutmann. „A kvantumközelítő optimalizálási algoritmus” (2014). url: https:///doi.org/10.48550/arXiv.1411.4028.
https:///doi.org/10.48550/arXiv.1411.4028

[5] Stuart Hadfield, Zhihui Wang, Bryan O’Gorman, Eleanor G Rieffel, Davide Venturelli és Rupak Biswas. „A kvantumközelítő optimalizáló algoritmustól az ansatz kvantum-alternáló operátorig”. Algoritmusok 12, 34 (2019). url: https:///doi.org/10.3390/a12020034.
https:///doi.org/10.3390/a12020034

[6] Sami Boulebnane és Ashley Montanaro. „A logikai kielégítési problémák megoldása a kvantumközelítő optimalizálási algoritmussal” (2022). url: https:///doi.org/10.48550/arXiv.2208.06909.
https:///doi.org/10.48550/arXiv.2208.06909

[7] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga és Leo Zhou. „A kvantum-közelítő optimalizálási algoritmus nagy mélységben a nagy kerületű szabályos gráfok maximális vágásához és a sherrington-kirkpatrick modellhez”. Proceedings of the Theory on the Theory of Quantum Computation, Communication and Cryptography 7, 1–21 (2022).
https:///doi.org/10.4230/LIPICS.TQC.2022.7

[8] Matthew B. Hastings. „Klasszikus algoritmus, amely a $frac{1}{2}+frac{2}{pi}frac{1}{sqrt{d}}$-t is felülmúlja a nagy kerületű max-vágás esetén” (2021). url: https:///doi.org/10.48550/arXiv.2111.12641.
https:///doi.org/10.48550/arXiv.2111.12641

[9] Ruslan Shaydulin, Phillip C. Lotshaw, Jeffrey Larson, James Ostrowski és Travis S. Humble. „Paraméterátvitel a súlyozott MaxCut kvantumközelítő optimalizálásához”. ACM Transactions on Quantum Computing 4, 1–15 (2023).
https:///doi.org/10.1145/3584706

[10] Sami Boulebnane, Xavier Lucas, Agnes Meyder, Stanislaw Adaszewski és Ashley Montanaro. „Peptidkonformációs mintavétel a kvantumközelítő optimalizálási algoritmus segítségével”. npj Quantum Information 9, 70 (2023). url: https:///doi.org/10.1038/s41534-023-00733-5.
https://doi.org/10.1038/s41534-023-00733-5

[11] Sebastian Brandhofer, Daniel Braun, Vanessa Dehn, Gerhard Hellstern, Matthias Hüls, Yanjun Ji, Ilia Polian, Amandeep Singh Bhatia és Thomas Wellens. „A portfólió-optimalizálás teljesítményének összehasonlítása a qaoával”. Quantum Information Processing 22, 25 (2022).
https://doi.org/10.1007/s11128-022-03766-5

[12] Sami Boulebnane és Ashley Montanaro. „Paraméterek előrejelzése a kvantumközelítő optimalizálási algoritmushoz a végtelen méretű határtól való maximális levágáshoz” (2021). url: https:///doi.org/10.48550/arXiv.2110.10685.
https:///doi.org/10.48550/arXiv.2110.10685

[13] Edward Farhi, Jeffrey Goldstone, Sam Gutmann és Leo Zhou. „A kvantumközelítő optimalizálási algoritmus és a Sherrington-Kirkpatrick modell végtelen méretben”. Quantum 6, 759 (2022).
https://doi.org/10.22331/q-2022-07-07-759

[14] Amir Dembo, Andrea Montanari és Subhabrata Sen. „Extremal cuts of ritka véletlenszerű grafikonok”. The Annals of Probability 45 (2017).
https:///doi.org/10.1214/15-aop1084

[15] Gavin E Crooks. „A kvantumközelítő optimalizálási algoritmus teljesítménye a maximális vágási problémán” (2018). url: https:///doi.org/10.48550/arXiv.1811.08419.
https:///doi.org/10.48550/arXiv.1811.08419

[16] Michael Streif és Martin Leib. „A kvantumközelítő optimalizálási algoritmus betanítása kvantumfeldolgozó egységhez való hozzáférés nélkül”. Quantum Science and Technology 5, 034008 (2020).
https://doi.org/10.1088/2058-9565/ab8c2b

[17] Leo Zhou, Sheng-Tao Wang, Soonwon Choi, Hannes Pichler és Mikhail D. Lukin. „Kvantum közelítő optimalizálási algoritmus: Teljesítmény, mechanizmus és megvalósítás rövid távú eszközökön”. Physical Review X 10, 021067 (2020).
https:///doi.org/10.1103/PhysRevX.10.021067

[18] Ruslan Shaydulin, Ilya Safro és Jeffrey Larson. „Multistart módszerek kvantumközelítő optimalizáláshoz”. Az IEEE High Performance Extreme Computing konferencián. 1–8. oldal. (2019).
https:///doi.org/10.1109/hpec.2019.8916288

[19] Xinwei Lee, Yoshiyuki Saito, Dongsheng Cai és Nobuyoshi Asai. „Paraméterrögzítési stratégia kvantumközelítő optimalizálási algoritmushoz”. 2021 IEEE International Conference on Quantum Computing and Engineering (QCE) (2021).
https:///doi.org/10.1109/qce52317.2021.00016

[20] Stefan H. Sack és Maksym Serbyn. „A kvantumközelítő optimalizálási algoritmus kvantum-illesztési inicializálása”. Quantum 5, 491 (2021).
https://doi.org/10.22331/q-2021-07-01-491

[21] Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik és Adi Makmal. „Iterációmentes kvantumközelítő optimalizálási algoritmus neurális hálózatok segítségével” (2022). url: https:///doi.org/10.48550/arXiv.2208.09888.
https:///doi.org/10.48550/arXiv.2208.09888

[22] Danylo Lykov, Roman Schutski, Alexey Galda, Valeri Vinokur és Jurij Aleksejev. „Tenzorhálózati kvantumszimulátor lépésfüggő párhuzamosítással”. 2022-ben IEEE Nemzetközi Kvantum Számítástechnikai és Mérnöki Konferencia (QCE). 582–593. oldal. (2022).
https:///doi.org/10.1109/QCE53715.2022.00081

[23] Matija Medvidović és Giuseppe Carleo. „A kvantumközelítő optimalizálási algoritmus klasszikus variációs szimulációja”. npj Quantum Information 7 (2021).
https:///doi.org/10.1038/s41534-021-00440-z

[24] Ruslan Shaydulin és Stefan M. Wild. „A szimmetria kihasználása csökkenti a QAOA képzésének költségeit”. IEEE Transactions on Quantum Engineering 2, 1–9 (2021).
https:///doi.org/10.1109/tqe.2021.3066275

[25] Ruslan Shaydulin és Jurij Alekszejev. „Kvantumközelítő optimalizálási algoritmus kiértékelése: esettanulmány”. Tizedik Nemzetközi Zöld és Fenntartható Számítástechnikai Konferencia (2019).
https:///doi.org/10.1109/IGSC48788.2019.8957201

[26] Fernando G. S. L. Brandão, Michael Broughton, Edward Farhi, Sam Gutmann és Hartmut Neven. „Rögzített vezérlési paraméterek esetén a kvantumközelítő optimalizálási algoritmus célfüggvény értéke tipikus esetekre koncentrál” (2018). url: https:///doi.org/10.48550/arXiv.1812.04170.
https:///doi.org/10.48550/arXiv.1812.04170

[27] V. Akshay, D. Rabinovich, E. Campos és J. Biamonte. „Paraméterkoncentrációk kvantumközelítő optimalizálásban”. Fizikai Szemle A 104 (2021).
https:///doi.org/10.1103/physreva.104.l010401

[28] Phillip C. Lotshaw, Travis S. Humble, Rebekah Herrman, James Ostrowski és George Siopsis. „Empirikus teljesítményhatárok kvantumközelítő optimalizáláshoz”. Quantum Information Processing 20, 403 (2021).
https://doi.org/10.1007/s11128-021-03342-3

[29] Alekszej Galda, Xiaoyuan Liu, Danylo Lykov, Jurij Alekszejev és Ilja Safro. „Az optimális qaoa paraméterek átvitele véletlenszerű gráfok között”. 2021-ben az IEEE nemzetközi kvantumszámítási és mérnöki konferenciája (QCE). 171–180. oldal. (2021).
https:///doi.org/10.1109/QCE52317.2021.00034

[30] Xinwei Lee, Ningyi Xie, Dongsheng Cai, Yoshiyuki Saito és Nobuyoshi Asai. „Mélységben progresszív inicializálási stratégia kvantumközelítő optimalizálási algoritmushoz”. Matematika 11, 2176 (2023).
https:///doi.org/10.3390/math11092176

[31] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Jurij Alekszejev és Prasanna Balaprakash. „A variációs kvantumáramkörök optimalizálásának megtanulása kombinatorikus problémák megoldására”. Proceedings of the AAAI Conference on Artificial Intelligence 34, 2367–2375 (2020).
https:///doi.org/10.1609/aaai.v34i03.5616

[32] Guillaume Verdon, Michael Broughton, Jarrod R. McClean, Kevin J. Sung, Ryan Babbush, Zhang Jiang, Hartmut Neven és Masoud Mohseni. „Tanuljunk meg tanulni kvantumneurális hálózatokkal klasszikus neurális hálózatokon keresztül” (2019). url: https:///doi.org/10.48550/arXiv.1907.05415.
https:///doi.org/10.48550/arXiv.1907.05415

[33] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Jurij Alekszejev és Prasanna Balaprakash. „Megerősítés-tanuláson alapuló variációs kvantumáramkörök optimalizálása kombinatorikus problémákhoz” (2019). url: https:///doi.org/10.48550/arXiv.1911.04574.
https:///doi.org/10.48550/arXiv.1911.04574

[34] Matteo M. Wauters, Emanuele Panizon, Glen B. Mbeng és Giuseppe E. Santoro. „Megerősítés-tanulás által támogatott kvantumoptimalizálás”. Physical Review Research 2 (2020).
https:///doi.org/10.1103/physrevresearch.2.033446

[35] Mahabubul Alam, Abdullah Ash-Saki és Swaroop Ghosh. „Gépi tanulással gyorsított kvantumközelítő optimalizálási algoritmus”. 2020. Tervezés, automatizálás és tesztelés Európában konferencia és kiállítás (DATE) (2020).
https:///doi.org/10.23919/date48585.2020.9116348

[36] Jiahao Yao, Lin Lin és Marin Bukov. „Megerősítő tanulás a sok test alapállapotú felkészítéséhez, a diabetikus vezetés által ihletett”. Fizikai Szemle X 11 (2021).
https:///doi.org/10.1103/physrevx.11.031070

[37] Zhihui Wang, Stuart Hadfield, Zhang Jiang és Eleanor G. Rieffel. „A MaxCut kvantumközelítő optimalizálási algoritmusa: Fermionikus nézet”. Fizikai Szemle A 97 (2018).
https:///doi.org/10.1103/physreva.97.022304

[38] Jonathan Wurtz és Danylo Lykov. „A QAOA rögzített szögű sejtése normál MaxCut grafikonokon” (2021). url: https:///doi.org/10.48550/arXiv.2107.00677.
https:///doi.org/10.48550/arXiv.2107.00677

[39] Stuart Hadfield. „Kvantumalgoritmusok tudományos számításokhoz és közelítő optimalizáláshoz” (2018). url: https:///doi.org/10.48550/1805.03265.
https:///doi.org/10.48550/1805.03265

[40] Paul Glasserman. „Monte carlo módszerek a pénzügyi tervezésben”. 53. évfolyam Springer. (2004).
https://doi.org/10.1007/978-0-387-21617-1

[41] Walter Rudin. „Valódi és összetett elemzés”. McGraw-Hill. (1974).

[42] Walter Rudin. „A matematikai elemzés alapelvei”. McGraw-hegy. (1976).

[43] Colin McDiarmid. „A korlátos különbségek módszeréről”. 148–188. oldal. Londoni Matematikai Társaság előadásjegyzetsorozat. Cambridge University Press. (1989).
https:///doi.org/10.1017/CBO9781107359949.008

[44] Lutz Warnke. „A tipikus korlátos különbségek módszeréről”. Combinatorics, Probability and Computing 25, 269–299 (2016).
https:///doi.org/10.1017/S0963548315000103

[45] Roman Vershinin. „Nagydimenziós valószínűség: Bevezetés az adattudományi alkalmazásokhoz”. Cambridge sorozat a statisztikai és valószínűségi matematikában. Cambridge University Press. (2018).
https:///doi.org/10.1017/9781108231596

[46] Joao Basso, David Gamarnik, Song Mei és Leo Zhou. „A QAOA teljesítménye és korlátai állandó szinten nagy ritka hipergráfokon és forgóüveg modelleken”. 2022 IEEE 63. Annual Symposium on Foundations of Computer Science (FOCS) (2022).
https:///doi.org/10.1109/focs54457.2022.00039

[47] G Parisi. „A forgóüvegek s-k modelljének közelített megoldásainak sorozata”. Journal of Physics A: Mathematical and General 13, L115 (1980).
https://doi.org/10.1088/0305-4470/13/4/009

[48] Michel Talagrand. „A párizsi képlet”. Annals of Mathematics (2006).
https:///doi.org/10.4007/annals.2006.163.221

[49] Dmitrij Pancsenko. "A Sherrington-Kirkpatrick modell". Springer Science & Business Media. (2013).
https://doi.org/10.1007/978-1-4614-6289-7

[50] Ruslan Shaydulin, Kunal Marwaha, Jonathan Wurtz és Phillip C Lotshaw. „QAOAKit: A QAOA reprodukálható tanulmányozására, alkalmazására és ellenőrzésére szolgáló eszköztár”. Második nemzetközi műhely a kvantumszámítási szoftverről (2021).
https:///doi.org/10.1109/QCS54837.2021.00011

[51] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga és Leo Zhou. „A kvantumközelítő optimalizálási algoritmus nagy mélységben a nagy kerületű szabályos gráfok maximális vágásához és a sherrington-kirkpatrick modellhez” (2021). url: https:///doi.org/10.48550/arXiv.2110.14206.
https:///doi.org/10.48550/arXiv.2110.14206

[52] Dylan Herman, Ruslan Shaydulin, Yue Sun, Shouvanik Chakrabarti, Shaohan Hu, Pierre Minssen, Arthur Rattew, Romina Yalovetzky és Marco Pistoia. „Korlátozott optimalizálás a kvantumzeno dinamikán keresztül”. Communications Physics 6, 219 (2023).
https://doi.org/10.1038/s42005-023-01331-9

[53] N. Slate, E. Matwiejew, S. Marsh és J. B. Wang. „Kvantum-séta alapú portfólióoptimalizálás”. Quantum 5, 513 (2021).
https://doi.org/10.22331/q-2021-07-28-513

[54] Mark Hodson, Brendan Ruck, Hugh Ong, David Garvin és Stefan Dulman. „Portfólió-kiegyensúlyozási kísérletek az ansatz kvantumváltó operátorral” (2019). url: https:///doi.org/10.48550/arXiv.1911.05296.
https:///doi.org/10.48550/arXiv.1911.05296

[55] Tianyi Hao, Ruslan Shaydulin, Marco Pistoia és Jeffrey Larson. „Korlátozott energia kihasználása korlátozott variációs kvantumoptimalizálásban”. 2022 IEEE/ACM harmadik nemzetközi műhely a kvantumszámítási szoftverről (QCS) (2022).
https:///doi.org/10.1109/qcs56647.2022.00017

[56] Zichang He, Ruslan Shaydulin, Shouvanik Chakrabarti, Dylan Herman, Changhao Li, Yue Sun és Marco Pistoia. "A kezdeti állapot és a keverő közötti igazítás javítja a qaoa teljesítményét a korlátozott optimalizálás érdekében." npj Quantum Information 9, 121 (2023).
https://doi.org/10.1038/s41534-023-00787-5

[57] „Qiskit pénzügyek”. https:///qiskit.org/documentation/finance/.
https:///qiskit.org/documentation/finance/

[58] Steven G. Johnson. „Az NLopt nemlineáris optimalizálási csomag” (2022). http:///github.com/stevengj/nlopt.
http:///github.com/stevengj/nlopt

[59] Michael JD Powell. „A BOBYQA algoritmus kötött, kényszerű optimalizáláshoz deriváltak nélkül”. Cambridge NA Report NA2009/06 26 (2009).

[60] Ruslan Shaydulin és Stefan M. Wild. „A kernel sávszélességének jelentősége a kvantumgépi tanulásban”. Fizikai Szemle A 106 (2022).
https:///doi.org/10.1103/physreva.106.042407

[61] Abdulkadir Canatar, Evan Peters, Cengiz Pehlevan, Stefan M. Wild és Ruslan Shaydulin. „A sávszélesség lehetővé teszi az általánosítást a kvantummag-modellekben” (2022). url: https:///doi.org/10.48550/arXiv.2206.06686.
https:///doi.org/10.48550/arXiv.2206.06686

[62] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh és Dacheng Tao. „Menekülés a kopár fennsíkról Gauss inicializálásokon keresztül mély variációs kvantumáramkörökben”. In Advances in Neural Information Processing Systems. 35. kötet, 18612–18627. Curran Associates, Inc. (2022).

Idézi

[1] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia és Jurij Alekszejev, „Quantum computing for Financial”, Nature Reviews Physics 5 8, 450 (2023).

[2] Abid Khan, Bryan K. Clark és Norm M. Tubman, „Pre-optimizing variational quantum sajátszolverek tenzorhálózatokkal”, arXiv: 2310.12965, (2023).

[3] Igor Gaidai és Rebekah Herrman, „Performance Analysis of Multi-Angle QAOA for p > 1”, arXiv: 2312.00200, (2023).

[4] Dylan Herman, Ruslan Shaydulin, Yue Sun, Shouvanik Chakrabarti, Shaohan Hu, Pierre Minssen, Arthur Rattew, Romina Yalovetzky és Marco Pistoia, „Korlátozott optimalizálás kvantumzenó dinamikával”, Kommunikációs fizika 6 1, 219 (2023).

[5] Ruslan Shaydulin, Changhao Li, Shouvanik Chakrabarti, Matthew DeCross, Dylan Herman, Niraj Kumar, Jeffrey Larson, Danylo Lykov, Pierre Minssen, Yue Sun, Jurij Alekszejev, Joan M. Dreiling, John P. Gaebler, Thomas M. Gatterman , Justin A. Gerber, Kevin Gilmore, Dan Gresh, Nathan Hewitt, Chandler V. Horst, Shaohan Hu, Jacob Johansen, Mitchell Matheny, Tanner Mengle, Michael Mills, Steven A. Moses, Brian Neyenhuis, Peter Siegfried, Romina Yalovetzky és Marco Pistoia, „A kvantumközelítő optimalizálási algoritmus skálázási előnyeinek bizonyítéka egy klasszikusan megoldhatatlan probléma esetén”, arXiv: 2308.02342, (2023).

[6] Filip B. Maciejewski, Stuart Hadfield, Benjamin Hall, Mark Hodson, Maxime Dupont, Bram Evert, James Sud, M. Sohaib Alam, Zhihui Wang, Stephen Jeffrey, Bhuvanesh Sundar, P. Aaron Lott, Shon Grabbe, Eleanor G Rieffel, Matthew J. Reagor és Davide Venturelli, „Kvantumáramkörök tervezése és végrehajtása több tíz szupravezető qubit és több ezer kapu használatával sűrű Ising optimalizálási problémákhoz”. arXiv: 2308.12423, (2023).

[7] Mara Vizzuso, Gianluca Passarelli, Giovanni Cantele és Procolo Lucignano, „A digitalizált-ellendiabatikus QAOA konvergenciája: áramkörmélység versus szabad paraméterek”, arXiv: 2307.14079, (2023).

A fenti idézetek innen származnak SAO/NASA HIRDETÉSEK (utolsó sikeres frissítés: 2024-01-19 00:28:46). Előfordulhat, hogy a lista hiányos, mivel nem minden kiadó ad megfelelő és teljes hivatkozási adatokat.

On Crossref által idézett szolgáltatás művekre hivatkozó adat nem található (utolsó próbálkozás 2024-01-19 00:28:44).

Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.

SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
Forrás: https://quantum-journal.org/papers/q-2024-01-18-1231/

Időbélyeg: Január 18, 2024

Időbélyeg: 4. december 2023.

Paraméterbeállítás a súlyozott problémák kvantumkörülbelül optimalizálása során

Újra kiadta Platón

Absztrakt

Népszerű összefoglaló

► BibTeX adatok

► Referenciák

Idézi

Még több Quantum Journal

Változatos kvantum-algoritmus a korlátlan fekete doboz bináris optimalizálásához: Alkalmazás jellemzők kiválasztására

Teljesen nem pozitív-részleges transzponálása valóban összefonódott alterek

Határozó összefonódás dimenzió a kovariancia mátrixból

Kvantumlogikai kapu a szabad elektronokhoz

Többoldalú, belső, nem lokális és eszközfüggetlen konferenciakulcs-szerződés

Eszközfüggetlen kriptográfia fokozása háromoldalú, nem lokalitás mellett

Kvantum üzenettovábbítási algoritmus az optimális és hatékony dekódoláshoz

Egy pár mérési felület kódja ötszögeken

Gyakorlati véletlenszerűség-erősítés és privatizáció kvantumszámítógépes implementációkkal

Az invertálható, frusztrációmentes alapállapotok stabilitása nagy zavarokkal szemben

Stabilizáló állapotok átalakulása kvantumhálózatokban

Rólunk

Vertical Search & Ai

Emelvény

Maradjon kapcsolatban

Fiók