1Articoli per il controllo di qualità
2Università di Parigi, CNRS, IRIF
3Ricerca quantitativa, JPMorgan Chase
4Ricerca applicata alla tecnologia globale, JPMorgan Chase
Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.
Astratto
L’apprendimento automatico quantistico ha il potenziale per un impatto trasformativo in tutti i settori industriali e in particolare in quello finanziario. Nel nostro lavoro esaminiamo il problema della copertura in cui l'apprendimento per rinforzo profondo offre un quadro potente per i mercati reali. Sviluppiamo metodi di apprendimento con rinforzo quantistico basati su algoritmi di ricerca politica e attore-critico distributivo che utilizzano architetture di rete neurale quantistica con strati ortogonali e composti per le funzioni di politica e valore. Dimostriamo che le reti neurali quantistiche che utilizziamo sono addestrabili ed eseguiamo simulazioni approfondite che mostrano che i modelli quantistici possono ridurre il numero di parametri addestrabili ottenendo prestazioni comparabili e che l'approccio distribuzionale ottiene prestazioni migliori rispetto ad altri approcci standard, sia classici che quantistici . Implementiamo con successo i modelli proposti su un processore quantistico a ioni intrappolati, utilizzando circuiti con qubit fino a 16 dollari, e osserviamo prestazioni che concordano bene con la simulazione silenziosa. Le nostre tecniche quantistiche sono generali e possono essere applicate ad altri problemi di apprendimento per rinforzo oltre all’hedging.
► dati BibTeX
► Riferimenti
, Hans Buehler, Lukas Gonon, Joseph Teichmann e Ben Wood. “Copertura profonda”. Finanza quantitativa 19, 1271–1291 (2019). URL: https:///doi.org/10.1080/14697688.2019.1571683.
https: / / doi.org/ 10.1080 / 14697688.2019.1571683 mila
, Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan e Jonathan Kochems. "Copertura profonda: copertura dei derivati in condizioni di attriti di mercato generici utilizzando l'apprendimento per rinforzo". Giornale elettronico SSRN (2019). URL: http:///dx.doi.org/10.2139/ssrn.3355706.
https: / / doi.org/ 10.2139 / ssrn.3355706
, Shihao Gu, Bryan T. Kelly e Dacheng Xiu. "Prezzi empirici degli asset tramite machine learning". Giornale elettronico SSRN (2018). URL: http:///dx.doi.org/10.2139/ssrn.3159577.
https: / / doi.org/ 10.2139 / ssrn.3159577
, Hyeong Kyu Choi. "Previsione del coefficiente di correlazione del prezzo delle azioni con il modello ibrido ARIMA-LSTM" (2018). url: https:///doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560
, Yada Zhu, Giovanni Mariani e Jianbo Li. "Pagan: analisi di portafoglio con reti avversarie generative". Giornale elettronico 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 e Yong Wang. "Previsione del mercato azionario basata su una rete avversaria generativa". Procedia Informatica 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 e Leandro Sánchez-Betancourt. "Apprendimento profondo per rinforzo per il trading algoritmico". Giornale elettronico 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 e Qionghai Dai. "Apprendimento profondo per rinforzo diretto per la rappresentazione e il trading di segnali finanziari". Transazioni IEEE su reti neurali e sistemi di apprendimento 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 e Kristan Temme. “Un’accelerazione quantistica rigorosa e robusta nell’apprendimento automatico supervisionato”. Natura Fisica 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 e Stacey Jeffery. "Il potere dei poteri della matrice codificata a blocchi: tecniche di regressione migliorate tramite una simulazione hamiltoniana più veloce". In Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini e Stefano Leonardi, curatori, 46th International Colloquium on Automata, Languages, and Programming (ICALP 2019). Volume 132 di Leibniz International Proceedings in Informatics (LIPIcs), pagine 33: 1–33: 14. Dagstuhl, Germania (2019). Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik. url: https:///doi.org/10.4230/LIPIcs.ICALP.2019.33.
https: / / doi.org/ 10.4230 / LIPIcs.ICALP.2019.33
, András Gilyén, Srinivasan Arunachalam e Nathan Wiebe. "Ottimizzazione degli algoritmi di ottimizzazione quantistica tramite un calcolo del gradiente quantistico più veloce". Negli atti del simposio annuale ACM-SIAM sugli algoritmi discreti (SODA) del 2019. Pagine 1425–1444. (2019). url: https:///doi.org/10.1137/1.9781611975482.87.
https: / / doi.org/ 10.1137 / 1.9781611975482.87 mila
, Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio e Patrick J. Coles. “Algoritmi quantistici variazionali”. Nature Reviews Physics 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 e Dániel Szilágyi. "Algoritmi quantistici per l'ottimizzazione del portafoglio". Negli atti della prima conferenza ACM sui progressi nelle tecnologie finanziarie. Pagine 1–147. Zurigo Svizzera (155). ACM. url: https:///doi.org/2019/10.1145.
https: / / doi.org/ 10.1145 / 3318041.3355465 mila
, Lucas Leclerc, Luis Ortiz-Guitierrez, Sebastian Grijalva, Boris Albrecht, Julia R. K. Cline, Vincent Elfving, Adrien Signoles, Loic Henriet, Gianni Del Bimbo, Usman Ayub Sheikh, Maitree Shah, Luc Andrea, Faysal Ishtiaq, Andoni Duarte, Samuel Mugel, Irene Caceres, Michel Kurek, Román Orús, Achraf Seddik, Oumaima Hammammi, Hacene Isselnane e Didier M'tamon. "Gestione del rischio finanziario su un processore quantistico ad atomo neutro" (2022). url: https:///doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223
, Dimitrios Emmanoulopoulos e Sofija Dimoska. "Apprendimento automatico quantistico nella finanza: previsione delle serie temporali" (2022). url: https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599
, Patrick Rebentrost, Brajesh Gupt e Thomas R. Bromley. “Finanza computazionale quantistica: determinazione del prezzo Monte Carlo dei derivati finanziari”. Revisione fisica 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 e Miklos Santha. "Algoritmo quantistico per problemi di arresto ottimale stocastico con applicazioni in finanza". In François Le Gall e Tomoyuki Morimae, redattori, 17a Conferenza sulla teoria del calcolo quantistico, della comunicazione e della crittografia (TQC 2022). Volume 232 di Leibniz International Proceedings in Informatics (LIPIcs), pagine 2:1–2:24. Dagstuhl, Germania (2022). Schloss 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 e Marco Pistoia. "Ottimizzazione quantistica vincolata per riepilogo estrattivo su un computer quantistico a ioni intrappolati". Rapporti scientifici 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 e Daniel Volz. "Un piano di gioco per l'informatica quantistica". McKinsey trimestrale (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 e Yuri Alexeev. “Un’indagine sull’informatica quantistica per la finanza” (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 e Hartmut Neven. "Altipiani sterili nei paesaggi di addestramento delle reti neurali quantistiche". Comunicazioni sulla natura 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 e Natansh Mathur. “Algoritmi classici e quantistici per reti neurali ortogonali” (2022). url: https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198
, Zebin Yang, Aijun Zhang e Agus Sudjianto. "Migliorare la spiegabilità delle reti neurali attraverso i vincoli dell'architettura". Transazioni IEEE su reti neurali e sistemi di apprendimento 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 e Dacheng Tao. "Reti neurali profonde ortogonali". Transazioni IEEE su Pattern Analysis e Machine Intelligence 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 J. R. Ruiz, Julian Schrittwieser, Grzegorz Swirszcz, David Silver, Demis Hassabis e Pushmeet Kohli. "Scoprire algoritmi di moltiplicazione di matrici più veloci con l'apprendimento per rinforzo". Natura 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 e Pablo Samuel Castro. "Un'analisi comparativa dell'apprendimento di rinforzo atteso e distribuzionale". Atti della conferenza AAAI sull'intelligenza artificiale 33, 4504–4511 (2019). URL: https:///doi.org/10.1609/aaai.v33i01.33014504.
https: / / doi.org/ 10.1609 / aaai.v33i01.33014504
, “Quantinuo H1-1, H1-2”. https:///www.quantinuum.com/ (2022). Accesso: 15-22 novembre 2022; 7-12 dicembre 2022.
https:///www.quantinuum.com/
, Daniel J. Brod. "Simulazione classica efficiente di circuiti matchgate con ingressi e misurazioni generalizzate". Revisione fisica 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 e Frédéric Sauvage. “Simulazioni classiche algebriche di Lie per il calcolo quantistico variazionale” (2023). url: https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432
, Michał Oszmaniec, Ninnat Dangniam, Mauro E.S. Morales e Zoltán Zimborás. "Campionamento di fermioni: un robusto schema di vantaggio computazionale quantistico che utilizza ottica lineare fermionica e stati di input magici". PRXQuantum 3 (2022). URL: https:///doi.org/10.1103/PRXQuantum.3.020328.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020328
, Michael A. Nielsen e Isaac L. Chuang. "Calcolo quantistico e informazione quantistica: edizione per il decimo anniversario". Stampa dell'Università di Cambridge. (10). 2012 edizione. URL: https:///doi.org/1/CBO10.1017.
https: / / doi.org/ 10.1017 / CBO9780511976667
, RS Sutton e AG Barto. "Apprendimento per rinforzo: un'introduzione". Transazioni IEEE su reti neurali 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 e Anil Anthony Bharath. "Apprendimento per rinforzo profondo: una breve indagine". Rivista IEEE sull'elaborazione dei segnali 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 e Hans Buehler. "Copertura profonda: imparare a simulare i mercati delle opzioni azionarie". Giornale elettronico 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 e Ben Wood. "Copertura profonda: imparare a rimuovere la deriva dalle attriti del trading con misure minime equivalenti alla martingala" (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 e Lianjun Bai. “Simulazione del mercato spot e delle opzioni multi-asset”. Giornale elettronico 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 e Mikko Pakkanen. "Copertura profonda: apprendimento di rinforzo continuo per la copertura di portafogli generali attraverso molteplici avversioni al rischio". Negli atti della terza conferenza internazionale ACM sull'intelligenza artificiale nella finanza. Pagina 361–368. ICAIF ’22New York, NY, USA (2022). Associazione per le macchine informatiche. URL: https:///doi.org/10.1145/3533271.3561731.
https: / / doi.org/ 10.1145 / 3533271.3561731 mila
, Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa e Keisuke Fujii. “Apprendimento quantistico dei circuiti”. Revisione fisica 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 e Marco Pistoia. "Espressività dell'apprendimento automatico quantistico variazionale sul cubo booleano" (2022). URL: https:///doi.org/10.1109/TQE.2023.3255206.
https: / / doi.org/ 10.1109 / TQE.2023.3255206
, Edward Farhi e Hartmut Neven. "Classificazione con reti neurali quantistiche su processori a breve termine". Rapporto tecnico. Web della scienza aperta (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 e José I. Latorre. "Ricaricamento dei dati per un classificatore quantistico universale". Quantico 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 e Iordanis Kerenidis. “Metodi quantistici per reti neurali e applicazioni alla classificazione delle immagini mediche”. Quantico 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 e Alejandro Perdomo-Ortiz. "Un approccio di modellazione generativa per il benchmarking e l'addestramento di circuiti quantistici superficiali". npj Informazioni quantistiche 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 e Matthias Rosenkranz. "Inferenza variazionale con un computer quantistico". Revisione fisica applicata 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 e Christopher Mutschler. "Un'indagine sull'apprendimento per rinforzo quantistico" (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 e Jay M. Gambetta. "Apprendimento supervisionato con spazi di funzionalità potenziati quantistici". Natura 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 e Johannes Jakob Meyer. "Effetto della codifica dei dati sul potere espressivo dei modelli variazionali di apprendimento automatico quantistico". Revisione fisica 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 e Dirk Oliver Theis. "Ridondanza di ingresso per circuiti quantistici parametrizzati". Frontiere della Fisica 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 e Yun Yvonna Li. “Trasformatori di visione quantistica” (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 e Nathan Killoran. "Valutazione dei gradienti analitici sull'hardware quantistico". Revisione fisica A 99, 032331 (2019). url: https:///doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
, Iordanis Kerenidis. "Un metodo per caricare dati classici in stati quantistici per applicazioni nell'apprendimento automatico e nell'ottimizzazione". Domanda di brevetto statunitense (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 e Iordanis Kerenidis. "Classificazione del centroide più vicino su un computer quantistico a ioni intrappolati". npj Informazioni quantistiche 7, 122 (2021). url: https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5
, Iordanis Kerenidis e Anupam Prakash. “Apprendimento automatico quantistico con stati subspaziali” (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 e Illia Polosukhin. “L’attenzione è tutto ciò di cui hai bisogno”. In I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan e R. Garnett, editori, 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 e M. Cerezo. "Apprendimento automatico quantistico invariante di gruppo". PRX Quantum 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. e Kaibin Huang. “Apprendimento Grassmanniano: incorporare la consapevolezza della geometria nell’apprendimento superficiale e profondo” (2018). URL: https:///doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229
, Xuchen You, Shouvanik Chakrabarti e Xiaodi Wu. "Una teoria della convergenza per autosolutori quantistici variazionali sovraparametrizzati" (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 e M. Cerezo. “Teoria della sovraparametrizzazione nelle reti neurali quantistiche” (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 e Marco Cerezo. "Diagnosi di altipiani aridi con gli strumenti del controllo ottimale quantistico". Quantico 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 e Piotr Śniady. “Integrazione rispetto alla misura di Haar sul gruppo unitario, ortogonale e simplettico”. Comunicazioni in fisica matematica 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 e Marco Pistoia. "L'aggiunto è tutto ciò di cui hai bisogno: caratterizzare gli altipiani sterili in 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 e M. Cerezo. "Una teoria unificata di altipiani aridi per circuiti quantistici parametrizzati profondi" (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 e Elham Kashefi. "Addestrabilità ed espressività dei circuiti quantistici che preservano il peso di Hamming per l'apprendimento automatico" (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 e Dacheng Tao. "In fuga dall'altopiano arido tramite inizializzazioni gaussiane in circuiti quantistici variazionali profondi" (2022). URL: https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376
, Owen Lockwood e Mei Si. "Giocare ad Atari con l'apprendimento ibrido di rinforzo quantistico-classico" (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 e Hsi-Sheng Goan. "Circuiti quantistici variazionali per l'apprendimento rinforzato profondo". Accesso IEEE 8, 141007–141024 (2020). url: https:///doi.org/10.1109/ACCESS.2020.3010470.
https: / / doi.org/ 10.1109 / ACCESS.2020.3010470
, Owen Lockwood e Mei Si. "Apprendimento per rinforzo con circuito variazionale quantistico". Atti della conferenza AAAI sull'intelligenza artificiale e l'intrattenimento digitale interattivo 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 e Joongheon Kim. "Introduzione all'apprendimento per rinforzo quantistico: teoria e implementazione basata su PennyLane". Nel 2021 Conferenza internazionale sulla convergenza delle tecnologie dell'informazione e della comunicazione (ICTC). Pagine 416–420. Isola di Jeju, Corea, Repubblica di (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 e Vedran Dunjko. “Politiche quantistiche parametrizzate per l’apprendimento per rinforzo”. In M. Ranzato, A. Beygelzimer, Y. Dauphin, P.S. Liang e J. Wortman Vaughan, redattori, Advances in Neural Information Processing Systems. Volume 34, pagine 28362–28375. 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 e Hsi-Sheng Goan. "Agenti di apprendimento di rinforzo quantistico non intrecciati nella palestra OpenAI" (2022). URL: https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348
, El Amine Cherrat, Iordanis Kerenidis e Anupam Prakash. "Apprendimento per rinforzo quantistico tramite iterazione delle politiche". Intelligenza meccanica quantistica 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 e Martin Roetteler. “Algoritmi quantistici per l’apprendimento per rinforzo con un modello generativo”. Nella conferenza internazionale sull'apprendimento automatico. Pagine 10916–10926. PMLR (2021). url: https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451
, Sofiene Jerbi, Arjan Cornelissen, Māris Ozols e Vedran Dunjko. “Algoritmi del gradiente di politica quantistica” (2022). URL: https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328
, Arjan Cornelissen. "Stima del gradiente quantistico e sua applicazione all'apprendimento con rinforzo quantistico". Tesi di Laurea (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 e Junyu Liu. "Metodi di calcolo quantistico per la gestione della catena di fornitura". Nel 2022 IEEE/ACM 7° Simposio sull'Edge Computing (SEC). Pagine 400–405. Seattle, WA, Stati Uniti (2022). IEEE. url: https:///doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059
, Marc G. Bellemare, Will Dabney e Rémi Munos. "Una prospettiva distributiva sull'apprendimento per rinforzo". Negli Atti della 34a Conferenza Internazionale sull'Apprendimento Automatico - Volume 70. Pagine 449–458. ICML'17Sydney, NSW, Australia (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 e Rémi Munos. "Apprendimento per rinforzo distributivo con regressione quantilica". Atti della conferenza AAAI sull'intelligenza artificiale 32 (2018). URL: https:///doi.org/10.1609/aaai.v32i1.11791.
https: / / doi.org/ 10.1609 / aaai.v32i1.11791
, Matthias C. Caro e Ishaun Datta. “Pseudo-dimensione dei circuiti quantistici”. Intelligenza artificiale quantistica 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 e Ben Wood. “Profonda copertura Bellman”. Giornale elettronico SSRN (2022). url: https:///dx.doi.org/10.2139/ssrn.4151026.
https: / / doi.org/ 10.2139 / ssrn.4151026
, Thanh Nguyen-Tang, Sunil Gupta e Svetha Venkatesh. "Apprendimento per rinforzo distributivo tramite Moment Matching". Atti della conferenza AAAI sull'intelligenza artificiale 35, 9144–9152 (2021). URL: https:///doi.org/10.1609/aaai.v35i10.17104.
https: / / doi.org/ 10.1609 / aaai.v35i10.17104
Citato da
[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu e Marco Pistoia, “The Adjoint Is All You Need: Characterizing Barren Plateaus in Quantum Ansätze”, arXiv: 2309.07902, (2023).
[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia e Yuri Alexeev, “Il calcolo quantistico per la finanza”, Natura Recensioni Fisica 5 8, 450 (2023).
[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch e Alexey Melnikov, "Reti neurali ibride informate dalla fisica quantistica per la simulazione della dinamica dei fluidi computazionali in forme complesse", arXiv: 2304.11247, (2023).
Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-11-29 13:34:05). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.
Impossibile recuperare Crossref citato da dati durante l'ultimo tentativo 2023-11-29 13:34:04: Impossibile recuperare i dati citati per 10.22331 / q-2023-11-29-1191 da Crossref. Questo è normale se il DOI è stato registrato di recente.
Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://quantum-journal.org/papers/q-2023-11-29-1191/
- :ha
- :È
- :non
- :Dove
- ][P
- $ SU
- 01
- 1
- 10
- 10°
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 17°
- 19
- 1998
- 1st
- 20
- 2006
- 2012
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26
- 264
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 35%
- 36
- 39
- 40
- 41
- 46
- 49
- 50
- 51
- 52
- 53
- 54
- 58
- 60
- 610
- 65
- 66
- 67
- 7
- 70
- 72
- 73
- 75
- 77
- 7°
- 8
- 80
- 87
- 9
- 98
- a
- sopra
- ABSTRACT
- accesso
- accessibile
- il raggiungimento
- ACM
- operanti in
- avanzamenti
- Vantaggio
- contraddittorio
- affiliazioni
- agenti
- AI
- alex
- Alexander
- algoritmo
- algoritmica
- trading algoritmico
- Algoritmi
- Tutti
- an
- .
- Analitico
- ed
- Andrea
- anniversario
- annuale
- Anthony
- Applicazioni
- applicazioni
- applicato
- approccio
- approcci
- architettura
- SONO
- artificiale
- intelligenza artificiale
- AS
- attività
- soci
- Associazione
- At
- atari
- atomo
- tentativo
- Australia
- autore
- gli autori
- consapevolezza
- b
- sterile
- basato
- BE
- Ben
- analisi comparativa
- benzoino
- Meglio
- Al di là di
- boris
- entrambi
- Rompere
- Brian
- Bryan
- by
- cambridge
- Materiale
- carlos
- casper
- catena
- chen
- rancio
- cristiano
- Christopher
- classificazione
- Collins
- commento
- Popolo
- Comunicazione
- Comunicazioni
- paragonabile
- completamento di una
- complesso
- Compound
- calcolo
- computazionale
- computer
- Informatica
- informatica
- Convegno
- vincoli
- continuo
- di controllo
- Convergenza
- copyright
- Correlazione
- coefficiente di correlazione
- potuto
- crittografia
- DAI
- Daniel
- dati
- David
- David Silver
- Dicembre
- deep
- apprendimento profondo
- reti neurali profonde
- del
- Essa
- Derivati
- sviluppare
- Diego
- digitale
- Intrattenimento digitale
- dirette
- discutere
- durante
- dinamica
- e
- bordo
- edge computing
- edizione
- redattori
- Edward
- el
- Elettronico
- incorporamento
- codifica
- Intrattenimento
- equità
- Equivalente
- Etere (ETH)
- previsto
- Spiegabilità
- espressivo
- estensivo
- più veloce
- caratteristica
- fergus
- finanziare
- finanziario
- Derivati finanziari
- tecnologie finanziarie
- fluido
- Dinamica fluida
- Nel
- Contesto
- Francisco
- da
- Frontiers
- funzioni
- gioco
- Generale
- generativo
- generative reti contraddittorie
- modello generativo
- geometria
- Germania
- Gomez
- gradienti
- Gruppo
- Gupta
- palestra
- Hardware
- harvard
- copertura
- titolari
- hsiao
- http
- HTTPS
- huang
- IBRIDO
- modello ibrido
- ibrido quantistico-classico
- i
- IEEE
- if
- Immagine
- Classificazione delle immagini
- Impact
- realizzare
- implementazione
- migliorata
- in
- Inc.
- industria
- informazioni
- ingresso
- Ingressi
- istituzioni
- Intelligence
- interattivo
- interessante
- Internazionale
- ai miglioramenti
- Introduzione
- isola
- iterazione
- SUO
- ivan
- Jamie
- JavaScript
- jon
- Jonathan
- Jones
- rivista
- JPMorgan
- julia
- Kapoor
- Kim
- Kong
- Corea
- Kumar
- Le Lingue
- Cognome
- galline ovaiole
- apprendimento
- Lasciare
- li
- Licenza
- Lista
- Caricamento in corso
- Guarda
- macchina
- machine learning
- macchinario
- rivista
- magia
- gestione
- Marco
- maria
- marchio
- Rappresentanza
- Mercati
- martyn
- Mastercard
- corrispondenza
- matematico
- Matrice
- matthew
- matthias
- max
- Maggio..
- McClean
- McKinsey
- misurare
- misurazioni
- analisi
- medicale
- metodo
- metodi
- Meyer
- Michael
- minimo
- modello
- modellismo
- modelli
- momento
- Mese
- multiplo
- Murray
- Nam
- Natura
- Vicino
- Bisogno
- Rete
- reti
- Neurale
- rete neurale
- reti neurali
- Neutres
- Nicolas
- normale
- novembre
- Novembre
- numero
- NY
- osservare
- ottiene
- of
- Offerte
- oliver
- on
- aprire
- OpenAI
- ottica
- ottimale
- ottimizzazione
- Opzione
- or
- i
- Altro
- nostro
- pablo
- pagina
- pagine
- Carta
- parametri
- Parigi
- particolare
- brevetto
- patrick
- Cartamodello
- eseguire
- performance
- prospettiva
- Peter
- Fisico
- Fisica
- Pierre
- Pezzato
- piano
- Platone
- Platone Data Intelligence
- PlatoneDati
- Termini e Condizioni
- politica
- lavori
- portafogli
- potenziale
- energia
- potente
- potenze
- Pradeep
- Prakash
- predizione
- preservare
- stampa
- prezzo
- prezzi
- Problema
- problemi
- procedimento
- lavorazione
- Processore
- processori
- Programmazione
- proposto
- Dimostra
- fornire
- pubblicato
- editore
- editori
- Qi
- Quantino
- quantitativo
- Quantistico
- algoritmi quantistici
- vantaggio computazionale quantistico
- Computer quantistico
- calcolo quantistico
- informazione quantistica
- apprendimento automatico quantistico
- qubit
- R
- Ralf
- di rose
- recentemente
- ridurre
- Riferimenti
- registrato
- regressione
- insegnamento rafforzativo
- resti
- rimuovere
- renna
- rapporto
- Report
- rappresentazione
- Repubblica
- riparazioni
- rispetto
- recensioni
- Recensioni
- Richard
- rigoroso
- Rischio
- gestione del rischio
- ROBERT
- pettirosso
- robusto
- ruiz
- Ryan
- s
- schema
- Scienze
- scientifico
- Seattle
- SEC
- Settori
- Serie
- superficiale
- forme
- Sharma
- sceicco
- mostrare attraverso le sue creazioni
- Signal
- Argento
- Simon
- simulazione
- spazi
- Spot
- srinivasan
- Standard
- stati
- sosta
- Con successo
- tale
- adatto
- Dom.
- fornire
- supply chain
- gestione della catena di approvvigionamento
- Indagine
- Svizzera
- simposio
- SISTEMI DI TRATTAMENTO
- T
- Consulenza
- tecniche
- Tecnologie
- Tecnologia
- termine
- di
- che
- I
- loro
- teoria
- tesi
- Terza
- questo
- Attraverso
- tempo
- Serie storiche
- Titolo
- a
- strumenti
- Trading
- Training
- Le transazioni
- trasformativa
- trasformatori
- intrappolati
- per
- unificato
- universale
- Università
- aggiornato
- URL
- us
- USA
- uso
- utilizzando
- Utilizzando
- APPREZZIAMO
- via
- vincent
- visione
- volume
- di
- W
- wang
- volere
- Prima
- we
- sito web
- WELL
- while
- volere
- con
- Ha vinto
- legno
- Lavora
- wu
- xiao
- anno
- York
- Tu
- Yuan
- zefiro
- Zhang
- Zhong
- Zurigo
