Algoritmi Monte Carlo quantistici per fermioni

Ripubblicato da Platone

Seguaci: 0

Graduate School of China Academy of Engineering Physics, Pechino 100193, Cina

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

L’informatica quantistica è un modo promettente per risolvere sistematicamente l’annoso problema computazionale, lo stato fondamentale di un sistema fermionico a molti corpi. Sono stati fatti molti sforzi per realizzare alcune forme di vantaggio quantistico in questo problema, ad esempio lo sviluppo di algoritmi quantistici variazionali. Un recente lavoro di Huggins et al. [1] riporta un nuovo candidato, ovvero un algoritmo Monte Carlo ibrido quantistico-classico con un bias ridotto rispetto alla sua controparte completamente classica. In questo articolo proponiamo una famiglia di algoritmi Monte Carlo scalabili assistiti da quantistici in cui il computer quantistico viene utilizzato al suo costo minimo e può comunque ridurre la distorsione. Incorporando un approccio di inferenza bayesiana, possiamo ottenere questa riduzione della distorsione facilitata dai quanti con un costo di calcolo quantistico molto più piccolo rispetto alla media empirica nella stima dell’ampiezza. Inoltre, mostriamo che il framework ibrido Monte Carlo è un modo generale per sopprimere gli errori nello stato fondamentale ottenuti da algoritmi classici. Il nostro lavoro fornisce un toolkit Monte Carlo per ottenere calcoli quantistici potenziati di sistemi di fermioni su dispositivi quantistici a breve termine.

Riepilogo popolare

Risolvere l'equazione di Schrodinger dei sistemi fermionici a molti corpi è essenziale in molti campi scientifici. Quantum Monte Carlo (QMC) è un gruppo di algoritmi classici ben sviluppati che sono stati ampiamente utilizzati. Tuttavia, un problema di segno ne vieta l'uso per sistemi di grandi dimensioni poiché la varianza dei risultati aumenta esponenzialmente con la dimensione del sistema. I metodi comuni per limitare il problema dei segni di solito introducono alcuni errori. Consideriamo di incorporare i computer quantistici nel QMC per ridurre i bias. I lavori precedenti presentano alcuni problemi con la scalabilità in generale e il costo del calcolo quantistico. In questo lavoro, cerchiamo di affrontare i problemi e di introdurre un quadro di algoritmi QMC assistiti da quantistici in cui il computer quantistico è coinvolto a livelli flessibili. Descriviamo due strategie basate sull'entità delle risorse quantistiche utilizzate e mostriamo risultati numerici notevolmente migliorati rispetto alla controparte classica. Per ridurre ulteriormente le misurazioni del calcolo quantistico, introduciamo un metodo di inferenza bayesiano e mostriamo che è possibile mantenere un vantaggio quantistico stabile. Grazie alla simmetria intrinseca nel sistema fisico target, il nostro QMC assistito da quantistici è resistente agli errori. Rendendo la nostra QMC quantistica assistita una subroutine dell’algoritmo di diagonalizzazione subspaziale, dimostriamo che la QMC quantistica assistita è un metodo generale per ridurre gli errori in altri algoritmi classici o quantistici. Il QMC assistito da quantistica è un metodo potenzialmente nuovo per dimostrare un certo livello di vantaggio quantistico sulle macchine NIST.

► dati BibTeX

@articolo{Xu2023quantumassisted, doi = {10.22331/q-2023-08-03-1072}, url = {https://doi.org/10.22331/q-2023-08-03-1072}, titolo = {Quantum- assistito {M}onte {C}algoritmi Arlo per fermioni}, autore = {Xu, Xiaosi e Li, Ying}, rivista = {{Quantum}}, issn = {2521-327X}, editore = {{Verein zur F{ “{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {7}, pagine = {1072}, mese = agosto, anno = {2023} }

► Riferimenti

, William J Huggins, Bryan A O'Gorman, Nicholas C Rubin, David R Reichman, Ryan Babbush e Joonho Lee. Monte Carlo quantistico fermionico imparziale con un computer quantistico. Natura, 603 (7901): 416–420, 2022. https:///doi.org/10.1038/s41586-021-04351-z.
https: / / doi.org/ 10.1038 / s41586-021-04351-z

, Ryan Babbush, Dominic W Berry, Ian D Kivlichan, Annie Y Wei, Peter J Love e Alán Aspuru-Guzik. Simulazione quantistica esponenzialmente più precisa di fermioni nella seconda quantizzazione. New Journal of Physics, 18 (3): 033032, 2016. https://doi.org/10.1088/1367-2630/18/3/033032.
https://doi.org/10.1088/1367-2630/18/3/033032

, Sam McArdle, Suguru Endo, Alán Aspuru-Guzik, Simon C Benjamin e Xiao Yuan. Chimica computazionale quantistica. Recensioni di fisica moderna, 92 (1): 015003, 2020. https:///doi.org/10.1103/RevModPhys.92.015003.
https: / / doi.org/ 10.1103 / RevModPhys.92.015003

, Raffaele Resta. Manifestazioni della fase della bacca in molecole e materia condensata. Journal of Physics: Condensed Matter, 12 (9): R107, 2000. https:///doi.org/10.1088/0953-8984/12/9/201.
https://doi.org/10.1088/0953-8984/12/9/201

, Lingzhen Guo e Pengfei Liang. Fisica della materia condensata nei cristalli temporali. New Journal of Physics, 22 (7): 075003, 2020. https:///doi.org/10.1088/1367-2630/ab9d54.
https://doi.org/10.1088/1367-2630/ab9d54

, Jean Pierre Jeukenne, A Lejeune e Claude Mahaux. Teoria a molti corpi della materia nucleare. Physics Reports, 25 (2): 83–174, 1976. https:///doi.org/10.1016/0370-1573(76)90017-X.
https://doi.org/10.1016/0370-1573(76)90017-X

, J Carlson, Stefano Gandolfi, Francesco Pederiva, Steven C Pieper, Rocco Schiavilla, KE Schmidt e Robert B Wiringa. Metodi quantistici monte carlo per la fisica nucleare. Recensioni di Modern Physics, 87 (3): 1067, 2015. https:///doi.org/10.1103/RevModPhys.87.1067.
https: / / doi.org/ 10.1103 / RevModPhys.87.1067

, Vladimir A Miransky e Igor A Shovkovy. Teoria quantistica del campo in un campo magnetico: dalla cromodinamica quantistica al grafene e ai semimetalli dirac. Physics Reports, 576: 1–209, 2015. https:///doi.org/10.1016/j.physrep.2015.02.003.
https: / / doi.org/ 10.1016 / j.physrep.2015.02.003

, Stanley J Brodsky, Hans-Christian Pauli e Stephen S Pinsky. Cromodinamica quantistica e altre teorie di campo sul cono di luce. Physics Reports, 301 (4-6): 299–486, 1998. https:///doi.org/10.1016/S0370-1573(97)00089-6.
https://doi.org/10.1016/S0370-1573(97)00089-6

, Gabriel Kotliar, Sergej Y Savrasov, Kristjan Haule, Viktor S Oudovenko, O Parcollet e CA Marianetti. Calcoli di strutture elettroniche con teoria dinamica del campo medio. Recensioni di Modern Physics, 78 (3): 865, 2006. https:///doi.org/10.1103/RevModPhys.78.865.
https: / / doi.org/ 10.1103 / RevModPhys.78.865

, John W Negele. La teoria del campo medio della struttura e della dinamica nucleare. Recensioni di Modern Physics, 54 (4): 913, 1982. https:///doi.org/10.1103/RevModPhys.54.913.
https: / / doi.org/ 10.1103 / RevModPhys.54.913

, Raffaele Guardiola. Metodi Monte Carlo nelle teorie quantistiche a molti corpi. In Teorie quantistiche microscopiche a molti corpi e loro applicazioni, pagine 269–336. Springer, 1998. https:///doi.org/10.1016/0375-9474(79)90217-3.
https://doi.org/10.1016/0375-9474(79)90217-3

, YY Shi, LM Duan e Guifre Vidal. Simulazione classica di sistemi quantistici a molti corpi con una rete tensore ad albero. Revisione fisica a, 74 (2): 022320, 2006. https:///doi.org/10.1103/PhysRevA.74.022320.
https: / / doi.org/ 10.1103 / PhysRevA.74.022320

, Shi-Ju Ran, Angelo Piga, Cheng Peng, Gang Su e Maciej Lewenstein. I sistemi a pochi corpi catturano la fisica a molti corpi: approccio della rete tensoriale. Physical Review B, 96 (15): 155120, 2017. https:///doi.org/10.1103/PhysRevB.96.155120.
https: / / doi.org/ 10.1103 / PhysRevB.96.155120

, Drew Creal. Un'indagine sui metodi sequenziali Monte Carlo per l'economia e la finanza. Revisioni econometriche, 31 (3): 245–296, 2012. https:///doi.org/10.1080/07474938.2011.607333.
https: / / doi.org/ 10.1080 / 07474938.2011.607333 mila

, Liaw Y Batan, Gregory D Graff e Thomas H Bradley. Analisi tecno-economica e probabilistica Monte Carlo del sistema di produzione di biocarburanti a base di microalghe. Tecnologia delle risorse biologiche, 219: 45–52, 2016. https:///doi.org/10.1016/j.biortech.2016.07.085.
https:///doi.org/10.1016/j.biortech.2016.07.085

, Zheng-Zhi Sun, Cheng Peng, Ding Liu, Shi-Ju Ran e Gang Su. Modello di classificazione della rete tensore generativa per l'apprendimento automatico supervisionato. Physical Review B, 101 (7): 075135, 2020. https:///doi.org/10.1103/PhysRevB.101.075135.
https: / / doi.org/ 10.1103 / PhysRevB.101.075135

, Toshiyuki Tanaka. Teoria del campo medio dell'apprendimento automatico di Boltzmann. Physical Review E, 58 (2): 2302, 1998. https:///doi.org/10.1103/PhysRevE.58.2302.
https: / / doi.org/ 10.1103 / PhysRevE.58.2302

, Brian M Austin, Dmitry Yu Zubarev e William A Lester Jr. Quantum Monte Carlo e approcci correlati. Revisioni chimiche, 112 (1): 263–288, 2012. https:///doi.org/10.1021/cr2001564.
https:///doi.org/10.1021/cr2001564

, Gerardo Ortiz, James E. Gubernatis, Emanuel Knill e Raymond Laflamme. Algoritmi quantistici per simulazioni fermioniche. Physical Review A, 64 (2): 022319, 2001. https:///doi.org/10.1103/PhysRevA.64.022319.
https: / / doi.org/ 10.1103 / PhysRevA.64.022319

, Mario Motta e Shiwei Zhang. Calcoli ab initio di sistemi molecolari mediante il metodo Monte Carlo quantistico dei campi ausiliari. Wiley Interdisciplinary Reviews: Computational Molecular Science, 8 (5): e1364, 2018. https:///doi.org/10.1002/wcms.1364.
https: / / doi.org/ 10.1002 / wcms.1364

, Nick S. Blunt. Approssimazioni a nodo fisso e parziale nello spazio determinante slater per le molecole. Journal of Chemical Theory and Computation, 17 (10): 6092–6104, 2021. https:///doi.org/10.1021/acs.jctc.1c00500.
https: / / doi.org/ 10.1021 / acs.jctc.1c00500

, Sevag Gharibian e François Le Gall. Dequantizzazione della trasformazione quantistica del valore singolare: durezza e applicazioni alla chimica quantistica e alla congettura del pcp quantistico. In Atti del 54° Simposio annuale ACM SIGACT sulla teoria dell'informatica, pagine 19–32, 2022. https:///doi.org/10.1145/3519935.3519991.
https: / / doi.org/ 10.1145 / 3519935.3519991 mila

, Chris Cade, Marten Folkertsma e Jordi Weggemans. Complessità del problema hamiltoniano locale guidato: miglioramento dei parametri ed estensione agli stati eccitati. prestampa di arXiv arXiv:2207.10097, 2022. https:///doi.org/10.48550/arXiv.2207.10097.
https:///doi.org/10.48550/arXiv.2207.10097
arXiv: 2207.10097

, Sevag Gharibian, Ryu Hayakawa, François Le Gall e Tomoyuki Morimae. Risultati migliorati sulla durezza per il problema hamiltoniano locale guidato. prestampa di arXiv arXiv:2207.10250, 2022. https:///doi.org/10.48550/arXiv.2207.10250.
https:///doi.org/10.48550/arXiv.2207.10250
arXiv: 2207.10250

, James D Whitfield, Jacob Biamonte e Alán Aspuru-Guzik. Simulazione di hamiltoniani di struttura elettronica mediante computer quantistici. Fisica molecolare, 109 (5): 735–750, 2011. https://doi.org/10.1080/00268976.2011.552441.
https: / / doi.org/ 10.1080 / 00268976.2011.552441 mila

, Pedro MQ Cruz, Gonçalo Catarina, Ronan Gautier e Joaquín Fernández-Rossier. Ottimizzazione della stima della fase quantistica per la simulazione di autostati hamiltoniani. Scienza e tecnologia quantistica, 5 (4): 044005, 2020. https:///doi.org/10.1088/2058-9565/abaa2c.
https:///doi.org/10.1088/2058-9565/abaa2c

, John Preskill. L'informatica quantistica nell'era nisq e oltre. Quantum, 2: 79, 2018. https://doi.org/10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79

, Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S Kottmann, Tim Menke, et al. Algoritmi quantistici rumorosi su scala intermedia. Recensioni di Modern Physics, 94 (1): 015004, 2022. https:///doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004

, Samson Wang, Enrico Fontana, Marco Cerezo, Kunal Sharma, Akira Sone, Lukasz Cincio e Patrick J Coles. Altopiani sterili indotti dal rumore negli algoritmi quantistici variazionali. Comunicazioni sulla natura, 12 (1): 1–11, 2021. https:///doi.org/10.1038/s41467-021-27045-6.
https://doi.org/10.1038/s41467-021-27045-6

, Marco Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio e Patrick J Coles. Altopiani sterili dipendenti dalla funzione di costo in circuiti quantistici parametrizzati poco profondi. Comunicazioni sulla natura, 12 (1): 1–12, 2021a. https:///doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w

, Edward Grant, Leonard Wossnig, Mateusz Ostaszewski e Marcello Benedetti. Una strategia di inizializzazione per affrontare gli altipiani aridi nei circuiti quantistici parametrizzati. Quantum, 3: 214, 2019. https:///doi.org/10.22331/q-2019-12-09-214.
https://doi.org/10.22331/q-2019-12-09-214

, Stefan H Sack, Raimel A Medina, Alexios A Michailidis, Richard Kueng e Maksym Serbyn. Evitando gli altipiani sterili utilizzando le ombre classiche. PRX Quantum, 3: 020365, giugno 2022. https:///doi.org/10.1103/PRXQuantum.3.020365.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020365

, Yongdan Yang, Bing-Nan Lu e Ying Li. Monte Carlo quantistico accelerato con errore mitigato su computer quantistici rumorosi. PRX Quantum, 2 (4): 040361, 2021. https:///doi.org/10.1103/PRXQuantum.2.040361.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040361

, Guglielmo Mazzola e Giuseppe Carleo. Sfide esponenziali negli algoritmi quantistici monte carlo imparziali con computer quantistici. prestampa di arXiv arXiv:2205.09203, 2022. https:///doi.org/10.48550/arXiv.2205.09203.
https:///doi.org/10.48550/arXiv.2205.09203
arXiv: 2205.09203

, Joonho Lee, David R Reichman, Ryan Babbush, Nicholas C Rubin, Fionn D. Malone, Bryan O'Gorman e Huggins. William J. Risposta a "sfide esponenziali nell'imparzializzazione degli algoritmi quantistici Monte Carlo con computer quantistici". prestampa di arXiv arXiv:2207.13776, 2022. https:///doi.org/10.48550/arXiv.2207.13776.
https:///doi.org/10.48550/arXiv.2207.13776
arXiv: 2207.13776

, Ankit Mahajan e Sandeep Sharma. Funzione d'onda di campo medio jastrow proiettata simmetrica in Monte Carlo variazionale. The Journal of Physical Chemistry A, 123 (17): 3911–3921, 2019. https:///doi.org/10.1021/acs.jpca.9b01583.
https:///doi.org/10.1021/acs.jpca.9b01583

, Alessandro Roggero, Abhishek Mukherjee, and Francesco Pederiva. Monte Carlo quantistico con funzioni d'onda a grappolo accoppiato. Physical Review B, 88 (11): 115138, 2013. https:///doi.org/10.1103/PhysRevB.88.115138.
https: / / doi.org/ 10.1103 / PhysRevB.88.115138

, Anders W Sandvik e Guifre Vidal. Simulazioni Monte Carlo quantistiche variazionali con stati di reti tensoriali. Lettere di revisione fisica, 99 (22): 220602, 2007. https:///doi.org/10.1103/PhysRevLett.99.220602.
https: / / doi.org/ 10.1103 / PhysRevLett.99.220602

, DFB Ten Haaf, HJM Van Bemmel, JMJ Van Leeuwen, W Van Saarloos e DM Ceperley. Prova di un limite superiore nel Monte Carlo a nodo fisso per fermioni reticolari. Physical Review B, 51 (19): 13039, 1995. https:///doi.org/10.1103/physrevb.51.13039.
https: / / doi.org/ 10.1103 / physrevb.51.13039

, Shiwei Zhang e Henry Krakauer. Metodo Monte Carlo quantistico che utilizza passeggiate casuali senza fasi con determinanti slater. Lettere di revisione fisica, 90 (13): 136401, 2003. https:///doi.org/10.1103/PhysRevLett.90.136401.
https: / / doi.org/ 10.1103 / PhysRevLett.90.136401

, Iliya Sabzevari e Sandeep Sharma. Miglioramento della velocità e del ridimensionamento nello spazio orbitale variazionale Monte Carlo. Journal of Chemical Theory and Computing, 14 (12): 6276–6286, 2018. https:///doi.org/10.1021/acs.jctc.8b00780.
https: / / doi.org/ 10.1021 / acs.jctc.8b00780

, Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, et al. Algoritmi quantistici variazionali. Nature Reviews Physics, 3 (9): 625–644, 2021b. https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9

, Panagiotis Kl Barkoutsos, Jerome F Gonthier, Igor Sokolov, Nikolaj Moll, Gian Salis, Andreas Fuhrer, Marc Ganzhorn, Daniel J Egger, Matthias Troyer, Antonio Mezzacapo, et al. Algoritmi quantistici per il calcolo della struttura elettronica: hamiltoniana di fori particellari ed espansioni ottimizzate di funzioni d'onda. Physical Review A, 98 (2): 022322, 2018. https:///doi.org/10.1103/PhysRevA.98.022322.
https: / / doi.org/ 10.1103 / PhysRevA.98.022322

, Hsin-Yuan Huang, Richard Kueng e John Preskill. Predire molte proprietà di un sistema quantistico da pochissime misurazioni. Nature Physics, 16 (10): 1050–1057, 2020. https:///doi.org/10.1038/s41567-020-0932-7.
https://doi.org/10.1038/s41567-020-0932-7

, Gilles Brassard, Peter Hoyer, Michele Mosca e Alain Tapp. Amplificazione e stima dell'ampiezza quantistica. Matematica contemporanea, 305: 53–74, 2002. https:///doi.org/10.1090/conm/305/05215.
https: / / doi.org/ 10.1090 / conm / 305 / 05215

, Artur K Ekert, Carolina Moura Alves, Daniel KL Oi, Michał Horodecki, Paweł Horodecki e Leong Chuan Kwek. Stime dirette di funzionali lineari e non lineari di uno stato quantistico. Lettere di revisione fisica, 88 (21): 217901, 2002. https:///doi.org/10.1103/PhysRevLett.88.217901.
https: / / doi.org/ 10.1103 / PhysRevLett.88.217901

, Sirui Lu, Mari Carmen Bañuls e J Ignacio Cirac. Algoritmi per la simulazione quantistica ad energie finite. PRX Quantum, 2 (2): 020321, 2021. https:///doi.org/10.1103/PRXQuantum.2.020321.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020321

, Thomas E O'Brien, Stefano Polla, Nicholas C Rubin, William J Huggins, Sam McArdle, Sergio Boixo, Jarrod R McClean e Ryan Babbush. Mitigazione degli errori tramite stima della fase verificata. PRX Quantum, 2 (2): 020317, 2021. https:///doi.org/10.1103/PRXQuantum.2.020317.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020317

, Ian D Kivlichan, Jarrod McClean, Nathan Wiebe, Craig Gidney, Alán Aspuru-Guzik, Garnet Kin-Lic Chan e Ryan Babbush. Simulazione quantistica della struttura elettronica con profondità lineare e connettività. Lettere di revisione fisica, 120 (11): 110501, 2018. https:///doi.org/10.1103/PhysRevLett.120.110501.
https: / / doi.org/ 10.1103 / PhysRevLett.120.110501

, Arne L. Grimsmo, Joshua Combes e Ben Q. Baragiola. Calcolo quantistico con codici bosonici rotazionali simmetrici. Fis. Rev. X, 10: 011058, marzo 2020. https:///doi.org/10.1103/PhysRevX.10.011058.
https: / / doi.org/ 10.1103 / PhysRevX.10.011058

, Zhenyu Cai. Mitigazione dell'errore quantistico mediante espansione della simmetria. Quantum, 5: 548, 2021. https:///doi.org/10.22331/q-2021-09-21-548.
https://doi.org/10.22331/q-2021-09-21-548

, Taisuke Ozaki. O (n) metodo del sottospazio krylov per calcoli di strutture elettroniche ab initio su larga scala. Physical Review B, 74 (24): 245101, 2006. https:///doi.org/10.1103/PhysRevB.74.245101.
https: / / doi.org/ 10.1103 / PhysRevB.74.245101

, Ken M. Nakanishi, Kosuke Mitarai e Keisuke Fujii. Autorisolvitore quantistico variazionale per la ricerca nel sottospazio per stati eccitati. Physical Review Research, 1 (3): 033062, 2019. https:///doi.org/10.1103/PhysRevResearch.1.033062.
https: / / doi.org/ 10.1103 / PhysRevResearch.1.033062

, Kazuhiro Seki e Seiji Yunoki. Metodo della potenza quantistica mediante sovrapposizione di stati evoluti nel tempo. PRX Quantum, 2 (1): 010333, 2021. https:///doi.org/10.1103/PRXQuantum.2.010333.
https: / / doi.org/ 10.1103 / PRXQuantum.2.010333

, Cristian L Cortes e Stephen K Gray. Algoritmi subspaziali quantistici di Krylov per la stima dell'energia nello stato terrestre ed eccitato. Physical Review A, 105 (2): 022417, 2022. https:///doi.org/10.1103/PhysRevA.105.022417.
https: / / doi.org/ 10.1103 / PhysRevA.105.022417

, Rongxin Xia e Saber Kais. Ansatz di eigensolver quantistico variazionale singolo e doppio di cluster accoppiati a qubit per calcoli di strutture elettroniche. Scienza e tecnologia quantistica, 6 (1): 015001, 2020. https:///doi.org/10.1088/2058-9565/abbc74.
https:///doi.org/10.1088/2058-9565/abbc74

, Timo Felser, Simone Notarnicola, and Simone Montangero. Ansatz efficiente di reti tensoriali per problemi quantistici a molti corpi ad alta dimensione. Physical Review Letters, 126 (17): 170603, 2021. https:///doi.org/10.1103/PhysRevLett.126.170603.
https: / / doi.org/ 10.1103 / PhysRevLett.126.170603

, Michael R. Wall e Daniel Neuhauser. Estrazione, mediante filtraggio-diagonalizzazione, di autovalori quantistici generali o di frequenze di modo normale classico da un piccolo numero di residui o da un segmento di breve durata di un segnale. io. teoria e applicazione ad un modello di dinamica quantistica. The Journal of Chemical Physics, 102 (20): 8011–8022, 1995. https:///doi.org/10.1063/1.468999.
https: / / doi.org/ 10.1063 / 1.468999 mila

, Ethan N. Epperly, Lin Lin e Yuji Nakatsukasa. Una teoria della diagonalizzazione del sottospazio quantistico. SIAM Journal on Matrix Analysis and Applications, 43 (3): 1263–1290, 2022. https:///doi.org/10.1137/21M145954X.
https:///doi.org/10.1137/21M145954X

Citato da

[1] Jinzhao Sun, Suguru Endo, Huiping Lin, Patrick Hayden, Vlatko Vedral e Xiao Yuan, "Simulazione quantistica perturbativa", Lettere di revisione fisica 129 12, 120505 (2022).

[2] Shu Kanno, Hajime Nakamura, Takao Kobayashi, Shigeki Gocho, Miho Hatanaka, Naoki Yamamoto e Qi Gao, "Quantum computing quantum Monte Carlo con rete tensoriale ibrida verso calcoli di struttura elettronica di sistemi molecolari e solidi su larga scala", arXiv: 2303.18095, (2023).

[3] Yukun Zhang, Yifei Huang, Jinzhao Sun, Dingshun Lv e Xiao Yuan, "Quantum Computing Quantum Monte Carlo", arXiv: 2206.10431, (2022).

[4] Benchen Huang, Nan Sheng, Marco Govoni e Giulia Galli, “Quantum simulations of Fermionic Hamiltonians with efficient encoding and ansatz schemes”, arXiv: 2212.01912, (2022).

[5] Maximilian Amsler, Peter Deglmann, Matthias Degroote, Michael P. Kaicher, Matthew Kiser, Michael Kühn, Chandan Kumar, Andreas Maier, Georgy Samsonidze, Anna Schroeder, Michael Streif, Davide Vodola e Christopher Wever, “Quantum-enhanced quantum Monte Carlo: una visione industriale”, arXiv: 2301.11838, (2023).

[6] Yongdan Yang, Ying Li, Xiaosi Xu e Xiao Yuan, "Un algoritmo ibrido quantistico-classico efficiente in termini di risorse per la valutazione del gap energetico", arXiv: 2305.07382, (2023).

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-08-06 02:04:18). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

On Il servizio citato da Crossref non sono stati trovati dati su citazioni (ultimo tentativo 2023-08-06 02:04:17).

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. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
Fonte: https://quantum-journal.org/papers/q-2023-08-03-1072/

Timestamp: 3 Agosto 2023

Timestamp: Novembre 7, 2023

Ripubblicato da Platone

Algoritmo quantistico per la stima dell'energia dello stato fondamentale utilizzando la profondità del circuito con dipendenza esponenzialmente migliorata dalla precisione

Metodo robusto del punto interno per il calcolo della velocità di distribuzione delle chiavi quantistiche

Rapporti di ampiezza e stati quantici delle reti neurali

Abstraqt: analisi dei circuiti quantistici tramite la simulazione dello stabilizzatore astratto

Quando arriva una particella?

Apprendimento hamiltoniano robusto ed efficiente

Crittografia composibilmente sicura indipendente dal dispositivo con eliminazione certificata

Verso la gravità quantistica in laboratorio sui processori quantistici

Modello di controllo predittivo per una solida preparazione dello stato quantistico

L'interruttore quantistico è definito unicamente dalla sua azione sulle operazioni unitarie

Chi siamo

Ricerca verticale e Ai

Piattaforma

Rimani in contatto

Il mio account