단열 양자 컴퓨팅에서 갭 진화를 예측하는 심층 순환 네트워크

단열 양자 컴퓨팅에서 갭 진화를 예측하는 심층 순환 네트워크

타임 스탬프 : 12 년 2023 월 7 일 12:XNUMX AM
소스 노드 : 2721179

나이메 모세니1,2, 카를로스 나바레테-벤로크3,4,1, 팀 번즈5,6,7,8,9, 플로리안 마르콰르트1,2

1Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 에를랑겐, 독일
2Erlangen-Nuremberg, Staudtstr.의 물리학과 5, 91058 에를랑겐, 독일
3Wilczek 양자 센터, 물리학 및 천문학부, Shanghai Jiao Tong University, Shanghai 200240, 중국
4상하이 양자 과학 연구 센터, 상하이 201315, 중국
5뉴욕 대학교 상하이, 1555 Century Ave, Pudong, Shanghai 200122, 중국
6State Key Laboratory of Precision Spectroscopy, School of Physical and Material Sciences, East China Normal University, Shanghai 200062, China
7NYU Shanghai, 3663 Zhongshan Road North, Shanghai 200062, 중국의 NYU-ECNU 물리학 연구소
8양자 및 토폴로지 시스템 센터(CQTS), NYUAD 연구소, 뉴욕 대학교 아부다비, UAE
9New York University, New York, NY 10003, 미국 물리학과

이 논문이 흥미 롭거나 토론하고 싶습니까? SciRate에 댓글을 달거나 댓글 남기기.

추상

단열 양자 컴퓨팅에서 단열 스윕 동안 변화된 매개변수의 함수로서 해밀토니안의 갭의 의존성을 찾는 것은 계산 속도를 최적화하기 위해 매우 중요합니다. 이 과제에서 영감을 받아 이 작업에서 우리는 문제 Hamiltonian을 완전히 식별하는 매개 변수에서 앞서 언급한 다른 네트워크 아키텍처를 적용하는 간격의 매개 변수 의존성에 대한 매핑을 발견하기 위한 딥 러닝의 잠재력을 탐구합니다. 이 예제를 통해 우리는 이러한 문제의 학습 가능성에 대한 제한 요소가 입력의 크기, 즉 시스템 크기로 해밀토니안 척도를 식별하는 데 필요한 매개 변수의 수라고 추측합니다. 매개변수 공간이 시스템 크기에 따라 선형적으로 확장될 때 장단기 메모리 네트워크가 간격을 예측하는 데 성공함을 보여줍니다. 놀랍게도, 우리는 이 아키텍처가 모델의 공간 구조를 처리하기 위해 컨볼루션 신경망과 결합되면 훈련 중에 신경망에서 볼 수 있는 것보다 더 큰 시스템 크기에 대한 간격 진화를 예측할 수도 있음을 보여줍니다. 이것은 차이를 계산할 때 기존의 정확하고 근사한 알고리즘과 비교하여 상당한 속도 향상을 제공합니다.

주요 이미지: 신경망은 클래식 컴퓨터 또는 양자 컴퓨터에서 생성된 데이터를 관찰하여 파라메트릭 격차를 학습합니다.

인기 요약

단열 양자 컴퓨팅 분야에서 최적의 계산 속도를 달성하기 위한 한 가지 핵심 측면은 해밀토니안의 간격이 단열 스윕 동안 다양한 매개변수에 어떻게 의존하는지 이해하는 것입니다. 이 도전에 동기를 부여받은 우리의 논문은 문제 해밀턴 매개변수와 간격의 매개변수 의존성 사이의 매핑을 발견하기 위해 딥 러닝 기술의 잠재력을 조사하는 데 착수합니다. 다양한 네트워크 아키텍처를 사용하여 이러한 문제의 학습 가능성 한계를 조사합니다. 우리의 조사는 시스템 크기와 관련하여 해밀토니안을 식별하는 데 필요한 매개변수 수의 확장성이 이러한 문제의 학습 가능성에 중요한 역할을 한다는 것을 시사합니다.

놀랍게도 우리는 매개변수 공간이 시스템 크기에 따라 선형적으로 확장된다는 점을 고려할 때 훈련된 신경망이 작은 시스템 크기에 대한 간격을 관찰하도록 함으로써 큰 ​​시스템 크기에 대한 단열 스윕 동안 전체 간격 진화를 예측하는 데 성공했음을 보여줍니다. 우리의 연구는 비균질 다체 시스템의 단열 역학을 예측하고 신경망이 훈련된 것 이상으로 역학을 외삽할 수 있는 가능성을 예측하는 소위 컨볼루션 순환 네트워크의 가능성을 더합니다.

► BibTeX 데이터

► 참고 문헌

[1] Dorit Aharonov와 Amnon Ta-Shma. 단열 양자 상태 생성 및 통계적 제로 지식. 컴퓨팅 이론에 관한 제20회 연례 ACM 심포지엄 절차, 29-2003페이지, 10.1145. 780542.780546/ XNUMX.
https : / /doi.org/ 10.1145 / 780542.780546

[2] Mahabubul Alam, Abdullah Ash-Saki 및 Swaroop Ghosh. 기계 학습을 사용하여 양자 근사 최적화 알고리즘을 가속화합니다. 2020년 유럽 컨퍼런스 및 전시회(DATE)의 설계, 자동화 및 테스트, 686–689페이지. IEEE, 2020. 10.5555/ 3408352.3408509.
https : / /doi.org/ 10.5555 / 3408352.3408509

[3] Tameem Albash와 Daniel A Lidar. 시뮬레이션 어닐링에 비해 양자 어닐러의 스케일링 이점 입증. 물리적 검토 X, 8 (3): 031016, 2018. 10.1103/PhysRevX.8.031016.
https : / /doi.org/10.1103/ PhysRevX.8.031016

[4] Boris Altshuler, Hari Krovi, Jérémie Roland. 앤더슨 현지화로 인해 단열 양자 최적화가 실패합니다. 국립 과학 아카데미 회보, 107 (28): 12446–12450, 2010. 10.1073/pnas.1002116107.
https : / /doi.org/ 10.1073 / pnas.1002116107

[5] MHS Amin과 V Choi. 단열 양자 계산에서 80차 양자 위상 전이. 물리적 검토 A, 6(062326): 2009, 10.1103. 80.062326/PhysRevA.XNUMX.
https : / /doi.org/10.1103/ PhysRevA.80.062326

[6] Matthew JS Beach, Anna Golubeva 및 Roger G Melko. kosterlitz-thouless 전환에서 기계 학습 소용돌이. 물리적 검토 B, 97(4): 045207, 2018. 10.1103/PhysRevB.97.045207.
https : / /doi.org/10.1103/ PhysRevB.97.045207

[7] 줄리오 비롤리, 시모나 코코, 레미 모나손. 컴퓨터 과학의 상전이와 복잡성: 무작위 만족 가능성 문제에 대한 통계 물리학 접근 방식의 개요. Physica A: Statistical Mechanics and its Applications, 306: 381–394, 2002. 10.1016/S0378-4371(02)00516-2.
https:/​/​doi.org/​10.1016/​S0378-4371(02)00516-2

[8] Alex Blania, Sandro Herbig, Fabian Dechent, Evert van Nieuwenburg, Florian Marquardt. 비균질 상관 양자 시스템에서 공간 밀도의 딥 러닝. arXiv 프리프린트 arXiv:2211.09050, 2022. 10.48550/ arXiv.2211.09050.
https://​/​doi.org/​10.48550/​arXiv.2211.09050
arXiv : 2211.09050

[9] Troels Arnfred Bojesen. 정책 기반 몬테 카를로: 강화 학습 마르코프 체인 역학. 물리적 검토 E, 98 (6): 063303, 2018. 10.1103/ PhysRevE.98.063303.
https : / /doi.org/10.1103/ PhysRevE.98.063303

[10] Marin Bukov, Alexandre GR Day, Dries Sels, Phillip Weinberg, Anatoli Polkovnikov, Pankaj Mehta. 양자 제어의 여러 단계에서 강화 학습. 물리학 X, 8: 031086, 2018년 10.1103월. 8.031086/PhysRevX.XNUMX.
https : / /doi.org/10.1103/ PhysRevX.8.031086

[11] 주세페 칼레오와 마티아스 트로이어. 인공 신경망으로 양자 다체 문제를 해결합니다. Science, 355 (6325): 602–606, 2017. 10.1126/ science.aag2302.
https : / / doi.org/ 10.1126 / science.aag2302

[12] 후안 카라스퀼라와 로저 G 멜코. 물질의 기계 학습 단계. 자연 물리학, 13(5): 431–434, 2017. 10.1038/ nphys4035.
https : / /doi.org/ 10.1038 / nphys4035

[13] 후안 카라스퀼라와 지아코모 토를라이. 양자 다체 물리학의 신경망: 실습 자습서. arXiv 프리프린트 arXiv:2101.11099, 2021. 10.48550/ arXiv.2101.11099.
https://​/​doi.org/​10.48550/​arXiv.2101.11099
arXiv : 2101.11099

[14] François Chollet et al. 케라스. https://keras.io, 2015.
https://​/​keras.io

[15] Edward Farhi, Jeffrey Goldstone, Sam Gutmann, Michael Sipser. 단열 진화에 의한 양자 계산. arXiv 프리프린트 quant-ph/ 0001106, 2000. 10.48550/ arXiv.quant-ph/ 0001106.
https://​/​doi.org/​10.48550/​arXiv.quant-ph/​0001106
arXiv : 퀀트 -PH / 0001106

[16] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami, Yuya O. Nakagawa. Deep Variational Quantum Eigensolver: 더 작은 크기의 양자 컴퓨터로 더 큰 문제를 해결하기 위한 분할 정복 방법입니다. PRX Quantum, 3: 010346, 2022년 10.1103월. 3.010346/PRXQuantum.XNUMX.
https : / / doi.org/ 10.1103 / PRXQuantum.3.010346

[17] Ivan Glasser, Nicola Pancotti, Moritz August, Ivan D. Rodriguez, J. Ignacio Cirac. 신경망 양자 상태, 끈 결합 상태 및 키랄 토폴로지 상태. 물리학 X, 8: 011006, 2018년 10.1103월. 8.011006/PhysRevX.XNUMX.
https : / /doi.org/10.1103/ PhysRevX.8.011006

[18] 이안 굿펠로우, 요슈아 벤지오, 아론 쿠르빌. 딥 러닝. MIT Press, 2016. URL http:/ / www.deeplearningbook.org.
http : / / www.deeplearningbook.org

[19] 알렉스 그레이브스, 압델-라만 모하메드, 제프리 힌튼. 심층 순환 신경망을 사용한 음성 인식. 2013년 음향, 음성 및 신호 처리에 관한 IEEE 국제 회의, 6645-6649페이지. 예, 2013. 10.1109/ICASSP.2013.6638947.
https:// / doi.org/ 10.1109/ ICASSP.2013.6638947

[20] 지안 자코모 게레스키. 분할 정복 및 양자 알고리즘을 사용하여 2101.07813차 제약 조건이 없는 이진 최적화를 해결합니다. arXiv 프리프린트 arXiv:2021, 10.48550. 2101.07813/ arXiv.XNUMX.
https://​/​doi.org/​10.48550/​arXiv.2101.07813
arXiv : 2101.07813

[21] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele 및 Procolo Lucignano. 무작위 생성 모델에 대한 딥 러닝 최적의 양자 어닐링 일정. arXiv 프리프린트 arXiv:2211.15209, 2022. 10.48550/ arXiv.2211.15209.
https://​/​doi.org/​10.48550/​arXiv.2211.15209
arXiv : 2211.15209

[22] S Hochreiter와 J Schmidhuber. 장기 단기 기억 신경 계산. 10.1162/neco.1997.9.8.1735.
https : / /doi.org/ 10.1162 / neco.1997.9.8.1735

[23] Hsin-Yuan Huang, Richard Kueng, John Preskill. 기계 학습의 양자 이점에 대한 정보 이론적 한계. 물리학 Lett., 126: 190505, 2021년 10.1103월a. 126.190505/PhysRevLett.XNUMX.
https : / /doi.org/10.1103/ PhysRevLett.126.190505

[24] Hsin-Yuan Huang, Richard Kueng, Giacomo Torlai, Victor V Albert, John Preskill. 양자 다체 문제에 대한 입증 가능한 효율적인 머신 러닝. 과학, 2021b. 10.1126/science.abk3333.
https://doi.org/10.1126/science.abk3333

[25] 리 황과 레이 왕. 제한된 Boltzmann 기계로 가속화된 몬테카를로 시뮬레이션. 물리학 B, 95: 035105, 2017년 10.1103월. 95.035105/PhysRevB.XNUMX.
https : / /doi.org/10.1103/ PhysRevB.95.035105

[26] Marko Žnidarič 및 Martin Horvat. np-완전 문제에 대한 단열 알고리즘의 기하급수적 복잡성. 물리학 A, 73: 022329, 2006년 10.1103월. 73.022329/PhysRevA.XNUMX.
https : / /doi.org/10.1103/ PhysRevA.73.022329

[27] J 로버트 요한슨, 폴 D 네이션, 프랑코 노리. Qutip: 개방형 양자 시스템의 역학을 위한 오픈 소스 Python 프레임워크입니다. Computer Physics Communications, 183 (8): 1760–1772, 2012. 10.48550/ arXiv.1110.0573.
https://​/​doi.org/​10.48550/​arXiv.1110.0573

[28] 볼프강 레흐너, 필립 하우케, 피터 졸러. 로컬 상호 작용에서 모두 연결되는 양자 어닐링 아키텍처. 과학 발전, 1 (9): e1500838, 2015. 10.1126/sciadv.1500838.
https : / /doi.org/10.1126/sciadv.1500838

[29] 얀 르쿤, 요슈아 벤지오, 제프리 힌튼. 다중 q-러닝으로 심층 강화 학습을 탐색합니다. 자연, 521 (7553): 436–444, 2015. 10.1038/nature14539.
https : / /doi.org/ 10.1038 / nature14539

[30] 다니엘 A 라이다, 알리 T 레자카니, 알리오시아 함마. 다체 시스템 및 양자 계산을 위한 지수 정확도의 단열 근사. 수학 물리학 저널, 50 (10): 102106, 2009. 10.1063/1.3236685.
https : / /doi.org/ 10.1063 / 1.3236685

[31] 마츠자키 유이치로, 하코시마 히데아키, 스기사키 겐지, 세키 유야, 가와바타 시로. 양자 어닐링으로 바닥 상태와 여기 상태 사이의 에너지 갭을 직접 추정합니다. 일본 응용 물리학 저널, 60(SB): SBBI02, 2021. 10.1088/ 0305-4470/ 15/ 10/ 028.
https:/​/​doi.org/​10.1088/​0305-4470/​15/​10/​028

[32] 마티야 메드비도비치와 주세페 칼레오. 양자 근사 최적화 알고리즘의 고전적인 변이 시뮬레이션. npj 양자 정보, 7 (1): 1–7, 2021. 10.1038/s41534-021-00440-z.
https : / /doi.org/ 10.1038 / s41534-021-00440-z

[33] Tomáš Mikolov, Martin Karafiát, Lukáš Burget, Jan Černockỳ, Sanjeev Khudanpur. 반복 신경망 기반 언어 모델. 2010. 10.21437/Interspeech.2010-343.
https://doi.org/10.21437/Interspeech.2010-343

[34] Naeimeh Mohseni, Marek Narozniak, Alexey N Pyrkov, Valentin Ivannikov, Jonathan P Dowling, Tim Byrnes. 큐비트 앙상블을 사용한 단열 양자 컴퓨팅의 오류 억제. npj Quantum Information, 7 (1): 1–10, 2021. doi.org/ 10.1038/ s41534-021-00405-2.
https:/​/​doi.org/​10.1038/​s41534-021-00405-2

[35] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch, Florian Marquardt. 무작위 운전을 통한 양자 다체 동역학의 심층 학습. 양자, 6: 714, 2022a. 10.22331/q-2022-05-17-714.
https:/​/​doi.org/​10.22331/​q-2022-05-17-714

[36] Naeimeh Mohseni, Peter L McMahon, Tim Byrnes. 조합 최적화 문제의 하드웨어 해결사인 아이싱 머신. Nature Reviews Physics, 4(6): 363–379, 2022b. 10.1038/s42254-022-00440-8.
https:/​/​doi.org/​10.1038/​s42254-022-00440-8

[37] Naeimeh Mohseni, Junheng Shi, Tim Byrnes 및 Michael Hartmann. 다체 관찰 가능 항목에 대한 딥 러닝 및 양자 정보 스크램블링. arXiv 프리프린트 arXiv:2302.04621, 2023. 10.48550/ arXiv.2302.04621.
https://​/​doi.org/​10.48550/​arXiv.2302.04621
arXiv : 2302.04621

[38] 마이클 A. 닐슨. 신경망 및 딥 러닝, 2018년. 결정 보도 샌프란시스코, 캘리포니아, 2015년.

[39] Murphy Yuezhen Niu, Andrew M Dai, Li Li, Augustus Odena, Zhengli Zhao, Vadim Smelyanskyi, Hartmut Neven 및 Sergio Boixo. 양자 샘플의 학습 가능성 및 복잡성. arXiv 프리프린트 arXiv:2010.11983, 2020. 10.48550/ arXiv.2010.11983.
https://​/​doi.org/​10.48550/​arXiv.2010.11983
arXiv : 2010.11983

[40] Asier Ozaeta, Wim van Dam, Peter L McMahon. 문제에 대한 단층 양자 근사 최적화 알고리즘의 기대값. Quantum Science and Technology, 7(4): 045036, 2022. 10.1088/ 2058-9565/ ac9013.
https : / / doi.org/ 10.1088 / 2058-9565 / ac9013

[41] 보리스 피텔, 조엘 스펜서, 니콜라스 워멀드. 무작위 그래프에서 거대한 k-코어의 갑작스런 출현. 조합 이론 저널, 시리즈 B, 67 (1): 111–151, 1996. 10.1006/jctb.1996.0036.
https : / /doi.org/ 10.1006 / jctb.1996.0036

[42] 제레미 롤랜드와 니콜라스 J 서프. 국소 단열 진화에 의한 양자 탐색. Physical Review A, 65(4): 042308, 2002. 10.1103/ PhysRevA.65.042308.
https : / /doi.org/10.1103/ PhysRevA.65.042308

[43] AE Russo, KM Rudinger, BCA Morrison 및 AD Baczewski. 강력한 위상 추정을 통해 양자 컴퓨터에서 에너지 차이를 평가합니다. 물리학 Lett., 126: 210501, 2021년 10.1103월. 126.210501/PhysRevLett.XNUMX.
https : / /doi.org/10.1103/ PhysRevLett.126.210501

[44] Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale 및 Martin Suchara. 조합 최적화 및 분산 컴퓨팅을 위한 양자 분할 및 정복. arXiv 프리프린트 arXiv:2107.07532, 2021. 10.48550/ arXiv.2107.07532.
https://​/​doi.org/​10.48550/​arXiv.2107.07532
arXiv : 2107.07532

[45] N. 사라세니, S. 칸토리, S. 필라티. 무질서한 양자 시스템의 효율적인 학습을 위한 확장 가능한 신경망. 물리학 E, 102: 033301, 2020년 10.1103월. 102.033301/ PhysRevE.XNUMX.
https : / /doi.org/10.1103/ PhysRevE.102.033301

[46] 게르노트 샬러. 양자 상 전이가 없는 단열 준비. 물리학 A, 78: 032328, 2008년 10.1103월. 78.032328/PhysRevA.XNUMX.
https : / /doi.org/10.1103/ PhysRevA.78.032328

[47] 마커스 슈미트와 마커스 헤일. 인공 신경망을 사용하여 125차원의 양자 다체 동역학. 물리학 Lett., 100503: 2020, 10.1103년 125.100503월. XNUMX/PhysRevLett.XNUMX.
https : / /doi.org/10.1103/ PhysRevLett.125.100503

[48] 랄프 슈츠홀트. 동적 양자 위상 전이. 저온 물리학 저널, 153(5-6): 228–243, 2008. 10.1007/s10909-008-9831-5.
https:/​/​doi.org/​10.1007/​s10909-008-9831-5

[49] Xingjian SHI, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong, Wang-chun WOO. Convolutional lstm 네트워크: 강수량 예측을 위한 기계 학습 접근 방식입니다. In C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, and R. Garnett, 편집자, 신경 정보 처리 시스템의 발전, 28권. Curran Associates, Inc., 2015. URL https:/ / 절차 .neurips.cc/paper_files/paper/2015/file/07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf.
https:/​/​proceedings.neurips.cc/​paper_files/​paper/​2015/​file/​07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf

[50] Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko 및 Giuseppe Carleo. 신경망 양자 상태 단층 촬영. Nature Physics, 14 (5) : 447–450, 2018. 10.1038 / s41567-018-0048-5.
https:/​/​doi.org/​10.1038/​s41567-018-0048-5

[51] Evert PL Van Nieuwenburg, Ye-Hua Liu, Sebastian D Huber. 혼란에 의한 학습 상전이. 자연 물리학, 13(5): 435–439, 2017. 10.1038/ nphys4037.
https : / /doi.org/ 10.1038 / nphys4037

[52] 필리포 비센티니. 양자 다체 물리학을 위한 기계 학습 도구 상자. Nature Reviews Physics, 3 (3): 156–156, 2021. 10.1038/s42254-021-00285-7.
https:/​/​doi.org/​10.1038/​s42254-021-00285-7

[53] 레이 왕. 비지도 학습으로 상전이를 발견합니다. 물리학 B, 94: 195105, 2016년 10.1103월. 94.195105/ PhysRevB.XNUMX.
https : / /doi.org/10.1103/ PhysRevB.94.195105

[54] Sebastian J Wetzel. 상전이의 비지도 학습: 주성분 분석에서 변형 자동 인코더로. 물리적 검토 E, 96(2): 022140, 2017. 10.1103/PhysRevE.96.022140.
https : / /doi.org/10.1103/ PhysRevE.96.022140

[55] SHI Xingjian, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-Kin Wong, Wang-chun Woo. Convolutional lstm 네트워크: 강수량 예측을 위한 기계 학습 접근 방식입니다. 신경 정보 처리 시스템의 발전, 페이지 802–810, 2015. URL https:/ / proceedings.neurips.cc/ paper_files/ paper/ 2015/ file/ 07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf.
https:/​/​proceedings.neurips.cc/​paper_files/​paper/​2015/​file/​07563a3fe3bbe7e3ba84431ad9d055af-Paper.pdf

[56] AP Young, S. Knysh, VN Smelyanskiy. 양자 단열 알고리즘에서 최소 여기 간격의 크기 의존성. 물리학 Lett., 101: 170503, 2008년 10.1103월. 101.170503/PhysRevLett.XNUMX.
https : / /doi.org/10.1103/ PhysRevLett.101.170503

인용

[1] Naeimeh Mohseni, Peter L. McMahon, Tim Byrnes, "조합 최적화 문제의 하드웨어 해결사로서의 아이싱 머신", 네이처 리뷰 물리학 4 6, 363 (2022).

[2] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch 및 Florian Marquardt, "무작위 구동을 통한 양자 다물체 역학의 심층 학습", 퀀텀 6, 714 (2022).

[3] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele 및 Procolo Lucignano, "랜덤 Ising 모델에 대한 딥 러닝 최적의 양자 어닐링 일정", arXiv : 2211.15209, (2022).

[4] Alexander Gresch, Lennart Bittel 및 Martin Kliesch, "양자 데이터를 통한 다체 위치 파악에 대한 확장 가능한 접근 방식", arXiv : 2202.08853, (2022).

[5] Naeimeh Mohseni, Junheng Shi, Tim Byrnes 및 Michael Hartmann, "다체 관찰 가능 항목 및 양자 정보 스크램블링에 대한 딥 러닝", arXiv : 2302.04621, (2023).

위의 인용은 SAO / NASA ADS (마지막으로 성공적으로 업데이트 됨 2023-06-13 23:27:02). 모든 출판사가 적절하고 완전한 인용 데이터를 제공하지는 않기 때문에 목록이 불완전 할 수 있습니다.

On Crossref의 인용 서비스 인용 작품에 대한 데이터가 없습니다 (최종 시도 2023-06-13 23:27:01).

이 백서는 Quantum에서 Creative Commons Attribution 4.0 International(CC BY 4.0) 특허. 저작권은 저자 또는 기관과 같은 원래 저작권 보유자에게 있습니다.

타임 스탬프 :

더보기 양자 저널