Rețele recurente profunde care prezic evoluția decalajului în calculul cuantic adiabatic

Republicat de Platon

Urmaritori: 0

Naeimeh Mohseni^1,2, Carlos Navarrete-Benlloch^3,4,1, Tim Byrnes^5,6,7,8,9, și Florian Marquardt^1,2

¹Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 Erlangen, Germania
²Departamentul de Fizică, Universitatea din Erlangen-Nürnberg, Staudtstr. 5, 91058 Erlangen, Germania
³Wilczek Quantum Center, Școala de Fizică și Astronomie, Universitatea Jiao Tong din Shanghai, Shanghai 200240, China
⁴Shanghai Research Center for Quantum Sciences, Shanghai 201315, China
⁵Universitatea din New York Shanghai, 1555 Century Ave, Pudong, Shanghai 200122, China
⁶Laboratorul cheie de stat de spectroscopie de precizie, Școala de științe fizice și materiale, Universitatea Normală din China de Est, Shanghai 200062, China
⁷Institutul de Fizică NYU-ECNU de la NYU Shanghai, 3663 Zhongshan Road North, Shanghai 200062, China
⁸Centrul pentru Sisteme Cuantice și Topologice (CQTS), Institutul de Cercetare NYUAD, Universitatea New York Abu Dhabi, Emiratele Arabe Unite
⁹Departamentul de Fizică, Universitatea din New York, New York, NY 10003, SUA

Găsiți această lucrare interesant sau doriți să discutați? Scite sau lasă un comentariu la SciRate.

Abstract

În calculul cuantic adiabatic, găsirea dependenței decalajului hamiltonianului în funcție de parametrul variat în timpul baleiajului adiabatic este crucială pentru a optimiza viteza de calcul. Inspirați de această provocare, în această lucrare explorăm potențialul învățării profunde pentru a descoperi o mapare din parametrii care identifică pe deplin o problemă hamiltoniană la dependența parametrică menționată mai sus a decalajului aplicând diferite arhitecturi de rețea. Prin acest exemplu, presupunem că un factor limitativ pentru capacitatea de învățare a unor astfel de probleme este dimensiunea intrării, adică modul în care numărul de parametri necesari pentru a identifica scalele hamiltoniene cu dimensiunea sistemului. Arătăm că o rețea de memorie pe termen lung reușește să prezică decalajul atunci când spațiul parametrilor se scalează liniar cu dimensiunea sistemului. În mod remarcabil, arătăm că odată ce această arhitectură este combinată cu o rețea neuronală convoluțională pentru a face față structurii spațiale a modelului, evoluția decalajului poate fi prezisă chiar și pentru dimensiunile sistemului mai mari decât cele văzute de rețeaua neuronală în timpul antrenamentului. Acest lucru oferă o accelerare semnificativă în comparație cu algoritmii existenți exacti și aproximativi în calcularea decalajului.

Imagine prezentată: O rețea neuronală învață decalajul parametric observând datele generate de un computer clasic sau de un computer cuantic.

Rezumat popular

În domeniul calculului cuantic adiabatic, un aspect cheie pentru atingerea vitezei optime de calcul este înțelegerea modului în care decalajul hamiltonianului depinde de parametrii variați în timpul măturii adiabatice. Motivat de această provocare, lucrarea noastră se angajează în investigarea potențialului tehnicilor de învățare profundă pentru a descoperi o mapare între parametrii hamiltonieni ai problemei și dependența parametrică a decalajului. Prin folosirea diferitelor arhitecturi de rețea, investigăm limitele de învățare ale unor astfel de probleme. Investigația noastră sugerează că scalabilitatea numărului de parametri necesari pentru identificarea hamiltonianului în raport cu dimensiunea sistemului joacă un rol critic în capacitatea de învățare a unor astfel de probleme.

În mod remarcabil, arătăm că o rețea neuronală antrenată reușește să prezică evoluția completă a decalajului în timpul unei mături adiabatice pentru dimensiuni mari de sistem doar prin faptul că acesta observă decalajul pentru dimensiunile mici ale sistemului, având în vedere că spațiul parametrilor se scarifică liniar cu dimensiunea sistemului. Studiul nostru se adaugă la promisiunea așa-numitelor rețele recurente convoluționale în prezicerea dinamicii adiabatice a sistemelor neomogene cu mai multe corpuri și potențialul lor de extrapolare a dinamicii dincolo de ceea ce este antrenată rețeaua neuronală.

► Date BibTeX

@article{Mohseni2023deeprecurrent, doi = {10.22331/q-2023-06-12-1039}, url = {https://doi.org/10.22331/q-2023-06-12-1039}, title = {Deep recurrent networks predicting the gap evolution in adiabatic quantum computing}, author = {Mohseni, Naeimeh and Navarrete-Benlloch, Carlos and Byrnes, Tim and Marquardt, Florian}, journal = {{Quantum}}, issn = {2521-327X}, publisher = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {7}, pages = {1039}, month = jun, year = {2023}<br /> }

► Referințe

[1] Dorit Aharov și Amnon Ta-Șma. Generarea de stări cuantice adiabatice și cunoașterea zero statistică. În Proceedings of the20th annual ACM symposium on Theory of computing, paginile 29–2003, 10.1145. 780542.780546/XNUMX.
https: / / doi.org/ 10.1145 / 780542.780546

[2] Mahabubul Alam, Abdullah Ash-Saki și Swaroop Ghosh. Accelerarea algoritmului de optimizare cuantică aproximativă folosind învățarea automată. În 2020 Design, Automation & Test in Europe Conference & Exhibition (DATE), paginile 686–689. IEEE, 2020. 10.5555/3408352.3408509.
https: / / doi.org/ 10.5555 / 3408352.3408509

[3] Tameem Albash și Daniel A Lidar. Demonstrarea unui avantaj de scalare pentru un recoacer cuantic față de recoacere simulată. Physical Review X, 8 (3): 031016, 2018. 10.1103/PhysRevX.8.031016.
https: / / doi.org/ 10.1103 / PhysRevX.8.031016

[4] Boris Altshuler, Hari Krovi și Jérémie Roland. Localizarea Anderson face ca optimizarea cuantică adiabatică să eșueze. Proceedings of the National Academy of Sciences, 107 (28): 12446–12450, 2010. 10.1073/pnas.1002116107.
https: / / doi.org/ 10.1073 / pnas.1002116107

[5] MHS Amin și V Choi. Tranziția de fază cuantică de ordinul întâi în calculul cuantic adiabatic. Physical Review A, 80 (6): 062326, 2009. 10.1103/PhysRevA.80.062326.
https: / / doi.org/ 10.1103 / PhysRevA.80.062326

[6] Matthew JS Beach, Anna Golubeva și Roger G Melko. Învățare automată se vârtejește la tranziția de la Kosterlitz. Physical Review B, 97 (4): 045207, 2018. 10.1103/PhysRevB.97.045207.
https: / / doi.org/ 10.1103 / PhysRevB.97.045207

[7] Giulio Biroli, Simona Cocco și Rémi Monasson. Tranziții de fază și complexitate în informatică: o privire de ansamblu asupra abordării fizicii statistice a problemei de satisfacție aleatorie. 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 și Florian Marquardt. Învățare profundă a densităților spațiale în sisteme cuantice corelate neomogene. arXiv preprint arXiv:2211.09050, 2022. 10.48550/arXiv.2211.09050.
https:///doi.org/10.48550/arXiv.2211.09050
arXiv: 2211.09050

[9] Troels Arnfred Bojesen. Monte Carlo ghidat de politici: dinamica lanțului markov de întărire-învățare. Physical Review 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 și Pankaj Mehta. Învățare prin consolidare în diferite faze ale controlului cuantic. Fiz. Rev. X, 8: 031086, septembrie 2018. 10.1103/PhysRevX.8.031086.
https: / / doi.org/ 10.1103 / PhysRevX.8.031086

[11] Giuseppe Carleo și Matthias Troyer. Rezolvarea problemei cuantice a mai multor corpuri cu rețele neuronale artificiale. Science, 355 (6325): 602–606, 2017. 10.1126/science.aag2302.
https:///doi.org/10.1126/science.aag2302

[12] Juan Carrasquilla și Roger G Melko. Fazele de învățare automată a materiei. Nature Physics, 13 (5): 431–434, 2017. 10.1038/nphys4035.
https: / / doi.org/ 10.1038 / nphys4035

[13] Juan Carrasquilla și Giacomo Torlai. Rețele neuronale în fizica cuantică a mai multor corpuri: un tutorial practic. arXiv preprint arXiv:2101.11099, 2021. 10.48550/arXiv.2101.11099.
https:///doi.org/10.48550/arXiv.2101.11099
arXiv: 2101.11099

[14] François Chollet și colab. Keras. https:///keras.io, 2015.
https:///keras.io

[15] Edward Farhi, Jeffrey Goldstone, Sam Gutmann și Michael Sipser. Calcul cuantic prin evoluție adiabatică. arXiv preprint quant-ph/0001106, 2000. 10.48550/arXiv.quant-ph/0001106.
https:///doi.org/10.48550/arXiv.quant-ph/0001106
arXiv: Quant-ph / 0001106

[16] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami și Yuya O. Nakagawa. Soluție proprie cuantică variațională profundă: o metodă de împărțire și cucerire pentru rezolvarea unei probleme mai mari cu calculatoare cuantice de dimensiuni mai mici. PRX Quantum, 3: 010346, martie 2022. 10.1103/PRXQuantum.3.010346.
https: / / doi.org/ 10.1103 / PRXQuantum.3.010346

[17] Ivan Glasser, Nicola Pancotti, Moritz August, Ivan D. Rodriguez și J. Ignacio Cirac. Stări cuantice ale rețelei neuronale, stări ale legăturilor șirurilor și stări topologice chirale. Fiz. Rev. X, 8: 011006, ianuarie 2018. 10.1103/PhysRevX.8.011006.
https: / / doi.org/ 10.1103 / PhysRevX.8.011006

[18] Ian Goodfellow, Yoshua Bengio și Aaron Courville. Invatare profunda. MIT Press, 2016. URL http:///www.deeplearningbook.org.
http: / / www.deeplearningbook.org

[19] Alex Graves, Abdel-rahman Mohamed și Geoffrey Hinton. Recunoașterea vorbirii cu rețele neuronale recurente profunde. În 2013, conferința internațională IEEE privind acustică, vorbire și procesare a semnalului, paginile 6645–6649. Ieee, 2013. 10.1109/ICASSP.2013.6638947.
https: / / doi.org/ 10.1109 / ICASSP.2013.6638947

[20] Gian Giacomo Guerreschi. Rezolvarea optimizării binare neconstrânse pătratice cu algoritmi de divide-and-cuquer și cuantici. arXiv preprint arXiv:2101.07813, 2021. 10.48550/arXiv.2101.07813.
https:///doi.org/10.48550/arXiv.2101.07813
arXiv: 2101.07813

[21] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele și Procolo Lucignano. Programe optime de recoacere cuantică de învățare profundă pentru modele aleatorii. arXiv preprint arXiv:2211.15209, 2022. 10.48550/arXiv.2211.15209.
https:///doi.org/10.48550/arXiv.2211.15209
arXiv: 2211.15209

[22] S Hochreiter și J Schmidhuber. Calcul neuronal al memoriei pe termen scurt. 10.1162/neco.1997.9.8.1735.
https: / / doi.org/ 10.1162 / neco.1997.9.8.1735

[23] Hsin-Yuan Huang, Richard Kueng și John Preskill. Limite teoretice informaționale privind avantajul cuantic în învățarea automată. Fiz. Rev. Lett., 126: 190505, mai 2021a. 10.1103/PhysRevLett.126.190505.
https: / / doi.org/ 10.1103 / PhysRevLett.126.190505

[24] Hsin-Yuan Huang, Richard Kueng, Giacomo Torlai, Victor V Albert și John Preskill. Învățare automată care se dovedește eficientă pentru probleme cuantice cu mai multe corpuri. știință, 2021b. 10.1126/science.abk3333.
https:///doi.org/10.1126/science.abk3333

[25] Li Huang și Lei Wang. Simulări Monte Carlo accelerate cu mașini Boltzmann restricționate. Fiz. Rev. B, 95: 035105, ianuarie 2017. 10.1103/PhysRevB.95.035105.
https: / / doi.org/ 10.1103 / PhysRevB.95.035105

[26] Marko Žnidarič și Martin Horvat. Complexitatea exponențială a unui algoritm adiabatic pentru o problemă np-completă. Fiz. Rev. A, 73: 022329, februarie 2006. 10.1103/PhysRevA.73.022329.
https: / / doi.org/ 10.1103 / PhysRevA.73.022329

[27] J Robert Johansson, Paul D Nation și Franco Nori. Qutip: Un cadru python open-source pentru dinamica sistemelor cuantice deschise. Computer Physics Communications, 183 (8): 1760–1772, 2012. 10.48550/arXiv.1110.0573.
https:///doi.org/10.48550/arXiv.1110.0573

[28] Wolfgang Lechner, Philipp Hauke și Peter Zoller. O arhitectură de recoacere cuantică cu conectivitate totală din interacțiuni locale. Science advances, 1 (9): e1500838, 2015. 10.1126/sciadv.1500838.
https: / / doi.org/ 10.1126 / sciadv.1500838

[29] Yann LeCun, Yoshua Bengio și Geoffrey Hinton. Explorarea învățării prin consolidare profundă cu multi q-learning. natura, 521 (7553): 436–444, 2015. 10.1038/nature14539.
https: / / doi.org/ 10.1038 / nature14539

[30] Daniel A Lidar, Ali T Rezakhani și Alioscia Hamma. Aproximație adiabatică cu precizie exponențială pentru sisteme cu mai multe corpuri și calcul cuantic. Journal of Mathematical Physics, 50 (10): 102106, 2009. 10.1063/1.3236685.
https: / / doi.org/ 10.1063 / 1.3236685

[31] Yuichiro Matsuzaki, Hideaki Hakoshima, Kenji Sugisaki, Yuya Seki și Shiro Kawabata. Estimarea directă a decalajului de energie dintre starea fundamentală și starea excitată cu recoacere cuantică. Jurnalul Japonez de Fizică Aplicată, 60 (SB): SBBI02, 2021. 10.1088/0305-4470/15/10/028.
https://doi.org/10.1088/0305-4470/15/10/028

[32] Matija Medvidović și Giuseppe Carleo. Simularea variațională clasică a algoritmului de optimizare cuantică aproximativă. npj Quantum Information, 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 și Sanjeev Khudanpur. Model de limbaj recurent bazat pe rețele neuronale. În a unsprezecea conferință anuală a asociației internaționale de comunicare vocală, 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 și Tim Byrnes. Suprimarea erorilor în calculul cuantic adiabatic cu ansambluri de qubit. 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 și Florian Marquardt. Învățare profundă a dinamicii cuantice a mai multor corpuri prin conducere aleatorie. Quantum, 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 și Tim Byrnes. Utilizarea mașinilor ca soluționatori hardware de probleme de optimizare combinatorie. 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 și Michael Hartmann. Învățare profundă a observabilelor cu mai multe corpuri și amestecarea informațiilor cuantice. arXiv preprint arXiv:2302.04621, 2023. 10.48550/arXiv.2302.04621.
https:///doi.org/10.48550/arXiv.2302.04621
arXiv: 2302.04621

[38] Michael A Nielsen. Rețele neuronale și învățare profundă, volum 2018. Determination press San Francisco, CA, 2015.

[39] Murphy Yuezhen Niu, Andrew M Dai, Li Li, Augustus Odena, Zhengli Zhao, Vadim Smelyanskyi, Hartmut Neven și Sergio Boixo. Capacitatea de învățare și complexitatea eșantioanelor cuantice. arXiv preprint 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 și Peter L McMahon. Valorile așteptărilor din algoritmul de optimizare aproximativă cuantică cu un singur strat asupra problemelor de dezvoltare. Quantum Science and Technology, 7 (4): 045036, 2022. 10.1088/2058-9565/ac9013.
https: / / doi.org/ 10.1088 / 2058-9565 / ac9013

[41] Boris Pittel, Joel Spencer și Nicholas Wormald. Apariția bruscă a unui giantk-core într-un grafic aleatoriu. Journal of Combinatorial Theory, Seria B, 67 (1): 111–151, 1996. 10.1006/jctb.1996.0036.
https:///doi.org/10.1006/jctb.1996.0036

[42] Jérémie Roland și Nicolas J Cerf. Căutare cuantică după evoluția adiabatică locală. 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 și AD Baczewski. Evaluarea diferențelor de energie pe un computer cuantic cu estimare robustă de fază. Fiz. Rev. Lett., 126: 210501, mai 2021. 10.1103/PhysRevLett.126.210501.
https: / / doi.org/ 10.1103 / PhysRevLett.126.210501

[44] Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale și Martin Suchara. Quantum divide and cuquer pentru optimizarea combinatorie și calculul distribuit. arXiv preprint arXiv:2107.07532, 2021. 10.48550/arXiv.2107.07532.
https:///doi.org/10.48550/arXiv.2107.07532
arXiv: 2107.07532

[45] N. Saraceni, S. Cantori si S. Pilati. Rețele neuronale scalabile pentru învățarea eficientă a sistemelor cuantice dezordonate. Fiz. Rev. E, 102: 033301, septembrie 2020. 10.1103/PhysRevE.102.033301.
https: / / doi.org/ 10.1103 / PhysRevE.102.033301

[46] Gernot Schaller. Preparare adiabatică fără tranziții de fază cuantică. Fiz. Rev. A, 78: 032328, septembrie 2008. 10.1103/PhysRevA.78.032328.
https: / / doi.org/ 10.1103 / PhysRevA.78.032328

[47] Markus Schmitt și Markus Heyl. Dinamica cuantică a mai multor corpuri în două dimensiuni cu rețele neuronale artificiale. Fiz. Rev. Lett., 125: 100503, septembrie 2020. 10.1103/PhysRevLett.125.100503.
https: / / doi.org/ 10.1103 / PhysRevLett.125.100503

[48] Ralf Schützhold. Tranziții de fază cuantică dinamică. Journal of Low Temperature Physics, 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 și Wang-chun WOO. Rețeaua lstm convoluțională: o abordare de învățare automată pentru prognozarea în timp a precipitațiilor. În C. Cortes, N. Lawrence, D. Lee, M. Sugiyama și R. Garnett, editori, Advances in Neural Information Processing Systems, volumul 28. Curran Associates, Inc., 2015. URL https://proceedings.neurips.cc/paper_files/paper/file/2015/07563/3/3/7 d3af-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 și Giuseppe Carleo. Tomografia cuantică în stare cu rețea neuronală. 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 și Sebastian D Huber. Tranzițiile fazei de învățare prin confuzie. Nature Physics, 13 (5): 435–439, 2017. 10.1038/nphys4037.
https: / / doi.org/ 10.1038 / nphys4037

[52] Filippo Vicentini. Cutie de instrumente de învățare automată pentru fizica cuantică a multor corpuri. Nature Reviews Physics, 3 (3): 156–156, 2021. 10.1038/s42254-021-00285-7.
https://doi.org/10.1038/s42254-021-00285-7

[53] Lei Wang. Descoperirea tranzițiilor de fază cu învățare nesupravegheată. Fiz. Rev. B, 94: 195105, noiembrie 2016. 10.1103/PhysRevB.94.195105.
https: / / doi.org/ 10.1103 / PhysRevB.94.195105

[54] Sebastian J Wetzel. Învățare nesupravegheată a tranzițiilor de fază: de la analiza componentelor principale la autoencodere variaționale. Physical Review 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 și Wang-chun Woo. Rețeaua lstm convoluțională: o abordare de învățare automată pentru prognozarea în timp a precipitațiilor. În Advances in neuron information processing systems, paginile 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 și VN Smelyanskiy. Dependența de mărime a intervalului minim de excitație în algoritmul adiabatic cuantic. Fiz. Rev. Lett., 101: 170503, oct 2008. 10.1103/PhysRevLett.101.170503.
https: / / doi.org/ 10.1103 / PhysRevLett.101.170503

Citat de

[1] Naeimeh Mohseni, Peter L. McMahon, and Tim Byrnes, “Ising machines as hardware solvers of combinatorial optimization problems”, Nature Reviews Fizica 4 6, 363 (2022).

[2] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch, and Florian Marquardt, “Deep Learning of Quantum Many-Body Dynamics via Random Driving”, Quantum 6, 714 (2022).

[3] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele, and Procolo Lucignano, “Deep learning optimal quantum annealing schedules for random Ising models”, arXiv: 2211.15209, (2022).

[4] Alexander Gresch, Lennart Bittel, and Martin Kliesch, “Scalable approach to many-body localization via quantum data”, arXiv: 2202.08853, (2022).

[5] Naeimeh Mohseni, Junheng Shi, Tim Byrnes, and Michael Hartmann, “Deep learning of many-body observables and quantum information scrambling”, arXiv: 2302.04621, (2023).

Citatele de mai sus sunt din ADS SAO / NASA (ultima actualizare cu succes 2023-06-13 23:27:02). Lista poate fi incompletă, deoarece nu toți editorii furnizează date de citare adecvate și complete.

On Serviciul citat de Crossref nu s-au găsit date despre citarea lucrărilor (ultima încercare 2023-06-13 23:27:01).

Acest Lucru este publicat în Quantum sub Creative Commons Atribuire 4.0 internațională (CC BY 4.0) licență. Drepturile de autor rămân la deținătorii de drepturi de autor originale, precum autorii sau instituțiile lor.

Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
EVM Finance. Interfață unificată pentru finanțare descentralizată. Accesați Aici.
Grupul Quantum Media. IR/PR amplificat. Accesați Aici.
PlatoAiStream. Web3 Data Intelligence. Cunoștințe amplificate. Accesați Aici.
Sursa: https://quantum-journal.org/papers/q-2023-06-12-1039/

Timestamp-ul: 12 Iunie, 2023

Timestamp-ul: Decembrie 6, 2023

Rețele recurente profunde care prezic evoluția decalajului în calculul cuantic adiabatic

Republicat de Platon

Abstract

Rezumat popular

► Date BibTeX

► Referințe

Citat de

Mai mult de la Jurnalul cuantic

Manipularea cuantică a unui sistem mecanic cu două niveluri

Evaluarea comparativă a Codului Planar Honeycomb

Relaxarea cerințelor hardware pentru circuitele de cod de suprafață folosind dinamica timpului

Densitățile de energie în mecanica cuantică

Ferestre microcanonice asupra operatorilor cuantici

Contextualitate cuantică simplă

Învățare hamiltoniană de înaltă precizie prin evoluțiile stărilor cuantice delocalizate

Către avantajul cuantic în riscul pieței financiare utilizând algoritmi de gradient cuantic

Abordarea grafică-teoretică a experimentelor Bell cu eficiență scăzută de detecție

Dimensionalitatea întanglementului de limite din matricea de covarianță

Corelații în tipicitate și o soluție afirmativă la conjectura exactă a entropiei catalitice

Un algoritm (simplu) clasic pentru estimarea numerelor Betti

Despre noi

Căutare verticală și Ai

Platformă

Rămâneți conectat

Cont