Quantum Deep Hedging

Återutgiven av Platon

anhängare: 0

El Amine Cherrat^1,2, Snehal Raj¹, Iordanis Kerenidis^1,2, Abhishek Shekhar³, Ben Wood³, Jon Dee³, Shouvanik Chakrabarti⁴, Richard Chen⁴, Dylan Herman⁴, Shaohan Hu⁴, Pierre Minssen⁴, Ruslan Shaydulin⁴, Yue Sun⁴, Romina Yalovetzky⁴och Marco Pistoia⁴

¹QC Ware
²Université de Paris, CNRS, IRIF
³Kvantitativ forskning, JPMorgan Chase
⁴Global Technology Applied Research, JPMorgan Chase

Hitta det här uppsatsen intressant eller vill diskutera? Scite eller lämna en kommentar på SciRate.

Abstrakt

Kvantmaskininlärning har potential för en transformativ inverkan över industrisektorer och i synnerhet inom finans. I vårt arbete tittar vi på problemet med hedging där djup förstärkningsinlärning erbjuder ett kraftfullt ramverk för verkliga marknader. Vi utvecklar inlärningsmetoder för kvantförstärkning baserade på policysökning och distributionsaktörkritiska algoritmer som använder kvantneurala nätverksarkitekturer med ortogonala och sammansatta lager för policy- och värdefunktionerna. Vi bevisar att de kvantneurala nätverken vi använder är träningsbara och vi utför omfattande simuleringar som visar att kvantmodeller kan minska antalet träningsbara parametrar samtidigt som de uppnår jämförbara prestanda och att fördelningsmetoden får bättre prestanda än andra standardmetoder, både klassiska och kvantmodeller. . Vi har framgångsrikt implementerat de föreslagna modellerna på en fångade-jon kvantprocessor, med användning av kretsar med upp till $16$ qubits, och observerar prestanda som stämmer väl överens med ljudlös simulering. Våra kvanttekniker är generella och kan tillämpas på andra förstärkningsinlärningsproblem utöver hedging.

► BibTeX-data

@article{Cherrat2023quantumdeephedging, doi = {10.22331/q-2023-11-29-1191}, url = {https://doi.org/10.22331/q-2023-11-29-1191}, title = {Quantum {D}eep {H}edging}, author = {Cherrat, El Amine and Raj, Snehal and Kerenidis, Iordanis and Shekhar, Abhishek and Wood, Ben and Dee, Jon and Chakrabarti, Shouvanik and Chen, Richard and Herman, Dylan and Hu, Shaohan and Minssen, Pierre and Shaydulin, Ruslan and Sun, Yue and Yalovetzky, Romina and Pistoia, Marco}, journal = {{Quantum}}, issn = {2521-327X}, publisher = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {7}, pages = {1191}, month = nov, year = {2023} }

► Referenser

[1] Hans Buehler, Lukas Gonon, Joseph Teichmann och Ben Wood. "Djup säkring". Quantitative Finance 19, 1271–1291 (2019). URL: https:///doi.org/10.1080/14697688.2019.1571683.
https: / / doi.org/ 10.1080 / 14697688.2019.1571683

[2] Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan och Jonathan Kochems. "Deep Hedging: Säkring av derivat under generiska marknadsfriktioner med hjälp av förstärkningsinlärning". SSRN Electronic Journal (2019). URL: http:///dx.doi.org/10.2139/ssrn.3355706.
https: / / doi.org/ 10.2139 / ssrn.3355706

[3] Shihao Gu, Bryan T. Kelly och Dacheng Xiu. "Empirisk tillgångsprissättning via maskininlärning". SSRN Electronic Journal (2018). URL: http:///dx.doi.org/10.2139/ssrn.3159577.
https: / / doi.org/ 10.2139 / ssrn.3159577

[4] Hyeong Kyu Choi. "Förutsägelse av aktiekurskorrelationskoefficient med ARIMA-LSTM hybridmodell" (2018). URL: https://doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560

[5] Yada Zhu, Giovanni Mariani och Jianbo Li. "Pagan: Portfolio Analysis with Generative Adversarial Networks". SSRN Electronic Journal (2020). URL: https:///dx.doi.org/10.2139/ssrn.3755355.
https: / / doi.org/ 10.2139 / ssrn.3755355

[6] Kang Zhang, Guoqiang Zhong, Junyu Dong, Shengke Wang och Yong Wang. "Börsförutsägelse baserad på generativt motståndsnätverk". Procedia Computer Science 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

[7] Álvaro Cartea, Sebastian Jaimungal och Leandro Sánchez-Betancourt. "Deep Reinforcement Learning for Algoritmic Trading". SSRN Electronic Journal (2021). URL: https:///dx.doi.org/10.2139/ssrn.3812473.
https: / / doi.org/ 10.2139 / ssrn.3812473

[8] Yue Deng, Feng Bao, Youyong Kong, Zhiquan Ren och Qionghai Dai. "Deep Direct Reinforcement Learning för finansiell signalrepresentation och handel". IEEE Transactions on Neural Networks and Learning Systems 28, 653–664 (2017). URL: https:///doi.org/10.1109/TNNLS.2016.2522401.
https:///doi.org/10.1109/TNNLS.2016.2522401

[9] Yunchao Liu, Srinivasan Arunachalam och Kristan Temme. "En rigorös och robust kvanthastighet inom övervakad maskininlärning". Naturfysik 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

[10] Shantanav Chakraborty, András Gilyén och Stacey Jeffery. "Krften med blockkodade matriskrafter: förbättrade regressionstekniker via snabbare Hamiltonsimulering". I Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini och Stefano Leonardi, redaktörer, 46th International Colloquium on Automata, Languages and Programming (ICALP 2019). Volym 132 av Leibniz International Proceedings in Informatics (LIPIcs), sidorna 33:1–33:14. Dagstuhl, Tyskland (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

[11] András Gilyén, Srinivasan Arunachalam och Nathan Wiebe. "Optimera kvantoptimeringsalgoritmer via snabbare kvantgradientberäkning". I samband med 2019 års årliga ACM-SIAM-symposium om diskreta algoritmer (SODA). Sidorna 1425–1444. (2019). URL: https:///doi.org/10.1137/1.9781611975482.87.
https: / / doi.org/ 10.1137 / 1.9781611975482.87

[12] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio och Patrick J. Coles. "Variationella kvantalgoritmer". 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

[13] Iordanis Kerenidis, Anupam Prakash och Dániel Szilágyi. "Kvantalgoritmer för portföljoptimering". I samband med den första ACM-konferensen om framsteg inom finansiell teknologi. Sidorna 1–147. Zürich, Schweiz (155). ACM. URL: https:///doi.org/2019/10.1145.
https: / / doi.org/ 10.1145 / 3318041.3355465

[14] 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 och Didier M'tamon. "Finansiell riskhantering på en neutral atomkvantprocessor" (2022). URL: https://doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223

[15] Dimitrios Emmanoulopoulos och Sofija Dimoska. "Quantum Machine Learning in Finance: Time Series Forecasting" (2022). URL: https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599

[16] Patrick Rebentrost, Brajesh Gupt och Thomas R. Bromley. "Kvantberäkningsfinansiering: Monte Carlo-prissättning av finansiella derivat". Fysisk granskning A 98, 022321 (2018). URL: https:///doi.org/10.1103/PhysRevA.98.022321.
https: / / doi.org/ 10.1103 / PhysRevA.98.022321

[17] João F. Doriguello, Alessandro Luongo, Jinge Bao, Patrick Rebentrost och Miklos Santha. "Kvantalgoritm för Stokastiska Optimala stoppproblem med applikationer inom finans". I François Le Gall och Tomoyuki Morimae, redaktörer, 17th Conference on the Theory of Quantum Computation, Communication and Cryptography (TQC 2022). Volym 232 av Leibniz International Proceedings in Informatics (LIPIcs), sidorna 2:1–2:24. Dagstuhl, Tyskland (2022). Schloss Dagstuhl – Leibniz-Zentrum für Informatik. URL: https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https: / â € </ â € <doi.org/â€ <10.4230 / â € <LIPIcs.TQC.2022.2

[18] Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu och Marco Pistoia. "Begränsad kvantoptimering för extraktiv sammanfattning på en kvantdator med fångad jon". Scientific Reports 12 (2022). URL: https:///doi.org/10.1038/s41598-022-20853-w.
https: / / doi.org/ 10.1038 / s41598-022-20853-w

[19] Alexandre Ménard, Ivan Ostojic, Mark Patel och Daniel Volz. "En spelplan för kvantberäkning". McKinsey Quarterly (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

[20] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia och Yuri Alexeev. "En undersökning av kvantberäkning för finans" (2022). URL: https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773

[21] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush och Hartmut Neven. "Kurga platåer i träningslandskap för kvantneurala nätverk". Nature Communications 9, 4812 (2018). URL: https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

[22] Iordanis Kerenidis, Jonas Landman och Natansh Mathur. "Klassiska och kvantalgoritmer för ortogonala neurala nätverk" (2022). URL: https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198

[23] Zebin Yang, Aijun Zhang och Agus Sudjianto. "Förbättra förklaringen av neurala nätverk genom arkitekturbegränsningar". IEEE Transactions on Neural Networks and Learning Systems 32, 2610–2621 (2021). URL: https:///doi.org/10.1109/TNNLS.2020.3007259.
https:///doi.org/10.1109/TNNLS.2020.3007259

[24] Shuai Li, Kui Jia, Yuxin Wen, Tongliang Liu och Dacheng Tao. "Ortogonala djupa neurala nätverk". IEEE Transactions on Pattern Analysis and Machine Intelligence 43, 1352–1368 (2021). URL: https:///doi.org/10.1109/TPAMI.2019.2948352.
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352

[25] 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 och Pushmeet Kohli. "Upptäcka snabbare matrismultiplikationsalgoritmer med förstärkningsinlärning". Nature 610, 47–53 (2022). URL: https:///doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4

[26] Clare Lyle, Marc G. Bellemare och Pablo Samuel Castro. "En jämförande analys av förväntad och distribuerad förstärkningsinlärning". Proceedings of the AAAI Conference on Artificial Intelligence 33, 4504–4511 (2019). URL: https:///doi.org/10.1609/aaai.v33i01.33014504.
https: / / doi.org/ 10.1609 / aaai.v33i01.33014504

[27] "Quantinuum H1-1, H1-2". https:///www.quantinuum.com/ (2022). Åtkomst: 15-22 november 2022; 7–12 december 2022.
https://www.quantinuum.com/

[28] Daniel J. Brod. "Effektiv klassisk simulering av matchgate-kretsar med generaliserade ingångar och mätningar". Fysisk granskning A 93 (2016). URL: https:///doi.org/10.1103/physreva.93.062332.
https: / â € </ â € <doi.org/â€ <10.1103 / â € <physreva.93.062332

[29] Matthew L. Goh, Martin Larocca, Lukasz Cincio, M. Cerezo och Frédéric Sauvage. "Lie-algebraic classical simulations for variation quantum computing" (2023). URL: https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432

[30] Michał Oszmaniec, Ninnat Dangniam, Mauro E.S. Morales och Zoltán Zimborás. "Sampling av fermion: Ett robust kvantberäkningsfördelssystem som använder fermion linjär optik och magiska ingångstillstånd". PRX Quantum 3 (2022). URL: https:///doi.org/10.1103/PRXQuantum.3.020328.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020328

[31] Michael A. Nielsen och Isaac L. Chuang. "Quantum Computation and Quantum Information: 10th Anniversary Edition". Cambridge University Press. (2012). 1 upplaga. URL: https:///doi.org/10.1017/CBO9780511976667.
https: / / doi.org/ 10.1017 / CBO9780511976667

[32] R.S. Sutton och A.G. Barto. "Reinforcement Learning: An Introduction". IEEE Transactions on Neural Networks 9, 1054–1054 (1998). URL: https://doi.org/10.1109/TNN.1998.712192.
https:///doi.org/10.1109/TNN.1998.712192

[33] Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage och Anil Anthony Bharath. "Deep Reinforcement Learning: A Brief Survey". IEEE Signal Processing Magazine 34, 26–38 (2017). URL: https:///doi.org/10.1109/MSP.2017.2743240.
https: / / doi.org/ 10.1109 / MSP.2017.2743240

[34] Magnus Wiese, Lianjun Bai, Ben Wood och Hans Buehler. "Deep Hedging: Lär dig att simulera aktieoptionsmarknader". SSRN Electronic Journal (2019). URL: https:///dx.doi.org/10.2139/ssrn.3470756.
https: / / doi.org/ 10.2139 / ssrn.3470756

[35] Hans Buehler, Phillip Murray, Mikko S. Pakkanen och Ben Wood. "Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures" (2022). URL: https:///doi.org/10.48550/arXiv.2111.07844.
https:///doi.org/10.48550/arXiv.2111.07844

[36] Magnus Wiese, Ben Wood, Alexandre Pachoud, Ralf Korn, Hans Buehler, Murray Phillip och Lianjun Bai. "Multi-Asset Spot och Option Market Simulering". SSRN Electronic Journal (2021). URL: https:///dx.doi.org/10.2139/ssrn.3980817.
https: / / doi.org/ 10.2139 / ssrn.3980817

[37] Phillip Murray, Ben Wood, Hans Buehler, Magnus Wiese och Mikko Pakkanen. "Deep hedging: Kontinuerlig förstärkningsinlärning för säkring av allmänna portföljer över flera riskaversioner". I Proceedings of the Third ACM International Conference on AI in Finance. Sida 361–368. ICAIF ’22New York, NY, USA (2022). Föreningen för Datormaskiner. URL: https:///doi.org/10.1145/3533271.3561731.
https: / / doi.org/ 10.1145 / 3533271.3561731

[38] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa och Keisuke Fujii. "Kvantumkretslärande". Fysisk granskning A 98, 032309 (2018). URL: https:///doi.org/10.1103/PhysRevA.98.032309.
https: / / doi.org/ 10.1103 / PhysRevA.98.032309

[39] Dylan Herman, Rudy Raymond, Muyuan Li, Nicolas Robles, Antonio Mezzacapo och Marco Pistoia. "Expressivity of Variational Quantum Machine Learning on the Boolean Cube" (2022). URL: https:///doi.org/10.1109/TQE.2023.3255206.
https: / / doi.org/ 10.1109 / TQE.2023.3255206

[40] Edward Farhi och Hartmut Neven. "Klassificering med kvantneurala nätverk på närtidsprocessorer". Teknisk rapport. Web of Open Science (2020). URL: https:///doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002

[41] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster och José I. Latorre. "Återuppladdning av data för en universell kvantklassificerare". Quantum 4, 226 (2020). URL: https:///doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226

[42] Jonas Landman, Natansh Mathur, Yun Yvonna Li, Martin Strahm, Skander Kazdaghli, Anupam Prakash och Iordanis Kerenidis. "Kvantmetoder för neurala nätverk och tillämpning på medicinsk bildklassificering". Quantum 6, 881 (2022). URL: https:///doi.org/10.22331/q-2022-12-22-881.
https://doi.org/10.22331/q-2022-12-22-881

[43] Marcello Benedetti, Delfina Garcia-Pintos, Oscar Perdomo, Vicente Leyton-Ortega, Yunseong Nam och Alejandro Perdomo-Ortiz. "En generativ modelleringsmetod för benchmarking och träning av grunda kvantkretsar". npj Quantum Information 5, 45 (2019). URL: https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8

[44] Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch och Matthias Rosenkranz. "Variationell slutledning med en kvantdator". Fysisk granskning tillämpad 16, 044057 (2021). URL: https:///doi.org/10.1103/PhysRevApplied.16.044057.
https: / / doi.org/ 10.1103 / PhysRevApplied.16.044057

[45] Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D. Scherer, Axel Plinge och Christopher Mutschler. "En undersökning om Quantum Reinforcement Learning" (2022). URL: https:///doi.org/10.48550/arXiv.2211.03464.
https:///doi.org/10.48550/arXiv.2211.03464

[46] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow och Jay M. Gambetta. "Övervakat lärande med kvantförbättrade funktionsutrymmen". Nature 567, 209–212 (2019). URL: https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2

[47] Maria Schuld, Ryan Sweke och Johannes Jakob Meyer. "Effekt av datakodning på uttryckskraften hos variationsmodeller för kvantmaskininlärning". Physical Review A 103, 032430 (2021). URL: https:///doi.org/10.1103/PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430

[48] Francisco Javier Gil Vidal och Dirk Oliver Theis. "Ingångsredundans för parametriserade kvantkretsar". Frontiers in Physics 8, 297 (2020). URL: https:///doi.org/10.3389/fphy.2020.00297.
https: / / doi.org/ 10.3389 / fphy.2020.00297

[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm och Yun Yvonna Li. "Quantum Vision Transformers" (2022). URL: https:///doi.org/10.48550/arXiv.2209.08167.
https:///doi.org/10.48550/arXiv.2209.08167

[50] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac och Nathan Killoran. "Utvärdering av analytiska gradienter på kvanthårdvara". Physical Review A 99, 032331 (2019). URL: https:///doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331

[51] Iordanis Kerenidis. "En metod för att ladda klassisk data till kvanttillstånd för applikationer inom maskininlärning och optimering". US patentansökan (2020). URL: https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1

[52] Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singk, Anupam Prakash, Jungsang Kim och Iordanis Kerenidis. "Närmaste tyngdpunktsklassificering på en fångade jonkvantdator". npj Quantum Information 7, 122 (2021). URL: https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5

[53] Iordanis Kerenidis och Anupam Prakash. "Quantum machine learning with subspace states" (2022). URL: https:///doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054

[54] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser och Illia Polosukhin. "Uppmärksamhet är allt du behöver". I I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan och R. Garnett, redaktörer, Advances in Neural Information Processing Systems. Volym 30. Curran Associates, Inc. (2017). URL: https:///doi.org/10.48550/arXiv.1706.03762.
https:///doi.org/10.48550/arXiv.1706.03762

[55] Martin Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles och M. Cerezo. "Gruppinvariant kvantmaskininlärning". PRX Quantum 3, 030341 (2022). URL: https:///doi.org/10.1103/PRXQuantum.3.030341.
https: / / doi.org/ 10.1103 / PRXQuantum.3.030341

[56] Jiayao Zhang, Guangxu Zhu, Robert W. Heath Jr. och Kaibin Huang. "Grassmannian Learning: Embedding Geometry Awareness in Shallow and Deep Learning" (2018). URL: https:///doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229

[57] Xuchen You, Shouvanik Chakrabarti och Xiaodi Wu. "En konvergensteori för överparameteriserade variationskvantumegenlösare" (2022). URL: https:///doi.org/10.48550/arXiv.2205.12481.
https:///doi.org/10.48550/arXiv.2205.12481

[58] Martin Larocca, Nathan Ju, Diego García-Martin, Patrick J. Coles och M. Cerezo. "Teori om överparametrisering i kvantneurala nätverk" (2021). URL: https:///doi.org/10.1038/s43588-023-00467-6.
https://doi.org/10.1038/s43588-023-00467-6

[59] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles och Marco Cerezo. "Diagnostisera karga platåer med verktyg från Quantum Optimal Control". Quantum 6, 824 (2022). URL: https:///doi.org/10.22331/q-2022-09-29-824.
https://doi.org/10.22331/q-2022-09-29-824

[60] Benoît Collins och Piotr Śniady. "Integration med respekt för Haar-måttet på enhetlig, ortogonal och sympletisk grupp". Communications in Mathematical Physics 264, 773–795 (2006). URL: https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3

[61] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu och Marco Pistoia. "The Adjoint Is All You Need: Characterizing Barren Plateau in Quantum Ansätze" (2023). URL: https://doi.org/10.48550/arXiv.2309.07902.
https:///doi.org/10.48550/arXiv.2309.07902

[62] Michael Ragone, Bojko N. Bakalov, Frédéric Sauvage, Alexander F. Kemper, Carlos Ortiz Marrero, Martin Larocca och M. Cerezo. "En enhetlig teori om karga platåer för djupa parametriserade kvantkretsar" (2023). URL: https:///doi.org/10.48550/arXiv.2309.09342.
https:///doi.org/10.48550/arXiv.2309.09342

[63] Léo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla och Elham Kashefi. "Träningsförmåga och uttrycksförmåga hos Hamming-Weight Preserving Quantum Circuits for Machine Learning" (2023). URL: https:///doi.org/10.48550/arXiv.2309.15547.
https:///doi.org/10.48550/arXiv.2309.15547

[64] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh och Dacheng Tao. "Att fly från den karga platån via Gaussiska initieringar i djupa variationsmässiga kvantkretsar" (2022). URL: https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376

[65] Owen Lockwood och Mei Si. "Att spela Atari med hybrid kvantklassisk förstärkningsinlärning" (2021). URL: https:///doi.org/10.48550/arXiv.2107.04114.
https:///doi.org/10.48550/arXiv.2107.04114

[66] Samuel Yen-Chi Chen, Chao-Han Huck Yang, Jun Qi, Pin-Yu Chen, Xiaoli Ma och Hsi-Sheng Goan. "Variationella kvantkretsar för djup förstärkningsinlärning". IEEE Access 8, 141007–141024 (2020). URL: https:///doi.org/10.1109/ACCESS.2020.3010470.
https://doi.org/ 10.1109/ACCESS.2020.3010470

[67] Owen Lockwood och Mei Si. "Reinforcement Learning with Quantum Variational Circuit". Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment 16, 245–251 (2020). URL: https://doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437

[68] Yunseok Kwak, Won Joon Yun, Soyi Jung, Jong-Kook Kim och Joongheon Kim. "Introduktion till Quantum Reinforcement Learning: Teori och PennyLane-baserad implementering". 2021 International Conference on Information and Communication Technology Convergence (ICTC). Sidorna 416–420. Jeju Island, Korea, Republiken (2021). IEEE. URL: https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885

[69] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans Briegel och Vedran Dunjko. "Parametriserad kvantpolicy för förstärkt lärande". I M. Ranzato, A. Beygelzimer, Y. Dauphin, P.S. Liang och J. Wortman Vaughan, redaktörer, Advances in Neural Information Processing Systems. Volym 34, sid 28362–28375. Curran Associates, Inc. (2021). URL: https:///doi.org/10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577

[70] Jen-Yueh Hsiao, Yuxuan Du, Wei-Yin Chiang, Min-Hsiu Hsieh och Hsi-Sheng Goan. "Oentrasslade kvantförstärkande lärandemedel i OpenAI Gym" (2022). URL: https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348

[71] El Amine Cherrat, Iordanis Kerenidis och Anupam Prakash. "Kvantförstärkande lärande via policy iteration". Quantum Machine Intelligence 5, 30 (2023). URL: https:///doi.org/10.1007/s42484-023-00116-1.
https://doi.org/10.1007/s42484-023-00116-1

[72] Daochen Wang, Aarthi Sundaram, Robin Kothari, Ashish Kapoor och Martin Roetteler. "Kvantalgoritmer för förstärkningsinlärning med en generativ modell". I internationell konferens om maskininlärning. Sidorna 10916–10926. PMLR (2021). URL: https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451

[73] Sofiene Jerbi, Arjan Cornelissen, Māris Ozols och Vedran Dunjko. "Quantum policy gradient algorithms" (2022). URL: https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328

[74] Arjan Cornelissen. "Kvantgradientuppskattning och dess tillämpning på kvantförstärkningsinlärning". Examensarbete (2018). URL: http:///resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e

[75] Hansheng Jiang, Zuo-Jun Max Shen och Junyu Liu. "Quantum Computing Methods for Supply Chain Management". 2022 IEEE/ACM 7th Symposium on Edge Computing (SEC). Sidorna 400–405. Seattle, WA, USA (2022). IEEE. URL: https://doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059

[76] Marc G. Bellemare, Will Dabney och Rémi Munos. "Ett fördelningsperspektiv på förstärkt lärande". In Proceedings of the 34th International Conference on Machine Learning – Volym 70. Sidorna 449–458. ICML’17Sydney, NSW, Australien (2017). JMLR.org. URL: https:///doi.org/10.48550/arXiv.1707.06887.
https:///doi.org/10.48550/arXiv.1707.06887

[77] Will Dabney, Mark Rowland, Marc Bellemare och Rémi Munos. "Distributionell förstärkningsinlärning med kvantilregression". Proceedings of the AAAI Conference on Artificial Intelligence 32 (2018). URL: https://doi.org/10.1609/aaai.v32i1.11791.
https: / / doi.org/ 10.1609 / aaai.v32i1.11791

[78] Matthias C. Caro och Ishaun Datta. "Pseudodimension av kvantkretsar". Quantum Machine Intelligence 2 (2020). URL: https://doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5

[79] Hans Buehler, Murray Phillip och Ben Wood. "Deep Bellman Hedging". SSRN Electronic Journal (2022). URL: https:///dx.doi.org/10.2139/ssrn.4151026.
https: / / doi.org/ 10.2139 / ssrn.4151026

[80] Thanh Nguyen-Tang, Sunil Gupta och Svetha Venkatesh. "Distributionell förstärkningsinlärning via Momentmatchning". Proceedings of the AAAI Conference on Artificial Intelligence 35, 9144–9152 (2021). URL: https://doi.org/10.1609/aaai.v35i10.17104.
https: / / doi.org/ 10.1609 / aaai.v35i10.17104

Citerad av

[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu och 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 och Yuri Alexeev, "Quantum computing for finance", Naturrecensioner Fysik 5 8, 450 (2023).

[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch och Alexey Melnikov, "Hybrid kvantfysikinformerade neurala nätverk för simulering av beräkningsvätskedynamik i komplexa former", arXiv: 2304.11247, (2023).

Ovanstående citat är från SAO / NASA ADS (senast uppdaterad framgångsrikt 2023-11-29 13:34:05). Listan kan vara ofullständig eftersom inte alla utgivare tillhandahåller lämpliga och fullständiga citatdata.

Det gick inte att hämta Crossref citerade data under senaste försöket 2023-11-29 13:34:04: Det gick inte att hämta citerade data för 10.22331 / q-2023-11-29-1191 från Crossref. Detta är normalt om DOI registrerades nyligen.

Detta papper publiceras i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Upphovsrätten kvarstår med de ursprungliga upphovsrättsinnehavarna som författarna eller deras institutioner.

SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
Källa: https://quantum-journal.org/papers/q-2023-11-29-1191/

Tidsstämpel: November 29, 2023

Tidsstämpel: September 25, 2023

Återutgiven av Platon

Abstrakt

► BibTeX-data

► Referenser

Citerad av

Mer från Quantum Journal

Quantum Phase Recognition via Quantum Kernel Methods

Säsongsbetonad inlämningssömn

En relativistisk diskret rumtidsformulering av 3+1 QED

Statlig förberedelse i Heisenbergmodellen genom adiabatisk spiralbildning

Roll av materia koherens i intrassling på grund av gravitation

Medelfältstudie av 2D kvasipartikelkondensatbildning i närvaro av starkt sönderfall

Kretsar av rum och tid kvantkanaler

Random access-koder via kvantkontextuell redundans

Undersöka kvantintrassling från populationer på magnetiska subnivåer: bortom spinnpressande ojämlikheter

Testar symmetri på kvantdatorer

Om Oss

Vertikal sökning och Ai

plattform

Håll kontakten

Konto