การป้องกันความเสี่ยงเชิงลึกควอนตัม

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

เอล อามีน เชอร์รัต^1,2, สเนฮาล ราจ¹, อิออร์ดานิส เคเรนิดิส^1,2, อภิเษก เชคาร์³, เบน วู้ด³, จอน ดี³, โชวานิก จักรบัรติ⁴, ริชาร์ดเฉิน⁴, ดีแลน เฮอร์แมน⁴, เชาฮาน หู⁴, ปิแอร์ มินเซ่น⁴, รุสลัน เชย์ดูลิน⁴, เยว่ซัน⁴, โรมินา ยาโลเวตซกี้⁴และ มาร์โก ปิสตอยอา⁴

¹คิวซีแวร์
²มหาวิทยาลัยแห่งปารีส, CNRS, IRIF
³การวิจัยเชิงปริมาณ, JPMorgan Chase
⁴การวิจัยประยุกต์เทคโนโลยีระดับโลก, JPMorgan Chase

พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.

นามธรรม

การเรียนรู้ของเครื่องควอนตัมมีศักยภาพในการสร้างผลกระทบการเปลี่ยนแปลงในภาคอุตสาหกรรมและโดยเฉพาะอย่างยิ่งในด้านการเงิน ในงานของเรา เรามองไปที่ปัญหาของการป้องกันความเสี่ยง โดยที่การเรียนรู้แบบเสริมกำลังเชิงลึกนำเสนอกรอบงานที่มีประสิทธิภาพสำหรับตลาดจริง เราพัฒนาวิธีการเรียนรู้การเสริมกำลังควอนตัมโดยอิงจากการค้นหานโยบายและอัลกอริธึมนักแสดงและนักวิจารณ์การกระจายที่ใช้สถาปัตยกรรมเครือข่ายประสาทควอนตัมที่มีเลเยอร์มุมฉากและเลเยอร์ประกอบสำหรับฟังก์ชันนโยบายและค่า เราพิสูจน์ว่าเครือข่ายประสาทควอนตัมที่เราใช้นั้นสามารถฝึกได้ และเราทำการจำลองอย่างกว้างขวางซึ่งแสดงให้เห็นว่าแบบจำลองควอนตัมสามารถลดจำนวนพารามิเตอร์ที่ฝึกได้ในขณะที่บรรลุประสิทธิภาพที่เทียบเคียงได้ และวิธีการกระจายได้รับประสิทธิภาพที่ดีกว่าแนวทางมาตรฐานอื่นๆ ทั้งแบบดั้งเดิมและควอนตัม . เราประสบความสำเร็จในการนำแบบจำลองที่นำเสนอไปใช้กับโปรเซสเซอร์ควอนตัมไอออนดักจับ โดยใช้วงจรที่มีคิวบิตสูงถึง 16$ และสังเกตประสิทธิภาพที่สอดคล้องกับการจำลองแบบไร้เสียงรบกวนได้ดี เทคนิคควอนตัมของเราเป็นเทคนิคทั่วไปและสามารถนำไปใช้กับปัญหาการเรียนรู้แบบเสริมกำลังอื่นๆ นอกเหนือจากการป้องกันความเสี่ยง

► ข้อมูล BibTeX

@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} }

► ข้อมูลอ้างอิง

[1] ฮันส์ บูห์เลอร์, ลูคัส โกนอน, โจเซฟ ไทค์มันน์ และเบน วูด “การป้องกันความเสี่ยงเชิงลึก”. การเงินเชิงปริมาณ 19, 1271–1291 (2019) URL: https:///doi.org/10.1080/14697688.2019.1571683.
https://doi.org/10.1080/14697688.2019.1571683

[2] ฮันส์ บูห์เลอร์, ลูคัส โกนอน, โจเซฟ ไทค์มันน์, เบน วู้ด, บารานิธารัน โมฮาน และโจนาธาน โคเคมส์ “การป้องกันความเสี่ยงเชิงลึก: การป้องกันความเสี่ยงอนุพันธ์ภายใต้ความขัดแย้งของตลาดทั่วไปโดยใช้การเรียนรู้แบบเสริมกำลัง” วารสารอิเล็กทรอนิกส์ SSRN (2019) URL: http:///dx.doi.org/10.2139/ssrn.3355706.
https://doi.org/10.2139/ssrn.3355706

[3] ซื่อห่าว กู่, ไบรอัน ที. เคลลี่ และต้าเฉิง ซิ่ว “การกำหนดราคาสินทรัพย์เชิงประจักษ์ผ่านการเรียนรู้ของเครื่อง” วารสารอิเล็กทรอนิกส์ SSRN (2018) URL: http:///dx.doi.org/10.2139/ssrn.3159577.
https://doi.org/10.2139/ssrn.3159577

[4] เฮียง คยู ชอย. “การทำนายค่าสัมประสิทธิ์สหสัมพันธ์ราคาหุ้นด้วยโมเดลไฮบริด ARIMA-LSTM” (2018) URL: https:///doi.org/10.48550/arXiv.1808.01560.
https://doi.org/10.48550/arXiv.1808.01560

[5] ยาดา จู, จิโอวานนี่ มาริอานี และเจียนโป ลี่ “ศาสนา: การวิเคราะห์พอร์ตโฟลิโอด้วยเครือข่ายปฏิปักษ์ทั่วไป” วารสารอิเล็กทรอนิกส์ SSRN (2020) URL: https:///dx.doi.org/10.2139/ssrn.3755355.
https://doi.org/10.2139/ssrn.3755355

[6] คัง จาง, กั๋วเฉียงจง, จุนหยูตง, เซิ่งเค่อหวาง และหยงหวาง “การทำนายตลาดหุ้นตามเครือข่ายปฏิปักษ์ทั่วไป” วิทยาการคอมพิวเตอร์ Procedia 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] อัลบาโร การ์เตอา, เซบาสเตียน ไจมุงกัล และเลอันโดร ซานเชซ-เบตันคอร์ต “การเรียนรู้การเสริมกำลังเชิงลึกสำหรับการซื้อขายอัลกอริทึม” วารสารอิเล็กทรอนิกส์ SSRN (2021) URL: https:///dx.doi.org/10.2139/ssrn.3812473.
https://doi.org/10.2139/ssrn.3812473

[8] เยว่เติ้ง, เฟิงเปา, โหยวหยงคง, จือฉวนเหริน และเชียงไห่ไต “การเรียนรู้การเสริมกำลังโดยตรงเชิงลึกเพื่อการเป็นตัวแทนสัญญาณทางการเงินและการซื้อขาย” ธุรกรรม IEEE บนโครงข่ายประสาทเทียมและระบบการเรียนรู้ 28, 653–664 (2017) URL: https:///doi.org/10.1109/TNNLS.2016.2522401.
https://doi.org/10.1109/TNNLS.2016.2522401

[9] หยุนเชา หลิว, ศรีนิวาสัน อรุณาชาลัม และคริสตัน เทมเม “การเร่งความเร็วควอนตัมที่เข้มงวดและแข็งแกร่งในการเรียนรู้ของเครื่องภายใต้การดูแล” ฟิสิกส์ธรรมชาติ 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] ชานทานาฟ ชาคราบอร์ตี, อันดราส กิเลียน และสเตซีย์ เจฟเฟอรี “พลังของพลังเมทริกซ์ที่เข้ารหัสด้วยบล็อก: เทคนิคการถดถอยที่ได้รับการปรับปรุงผ่านการจำลองแฮมิลตันที่เร็วขึ้น” ใน Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini และ Stefano Leonardi บรรณาธิการของ Colloquium นานาชาติครั้งที่ 46 เรื่อง Automata ภาษาและการเขียนโปรแกรม (ICALP 2019) เล่มที่ 132 ของ Leibniz International Proceedings in Informatics (LIPIcs) หน้า 33:1–33:14 แดกสตูห์ล, เยอรมนี (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] อันดราส กีเยน, ศรีนิวาสัน อรุณาชาลัม และนาธาน วีเบ “การเพิ่มประสิทธิภาพอัลกอริธึมการเพิ่มประสิทธิภาพควอนตัมผ่านการคำนวณการไล่ระดับควอนตัมที่เร็วขึ้น” ในการประชุมสัมมนา ACM-SIAM Symposium on Discrete Algorithms (SODA) ประจำปี 2019 หน้า 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 และ Patrick J. Coles “อัลกอริธึมควอนตัมแบบแปรผัน” บทวิจารณ์ธรรมชาติฟิสิกส์ 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 และ Dániel Szilágyi “อัลกอริทึมควอนตัมเพื่อการเพิ่มประสิทธิภาพพอร์ตโฟลิโอ” ในการประชุม ACM ครั้งที่ 1 เรื่องความก้าวหน้าทางเทคโนโลยีทางการเงิน หน้า 147–155. ซูริก สวิตเซอร์แลนด์ (2019) พลอากาศเอก. URL: https:///doi.org/10.1145/3318041.3355465.
https://doi.org/10.1145/3318041.3355465

[14] ลูคัส เลแคลร์ก, หลุยส์ ออร์ติซ-กุยติเอร์เรซ, เซบาสเตียน กริฆัลวา, บอริส อัลเบรชท์, จูเลีย อาร์เค ไคลน์, วินเซนต์ เอลฟ์วิ่ง, อาเดรียง ซิกโนลส์, โลอิก อองเรียต, จานนี่ เดล บิมโบ, อุสมาน ยับ ชีค, ไมทรี ชาห์, ลุค อันเดรีย, ไฟซัล อิชเทียค, อันโดนี่ ดูอาร์เต้, ซามูเอล มูเกล, ไอรีน กาเซเรส, มิเชล กูเร็ก, โรมัน โอรุส, อชราฟ เซดดิก, อูไมมา ฮัมมัมมี, ฮาซีน อิสเซลนาเน และดิดิเยร์ เอ็มตามอน “การจัดการความเสี่ยงทางการเงินด้วยโปรเซสเซอร์ควอนตัมอะตอมที่เป็นกลาง” (2022) URL: https:///doi.org/10.48550/arXiv.2212.03223.
https://doi.org/10.48550/arXiv.2212.03223

[15] ดิมิทริออส เอ็มมานูโลปูลอส และ โซฟิจา ดิมอสก้า “การเรียนรู้ของเครื่องควอนตัมในด้านการเงิน: การพยากรณ์อนุกรมเวลา” (2022) URL: https:///doi.org/10.48550/arXiv.2202.00599.
https://doi.org/10.48550/arXiv.2202.00599

[16] แพทริค รีเบนทรอสต์, บราเยช กุปต์ และโธมัส อาร์. บรอมลีย์ “การเงินเชิงควอนตัม: การกำหนดราคาอนุพันธ์ทางการเงินของมอนติคาร์โล” การตรวจร่างกาย A 98, 022321 (2018) URL: https:///doi.org/10.1103/PhysRevA.98.022321.
https://doi.org/10.1103/PhysRevA.98.022321

[17] เจา เอฟ. โดริเกลโล, อเลสซานโดร ลูอองโก, จินเงะ เบ้า, แพทริค เรเบนทรอสต์ และมิโคลส ซานธา “อัลกอริทึมควอนตัมสำหรับปัญหาการหยุดสุ่มที่เหมาะสมที่สุดกับการประยุกต์ในด้านการเงิน” ใน François Le Gall และ Tomoyuki Morimae บรรณาธิการ การประชุมครั้งที่ 17 เกี่ยวกับทฤษฎีการคำนวณควอนตัม การสื่อสาร และการเข้ารหัส (TQC 2022) เล่มที่ 232 ของ Leibniz International Proceedings in Informatics (LIPIcs) หน้า 2:1–2:24 แดกสตูห์ล, เยอรมนี (2022) ชลอส ดากสทูห์ล – ไลบ์นิซ-เซนทรัม ฟูร์ อินฟอร์มาติก URL: https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https://doi.org/10.4230/LIPIcs.TQC.2022.2

[18] ปราดีป นิรูลา, รุสลัน เชย์ดูลิน, โรมินา ยาโลเวตซกี้, ปิแอร์ มินส์เซน, ดีแลน เฮอร์แมน, เชาฮาน หู และมาร์โก พิสโตเอีย “การเพิ่มประสิทธิภาพควอนตัมแบบจำกัดสำหรับการสรุปแบบแยกส่วนบนคอมพิวเตอร์ควอนตัมไอออนที่ติดอยู่” รายงานทางวิทยาศาสตร์ 12 (2022) URL: https:///doi.org/10.1038/s41598-022-20853-w.
https://doi.org/10.1038/s41598-022-20853-w

[19] อเล็กซานเดอร์ เมนาร์, อีวาน ออสโตยิช, มาร์ก พาเทล และแดเนียล โวลซ์ “แผนเกมสำหรับการคำนวณควอนตัม” McKinsey รายไตรมาส (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] ดีแลน เฮอร์แมน, โคดี กูจิน, เซียวหยวน หลิว, อเล็กเซย์ กัลดา, อิลยา ซาโฟร, เยว่ ซุน, มาร์โก พิสโตเอีย และ ยูริ อเล็กซีเยฟ “การสำรวจคอมพิวเตอร์ควอนตัมทางการเงิน” (2022) URL: https:///doi.org/10.48550/arXiv.2201.02773.
https://doi.org/10.48550/arXiv.2201.02773

[21] จาร์รอด อาร์. แมคคลีน, เซอร์จิโอ โบโซ, วาดิม เอ็น. สเมเลียนสกี้, ไรอัน แบบบุช และฮาร์ทมุท เนเวน “ที่ราบแห้งแล้งในภูมิทัศน์การฝึกอบรมเครือข่ายประสาทควอนตัม” การสื่อสารธรรมชาติ 9, 4812 (2018) URL: https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

[22] อิออร์ดานิส เคเรนิดิส, โจนาส แลนด์แมน และนาธานช มาเธอร์ “อัลกอริทึมแบบคลาสสิกและควอนตัมสำหรับโครงข่ายประสาทเทียมแบบตั้งฉาก” (2022) URL: https:///doi.org/10.48550/arXiv.2106.07198.
https://doi.org/10.48550/arXiv.2106.07198

[23] เซบิน หยาง, อ้ายจุน จาง และอากุส สุดเจียนโต “การเพิ่มความสามารถในการอธิบายของโครงข่ายประสาทเทียมผ่านข้อจำกัดทางสถาปัตยกรรม” ธุรกรรม IEEE บนโครงข่ายประสาทเทียมและระบบการเรียนรู้ 32, 2610–2621 (2021) URL: https:///doi.org/10.1109/TNNLS.2020.3007259.
https://doi.org/10.1109/TNNLS.2020.3007259

[24] ช่วย ลี, กุย เจีย, หยูซิน เหวิน, ถงเหลียง หลิว และ ต้าเฉิง เต๋า “โครงข่ายประสาทเชิงลึกเชิงมุมฉาก” ธุรกรรม IEEE เกี่ยวกับการวิเคราะห์รูปแบบและความฉลาดของเครื่องจักร 43, 1352–1368 (2021) URL: https:///doi.org/10.1109/TPAMI.2019.2948352.
https://doi.org/10.1109/TPAMI.2019.2948352

[25] อัลฮุสเซน ฟาวซี, มาเตจ บาล็อก, อายา ฮวง, โธมัส ฮูเบิร์ต, แบร์นาร์ดิโน โรเมรา-ปาเรเดส, โมฮัมมาดามิน บาเรกาเทน, อเล็กซานเดอร์ โนวิคอฟ, ฟรานซิสโก เจอาร์ รุยซ์, จูเลียน ชริทวิเซอร์, กราเซกอร์ซ สเวียร์สซ์, เดวิด ซิลเวอร์, เดมิส ฮาสซาบิส และปุชมีต โคห์ลี “การค้นพบอัลกอริธึมการคูณเมทริกซ์ที่เร็วขึ้นด้วยการเรียนรู้แบบเสริมแรง” ธรรมชาติ 610, 47–53 (2022) URL: https:///doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4

[26] แคลร์ ไลล์, มาร์ค จี. เบลล์มาเร และปาโบล ซามูเอล คาสโตร “การวิเคราะห์เปรียบเทียบการเรียนรู้แบบเสริมกำลังที่คาดหวังและแบบกระจาย”. การดำเนินการของการประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์ 33, 4504–4511 (2019) URL: https:///doi.org/10.1609/aaai.v33i01.33014504.
https://doi.org/10.1609/aai.v33i01.33014504

[27] “ควอนตินัม H1-1, H1-2” https:///www.quantinuum.com/ (2022) เข้าถึงได้: 15-22 พฤศจิกายน 2022; วันที่ 7-12 ธันวาคม 2022
https:///www.quantinuum.com/

[28] แดเนียล เจ. บรอด “การจำลองวงจรแมชเกตแบบคลาสสิกที่มีประสิทธิภาพพร้อมอินพุตและการวัดทั่วไป” การทบทวนทางกายภาพ A 93 (2016) URL: https:///doi.org/10.1103/physreva.93.062332.
https://doi.org/10.1103/physreva.93.062332

[29] แมทธิว แอล. โกห์, มาร์ติน ลารอกกา, ลูคัส ซินซิโอ, เอ็ม. เซเรโซ และเฟรเดริก โซเวจ “การจำลองคลาสสิกพีชคณิตโกหกสำหรับการคำนวณควอนตัมแบบแปรผัน” (2023) URL: https:///doi.org/10.48550/arXiv.2308.01432.
https://doi.org/10.48550/arXiv.2308.01432

[30] มิคาล ออสซมาเนียค, นินนัท ดังเนียม, เมาโร อีเอส โมราเลส และโซลแทน ซิมโบราส “การสุ่มตัวอย่างแบบเฟอร์มิออน: รูปแบบความได้เปรียบในการคำนวณควอนตัมที่แข็งแกร่งโดยใช้ออปติกเชิงเส้นแบบเฟอร์มิออนและสถานะอินพุตเวทย์มนตร์” PRX ควอนตัม 3 (2022) URL: https:///doi.org/10.1103/PRXQuantum.3.020328.
https://doi.org/10.1103/PRXQuantum.3.020328

[31] ไมเคิล เอ. นีลเส็น และไอแซค แอล. ชวง “การคำนวณควอนตัมและข้อมูลควอนตัม: ฉบับครบรอบ 10 ปี” สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์. (2012) ฉบับที่ 1 URL: https:///doi.org/10.1017/CBO9780511976667.
https://doi.org/10.1017/CBO9780511976667

[32] อาร์เอส ซัตตัน และ เอจี บาร์โต “การเรียนรู้แบบเสริมกำลัง: บทนำ”. ธุรกรรม IEEE บนโครงข่ายประสาทเทียม 9, 1054–1054 (1998) URL: https:///doi.org/10.1109/TNN.1998.712192.
https://doi.org/10.1109/TNN.1998.712192

[33] ไค อรุลกุมารัน, มาร์ค ปีเตอร์ ไดเซนรอธ, ไมล์ส บรันเดจ และอนิล แอนโทนี่ บาราธ “การเรียนรู้การเสริมกำลังเชิงลึก: แบบสำรวจโดยย่อ”. นิตยสารการประมวลผลสัญญาณ IEEE 34, 26–38 (2017) URL: https:///doi.org/10.1109/MSP.2017.2743240.
https://doi.org/10.1109/MSP.2017.2743240

[34] แมกนัส วีส, เหลียนจุน ไป่, เบน วู้ด และฮันส์ บูห์เลอร์ “การป้องกันความเสี่ยงเชิงลึก: เรียนรู้ที่จะจำลองตลาดออปชั่นตราสารทุน” วารสารอิเล็กทรอนิกส์ SSRN (2019) URL: https:///dx.doi.org/10.2139/ssrn.3470756.
https://doi.org/10.2139/ssrn.3470756

[35] ฮันส์ บูห์เลอร์, ฟิลลิป เมอร์เรย์, มิคโค เอส. ปักคาเนน และเบน วูด “การป้องกันความเสี่ยงเชิงลึก: เรียนรู้ที่จะขจัดความคลาดเคลื่อนภายใต้แรงเสียดทานในการซื้อขายด้วยมาตรการ Near-Martingale ที่เทียบเท่าน้อยที่สุด” (2022) URL: https:///doi.org/10.48550/arXiv.2111.07844.
https://doi.org/10.48550/arXiv.2111.07844

[36] แมกนัส วีส, เบน วูด, อเล็กซานเดร ปาชูด์, ราล์ฟ คอร์น, ฮานส์ บูห์เลอร์, เมอร์เรย์ ฟิลลิป และเหลียนจุน ไป่ “สปอตสินทรัพย์หลากหลายและการจำลองตลาดออปชั่น” วารสารอิเล็กทรอนิกส์ SSRN (2021) URL: https:///dx.doi.org/10.2139/ssrn.3980817.
https://doi.org/10.2139/ssrn.3980817

[37] ฟิลลิป เมอร์เรย์, เบน วูด, ฮานส์ บูห์เลอร์, แมกนัส วีส และมิคโก้ ปัคคาเนน “การป้องกันความเสี่ยงเชิงลึก: การเรียนรู้การเสริมกำลังอย่างต่อเนื่องสำหรับการป้องกันความเสี่ยงของพอร์ตการลงทุนทั่วไปในการหลีกเลี่ยงความเสี่ยงที่หลากหลาย” ในการดำเนินการประชุมนานาชาติ ACM ครั้งที่ 361 เรื่อง AI ในด้านการเงิน หน้า 368–22. ICAIF '2022 นิวยอร์ก รัฐนิวยอร์ก สหรัฐอเมริกา (10.1145) สมาคมเครื่องจักรคอมพิวเตอร์ URL: https:///doi.org/3533271.3561731/XNUMX.
https://doi.org/10.1145/3533271.3561731

[38] โคสุเกะ มิตะไร, มาโกโตะ เนโกโระ, มาซาฮิโระ คิตากาวะ และเคสุเกะ ฟูจิอิ “การเรียนรู้วงจรควอนตัม” การตรวจร่างกาย A 98, 032309 (2018) URL: https:///doi.org/10.1103/PhysRevA.98.032309.
https://doi.org/10.1103/PhysRevA.98.032309

[39] ดีแลน เฮอร์แมน, รูดี้ เรย์มอนด์, มู่หยวน ลี, นิโคลัส โรเบิลส์, อันโตนิโอ เมซซากาโป และมาร์โก พิสโตเอีย “การแสดงออกของการเรียนรู้ของเครื่องควอนตัมแบบแปรผันบนลูกบาศก์บูลีน” (2022) URL: https:///doi.org/10.1109/TQE.2023.3255206.
https://doi.org/10.1109/TQE.2023.3255206

[40] เอ็ดเวิร์ด ฟาร์ฮี และฮาร์ทมุท เนเวน “การจำแนกประเภทด้วยโครงข่ายประสาทเทียมควอนตัมบนโปรเซสเซอร์ระยะใกล้” รายงานทางเทคนิค. เว็บวิทยาศาสตร์เปิด (2020) URL: https:///doi.org/10.48550/arXiv.1802.06002.
https://doi.org/10.48550/arXiv.1802.06002

[41] อาเดรียน เปเรซ-ซาลินาส, อัลบา เซอร์เบรา-เลียร์ตา, เอลีส กิล-ฟุสเตอร์ และโฮเซ่ ไอ. ลาตอร์เร “การอัปโหลดข้อมูลซ้ำสำหรับตัวแยกประเภทควอนตัมสากล” ควอนตัม 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] โจนาส แลนด์แมน, นาธานช มาเธอร์, ยุน อีวอนนา ลี, มาร์ติน สตราห์ม, สคานเดอร์ คาซดากลี, อนุปัม ปรากาช และอิออร์ดานิส เคเรนิดิส “วิธีควอนตัมสำหรับโครงข่ายประสาทเทียมและการประยุกต์เพื่อการจำแนกภาพทางการแพทย์” ควอนตัม 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] มาร์เชลโล เบเนเดตติ, เดลฟิน่า การ์เซีย-ปินตอส, ออสการ์ แปร์โดโม, วิเซนเต้ เลย์ตัน-ออร์เตกา, ยุนซอง นัม และอเลฮานโดร แปร์โดโม-ออร์ติซ “แนวทางการสร้างแบบจำลองเชิงกำเนิดสำหรับการเปรียบเทียบและการฝึกอบรมวงจรควอนตัมแบบตื้น” ข้อมูลควอนตัม npj 5, 45 (2019) URL: https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8

[44] มาร์เชลโล เบเนเดตติ, ไบรอัน คอยล์, มัตเทีย ฟิออเรนตินี่, ไมเคิล ลูบาช และมัทธีอัส โรเซนครานซ์ “การอนุมานเชิงแปรผันด้วยคอมพิวเตอร์ควอนตัม” การทบทวนทางกายภาพใช้แล้ว 16, 044057 (2021) URL: https:///doi.org/10.1103/PhysRevApplied.16.044057.
https://doi.org/10.1103/PhysRevApplied.16.044057

[45] นิโค เมเยอร์, คริสเตียน อูเฟรชท์, มานิรามาน เปริริยาซามี, แดเนียล ดี. เชเรอร์, แอ็กเซล พลิงจ์ และคริสโตเฟอร์ มัทชเลอร์ “แบบสำรวจการเรียนรู้การเสริมกำลังควอนตัม” (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 และ Jay M. Gambetta “การเรียนรู้แบบมีผู้สอนพร้อมพื้นที่ฟีเจอร์เสริมควอนตัม” ธรรมชาติ 567, 209–212 (2019) URL: https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2

[47] มาเรีย ชูลด์, ไรอัน สเวค และโยฮันเนส จาคอบ เมเยอร์ “ผลของการเข้ารหัสข้อมูลต่อพลังการแสดงออกของแบบจำลองควอนตัมแมชชีนเลิร์นนิงแบบแปรผัน” การตรวจร่างกาย A 103, 032430 (2021) URL: https:///doi.org/10.1103/PhysRevA.103.032430.
https://doi.org/10.1103/PhysRevA.103.032430

[48] ฟรานซิสโก ฮาเวียร์ กิล วิดัล และเดิร์ก โอลิเวอร์ ธีส “อินพุตซ้ำซ้อนสำหรับวงจรควอนตัมแบบกำหนดพารามิเตอร์” พรมแดนทางฟิสิกส์ 8, 297 (2020) URL: https:///doi.org/10.3389/fphy.2020.00297.
https://doi.org/10.3389/fphy.2020.00297

[49] เอล อามีน เชอร์รัต, อิออร์ดานิส เคเรนิดิส, นาแทนช์ มาเธอร์, โจนาส แลนด์แมน, มาร์ติน สตราห์ม และ ยุน อีวอนนา ลี “ควอนตัมวิชั่นทรานส์ฟอร์มเมอร์ส” (2022) URL: https:///doi.org/10.48550/arXiv.2209.08167.
https://doi.org/10.48550/arXiv.2209.08167

[50] มาเรีย ชูลด์, วิลล์ เบิร์กโฮล์ม, คริสเตียน โกโกลิน, จอช ไอแซค และนาธาน คิลโลแรน “การประเมินการไล่ระดับเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม” การตรวจร่างกาย A 99, 032331 (2019) URL: https:///doi.org/10.1103/PhysRevA.99.032331.
https://doi.org/10.1103/PhysRevA.99.032331

[51] อิออร์ดานิส เคเรนิดิส. “วิธีการโหลดข้อมูลคลาสสิกเข้าสู่สถานะควอนตัมสำหรับแอปพลิเคชันในการเรียนรู้ของเครื่องและการเพิ่มประสิทธิภาพ” การยื่นขอรับสิทธิบัตรสหรัฐอเมริกา (2020) URL: https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1

[52] โซนิกา โจห์รี, ชานทานู เดบนาธ, อาวินาช โมเชอร์ลา, อเล็กซานดรอส ซิงก์, อนุปัม ปรากาช, จุงซัง คิม และอิออร์ดานิส เคเรนิดิส “การจำแนกประเภทเซนทรอยด์ที่ใกล้ที่สุดบนคอมพิวเตอร์ควอนตัมไอออนที่ติดอยู่” ข้อมูลควอนตัม npj 7, 122 (2021) URL: https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5

[53] อิออร์ดานิส เคเรนิดิส และอนุพัม ปรากาช “การเรียนรู้ของเครื่องควอนตัมพร้อมสถานะพื้นที่ย่อย” (2022) URL: https:///doi.org/10.48550/arXiv.2202.00054.
https://doi.org/10.48550/arXiv.2202.00054

[54] อาชิช วาสวานี, โนม ชาเซียร์, นิกิ ปาร์มาร์, ยาคอบ อุสโคไรต์, ลิออน โจนส์, ไอดาน เอ็น โกเมซ, ลูคัสซ์ ไคเซอร์ และอิลเลีย โปโลซูคิน “ความสนใจคือสิ่งที่คุณต้องการ” ใน I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan และ R. Garnett บรรณาธิการ ความก้าวหน้าในระบบประมวลผลข้อมูลทางประสาท เล่มที่ 30 Curran Associates, Inc. (2017) URL: https:///doi.org/10.48550/arXiv.1706.03762.
https://doi.org/10.48550/arXiv.1706.03762

[55] มาร์ติน ลารอกกา, เฟรเดริก โซเวจ, ฟาริส เอ็ม. สบาฮี, กิโยม แวร์ดอน, แพทริค เจ. โคลส์ และเอ็ม. เซเรโซ “การเรียนรู้เครื่องควอนตัมแบบไม่แปรผันกลุ่ม” PRX ควอนตัม 3, 030341 (2022) URL: https:///doi.org/10.1103/PRXQuantum.3.030341.
https://doi.org/10.1103/PRXQuantum.3.030341

[56] เจียเหยา จาง, กวงซู จู้, โรเบิร์ต ดับเบิลยู. เฮลธ์ จูเนียร์ และไคปิน ฮวง “การเรียนรู้แบบ Grassmannian: การฝังการรับรู้ทางเรขาคณิตในการเรียนรู้แบบตื้นและเชิงลึก” (2018) URL: https:///doi.org/10.48550/arXiv.1808.02229.
https://doi.org/10.48550/arXiv.1808.02229

[57] ซูเฉินโหย่ว, เชาวนิก จักราบาร์ตี และเสี่ยวตี้ หวู่ “ทฤษฎีการลู่เข้าสำหรับควอนตัมไอเกนโซลเวอร์แบบแปรผันที่มีพารามิเตอร์มากเกินไป” (2022) URL: https:///doi.org/10.48550/arXiv.2205.12481.
https://doi.org/10.48550/arXiv.2205.12481

[58] มาร์ติน ลารอกกา, นาธาน จู, ดิเอโก การ์เซีย-มาร์ติน, แพทริค เจ. โคลส์ และเอ็ม. เซเรโซ “ทฤษฎีการทำให้เกินพารามิเตอร์ในโครงข่ายประสาทเทียมควอนตัม” (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 และ Marco Cerezo “การวินิจฉัย Barren Plateaus ด้วยเครื่องมือจากการควบคุมเชิงควอนตัมที่เหมาะสมที่สุด” ควอนตัม 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] เบอนัวต์ คอลลินส์ และปิโอเตอร์ ชเนียดี “การบูรณาการด้วยความเคารพต่อมาตรการ Haar บนกลุ่มที่เป็นเอกภาพ มุมฉาก และกลุ่มสมมาตร” การสื่อสารในฟิสิกส์คณิตศาสตร์ 264, 773–795 (2006) URL: https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3

[61] เอนริโก ฟอนทานา, ดีแลน เฮอร์แมน, ชูวนิก จักราบาร์ตี, นิราช คูมาร์, โรมินา ยาโลเวตซกี้, เจมี เฮเร็ดจ์, ศรี ฮารี สุเรชบาบู และมาร์โก พิสโตเอีย “สิ่งที่แนบมาคือสิ่งที่คุณต้องการ: การระบุลักษณะที่ราบสูงแห้งแล้งใน 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 และ M. Cerezo “ทฤษฎีรวมของที่ราบสูงแห้งแล้งสำหรับวงจรควอนตัมพาราเมตริกแบบลึก” (2023) URL: https:///doi.org/10.48550/arXiv.2309.09342.
https://doi.org/10.48550/arXiv.2309.09342

[63] ลีโอ มงบรุสซู, โยนาส ลันด์แมน, อเล็กซ์ บี. กริโล, โรเมน คูคลา และเอลฮัม คาเชฟี “ความสามารถในการฝึกอบรมและการแสดงออกของการทุบน้ำหนักเพื่อรักษาวงจรควอนตัมสำหรับการเรียนรู้ของเครื่อง” (2023) URL: https:///doi.org/10.48550/arXiv.2309.15547.
https://doi.org/10.48550/arXiv.2309.15547

[64] ไคหนิง จาง, หลิว หลิว, มินซิ่วเซียะ และต้าเฉิงเต๋า “การหลบหนีจากที่ราบสูงแห้งแล้งด้วยการเริ่มต้นแบบเกาส์เซียนในวงจรควอนตัมแปรผันเชิงลึก” (2022) URL: https:///doi.org/10.48550/arXiv.2203.09376.
https://doi.org/10.48550/arXiv.2203.09376

[65] โอเว่น ล็อควูด และ เหมย ซี “การเล่น Atari ด้วยการเรียนรู้การเสริมกำลังควอนตัมคลาสสิกแบบไฮบริด” (2021) URL: https:///doi.org/10.48550/arXiv.2107.04114.
https://doi.org/10.48550/arXiv.2107.04114

[66] ซามูเอล เยน-ฉี เฉิน, เฉา-ฮัน ฮัก หยาง, จุน ฉี, ผิน-ยู เฉิน, เซียวลี่ หม่า และ ซี-เซิง โกอัน “วงจรควอนตัมแบบแปรผันเพื่อการเรียนรู้แบบเสริมแรงเชิงลึก” IEEE เข้าถึง 8, 141007–141024 (2020) URL: https:///doi.org/10.1109/ACCESS.2020.3010470.
https://doi.org/10.1109/ACCESS.2020.3010470

[67] โอเว่น ล็อควูด และ เหมย ซี “การเรียนรู้แบบเสริมแรงด้วยวงจรแปรผันควอนตัม” การดำเนินการของการประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์และความบันเทิงดิจิทัลเชิงโต้ตอบ 16, 245–251 (2020) URL: https:///doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437

[68] ยุนซอก กวัก, วอน จุน ยุน, โซอี จุง, จงกุก คิม และ จุงฮอน คิม “ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้การเสริมกำลังควอนตัม: ทฤษฎีและการใช้งานแบบเพนนีเลน” ในปี 2021 การประชุมนานาชาติเรื่องการบรรจบกันของเทคโนโลยีสารสนเทศและการสื่อสาร (ICTC) หน้า 416–420. เกาะเชจู เกาหลี สาธารณรัฐ (2021) อีอีอี URL: https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885

[69] โซฟีเน เจอร์บี, แคสเปอร์ กยูริก, ไซมอน มาร์แชล, ฮานส์ บรีเกล และเวดราน ดันจ์โก้ “นโยบายควอนตัมแบบกำหนดพารามิเตอร์สำหรับการเรียนรู้แบบเสริมกำลัง” ใน M. Ranzato, A. Beygelzimer, Y. Dauphin, PS Liang และ J. Wortman Vaughan บรรณาธิการ ความก้าวหน้าในระบบประมวลผลข้อมูลทางประสาท เล่มที่ 34 หน้า 28362–28375 Curran Associates, Inc. (2021) URL: https:///doi.org/10.48550/arXiv.2103.05577.
https://doi.org/10.48550/arXiv.2103.05577

[70] เจน-เยว่เซียว, หยูซวนตู้, เว่ยหยินเชียง, มินซิ่วเซียว และซีเซิงโกอัน “ตัวแทนการเรียนรู้การเสริมกำลังควอนตัมที่ไม่พันกันใน OpenAI Gym” (2022) URL: https:///doi.org/10.48550/arXiv.2203.14348.
https://doi.org/10.48550/arXiv.2203.14348

[71] เอล อามีน เชอร์รัต, อิออร์ดานิส เคเรนิดิส และอนุปัม ปรากาช “การเรียนรู้การเสริมกำลังควอนตัมผ่านการวนซ้ำนโยบาย” 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] เตาเฉิน หวัง, อาร์ธี ซุนดาราม, โรบิน โคธารี, อาชิช กาปูร์ และมาร์ติน รูตต์เลอร์ “อัลกอริธึมควอนตัมสำหรับการเรียนรู้แบบเสริมแรงด้วยแบบจำลองกำเนิด” ในการประชุมนานาชาติเรื่อง Machine Learning หน้า 10916–10926. PMLR (2021) URL: https:///doi.org/10.48550/arXiv.2112.08451.
https://doi.org/10.48550/arXiv.2112.08451

[73] โซฟีเน เจอร์บี, อาร์จาน คอร์เนลิสเซน, มาริส โอโซล และเวดราน ดันจ์โก “อัลกอริธึมการไล่ระดับนโยบายควอนตัม” (2022) URL: https:///doi.org/10.48550/arXiv.2212.09328.
https://doi.org/10.48550/arXiv.2212.09328

[74] อาร์จาน คอร์เนลิสเซ่น. “การประมาณค่าเกรเดียนต์ควอนตัมและการประยุกต์เพื่อการเรียนรู้การเสริมแรงควอนตัม” วิทยานิพนธ์ระดับปริญญาโท (2018) URL: http:///resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e

[75] ฮั่นเซิง เจียง, แมกซ์เซินจั่วจุน และหลิวจุนหยู่ “วิธีคอมพิวเตอร์ควอนตัมเพื่อการจัดการห่วงโซ่อุปทาน” ในปี 2022 IEEE/ACM 7th Symposium on Edge Computing (SEC) หน้า 400–405. ซีแอตเทิล วอชิงตัน สหรัฐอเมริกา (2022) อีอีอี URL: https:///doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059

[76] มาร์ค จี. เบลล์แมร์, วิลล์ ดาบนีย์ และเรมี มูโนส “มุมมองการกระจายการเรียนรู้แบบเสริมกำลัง” ในการประชุมนานาชาติเรื่องการเรียนรู้ของเครื่องครั้งที่ 34 – เล่มที่ 70 หน้า 449–458 ICML'17ซิดนีย์ นิวเซาธ์เวลส์ ออสเตรเลีย (2017) JMLR.org URL: https:///doi.org/10.48550/arXiv.1707.06887.
https://doi.org/10.48550/arXiv.1707.06887

[77] วิล ดาบนีย์, มาร์ค โรว์แลนด์, มาร์ค เบลล์แมร์ และเรมี มูนอส “การเรียนรู้การเสริมแรงแบบกระจายด้วยการถดถอยเชิงปริมาณ”. การดำเนินการประชุม AAAI เรื่องปัญญาประดิษฐ์ 32 (2018) URL: https:///doi.org/10.1609/aaai.v32i1.11791.
https://doi.org/10.1609/aai.v32i1.11791

[78] แมทเธียส ซี. คาโร และอิชอน ดาตต้า “มิติเสมือนของวงจรควอนตัม” ควอนตัมแมชชีนอัจฉริยะ 2 (2020) URL: https:///doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5

[79] ฮันส์ บูห์เลอร์, เมอร์เรย์ ฟิลลิป และเบน วูด “การป้องกันความเสี่ยง Deep Bellman” วารสารอิเล็กทรอนิกส์ SSRN (2022) URL: https:///dx.doi.org/10.2139/ssrn.4151026.
https://doi.org/10.2139/ssrn.4151026

[80] ทัน เหงียน-ถัง, สุนิล กุปตา และสเวธา เวนกาเตช “การเรียนรู้การเสริมแรงแบบกระจายผ่านการจับคู่ช่วงเวลา” การดำเนินการของการประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์ 35, 9144–9152 (2021) URL: https:///doi.org/10.1609/aaai.v35i10.17104.
https://doi.org/10.1609/aai.v35i10.17104

อ้างโดย

[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu และ Marco Pistoia, “สิ่งที่แนบมาคือสิ่งที่คุณต้องการ: การระบุลักษณะที่ราบสูงแห้งแล้งใน Quantum Ansätze”, arXiv: 2309.07902, (2023).

[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia และ Yuri Alexeev, “คอมพิวเตอร์ควอนตัมสำหรับการเงิน”, ฟิสิกส์รีวิวธรรมชาติ 5 8, 450 (2023).

[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch และ Alexey Melnikov, “เครือข่ายประสาทเทียมที่ได้รับข้อมูลจากฟิสิกส์ควอนตัมแบบไฮบริดสำหรับจำลองพลศาสตร์ของไหลเชิงคำนวณในรูปทรงที่ซับซ้อน”, arXiv: 2304.11247, (2023).

การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2023-11-29 13:34:05 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน

ไม่สามารถดึงข้อมูล Crossref อ้างโดย data ระหว่างความพยายามครั้งล่าสุด 2023-11-29 13:34:04 น.: ไม่สามารถดึงข้อมูลที่อ้างถึงสำหรับ 10.22331/q-2023-11-29-1191 จาก Crossref นี่เป็นเรื่องปกติหาก DOI ได้รับการจดทะเบียนเมื่อเร็วๆ นี้

บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา

เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
ที่มา: https://quantum-journal.org/papers/q-2023-11-29-1191/

ประทับเวลา: November 29, 2023

ประทับเวลา: กันยายน 25, 2023

การป้องกันความเสี่ยงเชิงลึกควอนตัม

เผยแพร่ซ้ำโดยเพลโต

นามธรรม

► ข้อมูล BibTeX

► ข้อมูลอ้างอิง

อ้างโดย

เพิ่มเติมจาก วารสารควอนตัม

การรู้จำเฟสควอนตัมด้วยวิธีควอนตัมเคอร์เนล

หลับไหลส่งตามฤดูกาล

สูตรกาลอวกาศแบบไม่ต่อเนื่องเชิงสัมพันธ์ของ 3+1 QED

การเตรียมสถานะในแบบจำลองไฮเซนเบิร์กผ่านเกลียวอะเดียแบติก

บทบาทของการเชื่อมโยงกันของสสารในการพัวพันเนื่องจากแรงโน้มถ่วง

การศึกษาภาคสนามเฉลี่ยของการก่อตัวของคอนเดนเสทควอซิพาร์ติเคิล 2 มิติเมื่อมีการสลายตัวที่รุนแรง

วงจรช่องควอนตัมอวกาศและเวลา

รหัสการเข้าถึงแบบสุ่มผ่านความซ้ำซ้อนตามบริบทควอนตัม

การตรวจสอบความพัวพันของควอนตัมจากประชากรในระดับแม่เหล็ก: นอกเหนือไปจากความไม่เท่าเทียมกันของสปิน

การทดสอบสมมาตรบนคอมพิวเตอร์ควอนตัม

เกี่ยวกับเรา

การค้นหาแนวตั้ง & Ai

ระบบปฏิบัติการ

การติดต่อ

ลงชื่อเข้าใช้