เครือข่ายที่เกิดซ้ำในระดับลึกทำนายวิวัฒนาการของช่องว่างในคอมพิวเตอร์ควอนตัมอะเดียแบติก

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

นาอีเมห์ โมเสนี^1,2คาร์ลอส นาวาเรเต-เบนลอค^3,4,1, ทิม เบิร์นส์^5,6,7,8,9, และ ฟลอเรียน มาร์การ์ด^1,2

¹Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 แอร์ลังเงิน, เยอรมนี
²ภาควิชาฟิสิกส์ มหาวิทยาลัย Erlangen-Nuremberg, Staudtstr. 5, 91058 แอร์ลังเงิน, เยอรมนี
³Wilczek Quantum Center, School of Physics and Astronomy, Shanghai Jiao Tong University, Shanghai 200240, จีน
⁴ศูนย์วิจัยวิทยาศาสตร์ควอนตัมเซี่ยงไฮ้ เซี่ยงไฮ้ 201315 ประเทศจีน
⁵New York University Shanghai, 1555 Century Ave, ผู่ตง, เซี่ยงไฮ้ 200122, จีน
⁶ห้องปฏิบัติการที่สำคัญของรัฐของสเปกโทรสโกปีแม่นยำ คณะวิชาวิทยาศาสตร์กายภาพและวัสดุ มหาวิทยาลัยอีสต์ไชน่านอร์มอล เซี่ยงไฮ้ 200062 ประเทศจีน
⁷สถาบันฟิสิกส์ NYU-ECNU ที่ NYU Shanghai, 3663 Zhongshan Road North, Shanghai 200062, China
⁸ศูนย์ระบบควอนตัมและทอพอโลยี (CQTS) สถาบันวิจัย NYUAD มหาวิทยาลัยนิวยอร์ก อาบูดาบี สหรัฐอาหรับเอมิเรตส์
⁹ภาควิชาฟิสิกส์ New York University, New York, NY 10003, USA

พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.

นามธรรม

ในการคำนวณควอนตัมแบบอะเดียแบติก การค้นหาการพึ่งพาช่องว่างของแฮมิลตันในฐานะฟังก์ชันของพารามิเตอร์ที่แปรผันระหว่างการกวาดแบบอะเดียแบติกนั้นมีความสำคัญอย่างยิ่งในการปรับความเร็วของการคำนวณให้เหมาะสมที่สุด แรงบันดาลใจจากความท้าทายนี้ ในงานนี้เราสำรวจศักยภาพของการเรียนรู้เชิงลึกสำหรับการค้นหาการแมปจากพารามิเตอร์ที่ระบุปัญหาของ Hamiltonian อย่างสมบูรณ์ไปจนถึงการพึ่งพาพารามิเตอร์ดังกล่าวของช่องว่างที่ใช้สถาปัตยกรรมเครือข่ายที่แตกต่างกัน จากตัวอย่างนี้ เราคาดเดาว่าปัจจัยจำกัดสำหรับความสามารถในการเรียนรู้ของปัญหาดังกล่าวคือขนาดของอินพุต นั่นคือจำนวนพารามิเตอร์ที่จำเป็นในการระบุมาตราส่วนแฮมิลตันกับขนาดของระบบอย่างไร เราแสดงให้เห็นว่าเครือข่ายหน่วยความจำระยะสั้นระยะยาวประสบความสำเร็จในการทำนายช่องว่างเมื่อพื้นที่พารามิเตอร์ปรับขนาดเชิงเส้นตรงกับขนาดของระบบ เราแสดงให้เห็นว่าเมื่อสถาปัตยกรรมนี้รวมกับเครือข่ายประสาทเทียมเพื่อจัดการกับโครงสร้างเชิงพื้นที่ของแบบจำลอง วิวัฒนาการของช่องว่างสามารถทำนายได้สำหรับขนาดระบบที่ใหญ่กว่าเครือข่ายประสาทเทียมที่มองเห็นระหว่างการฝึกอบรม สิ่งนี้ให้ความเร็วที่สำคัญเมื่อเปรียบเทียบกับอัลกอริทึมที่แน่นอนและใกล้เคียงที่มีอยู่เดิมในการคำนวณช่องว่าง

ภาพเด่น: โครงข่ายประสาทเทียมเรียนรู้ช่องว่างแบบพาราเมตริกโดยการสังเกตข้อมูลที่สร้างโดยคอมพิวเตอร์คลาสสิกหรือคอมพิวเตอร์ควอนตัม

สรุปยอดนิยม

ในด้านของการคำนวณควอนตัมแบบอะเดียแบติก ประเด็นสำคัญประการหนึ่งสำหรับการได้รับความเร็วการคำนวณที่เหมาะสมที่สุดคือการทำความเข้าใจว่าช่องว่างของแฮมิลตันนั้นขึ้นอยู่กับพารามิเตอร์ที่หลากหลายในระหว่างการกวาดแบบอะเดียแบติกอย่างไร ด้วยแรงบันดาลใจจากความท้าทายนี้ เอกสารของเราจึงเริ่มดำเนินการตรวจสอบศักยภาพของเทคนิคการเรียนรู้เชิงลึกเพื่อค้นหาการจับคู่ระหว่างพารามิเตอร์แฮมิลตันของปัญหาและการพึ่งพาพารามิเตอร์ของช่องว่าง ด้วยการใช้สถาปัตยกรรมเครือข่ายที่หลากหลาย เราตรวจสอบขีดจำกัดความสามารถในการเรียนรู้ของปัญหาดังกล่าว การตรวจสอบของเราชี้ให้เห็นว่าความสามารถในการปรับขนาดของจำนวนพารามิเตอร์ที่จำเป็นในการระบุ Hamiltonian ในส่วนที่เกี่ยวกับขนาดของระบบนั้นมีบทบาทสำคัญในการเรียนรู้ปัญหาดังกล่าว

เราแสดงให้เห็นว่าโครงข่ายประสาทที่ผ่านการฝึกอบรมประสบความสำเร็จในการทำนายวิวัฒนาการของช่องว่างทั้งหมดระหว่างการกวาดแบบอะเดียแบติกสำหรับขนาดระบบขนาดใหญ่ เพียงแค่ให้มันสังเกตช่องว่างสำหรับขนาดระบบขนาดเล็ก โดยกำหนดพื้นที่พารามิเตอร์ที่ปรับขนาดเชิงเส้นตรงกับขนาดของระบบ การศึกษาของเรารวมถึงคำมั่นสัญญาของเครือข่ายที่เกิดซ้ำแบบ convolutional ในการทำนายไดนามิกแบบอะเดียแบติกของระบบร่างกายจำนวนมากที่ไม่เป็นเนื้อเดียวกันและศักยภาพในการคาดการณ์พลวัตนอกเหนือจากที่เครือข่ายประสาทได้รับการฝึกฝน

► ข้อมูล BibTeX

@article{Mohseni2023deeprecurrent, doi = {10.22331/q-2023-06-12-1039}, url = {https://doi.org/10.22331/q-2023-06-12-1039}, title = {เกิดซ้ำลึก เครือข่ายทำนายวิวัฒนาการของช่องว่างในการคำนวณควอนตัมอะเดียแบติก}, ผู้เขียน = {Mohseni, Naeimeh และ Navarrete-Benlloch, Carlos and Byrnes, Tim และ Marquardt, Florian}, วารสาร = {{Quantum}}, issn = {2521-327X}, ผู้จัดพิมพ์ = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}} ปริมาณ = {7} หน้า = {1039} เดือน = มิถุนายน ปี = {2023} }

► ข้อมูลอ้างอิง

[1] โดริท อาฮาโรนอฟ และอัมโนน ตา-ชมา การสร้างสถานะควอนตัม Adiabatic และความรู้ที่เป็นศูนย์ทางสถิติ ในรายงานการประชุมวิชาการ ACM ประจำปีครั้งที่ 20 เรื่องทฤษฎีการคำนวณ หน้า 29–2003 ปี 10.1145 780542.780546/XNUMX
https://doi.org/10.1145/780542.780546

[2] มหาบูบุล อาลัม, อับดุลลาห์ อัช-ซากี และสวารูป กอช เร่งความเร็วอัลกอริธึมการเพิ่มประสิทธิภาพเชิงควอนตัมโดยใช้การเรียนรู้ของเครื่อง ในปี 2020 Design, Automation & Test in Europe Conference & Exhibition (DATE), หน้า 686–689 IEEE 2020 10.5555/3408352.3408509
https://doi.org/10.5555/3408352.3408509

[3] ทามีม อัลบาช และดาเนียล เอ ลิดาร์ การสาธิตความได้เปรียบในการปรับขนาดสำหรับเครื่องอบอ่อนแบบควอนตัมเหนือการอบอ่อนจำลอง การทบทวนทางกายภาพ X, 8 (3): 031016, 2018 10.1103/PhysRevX.8.031016
https://doi.org/10.1103/PhysRevX.8.031016

[4] Boris Altshuler, Hari Krovi และJérémie Roland การแปล Anderson ทำให้การปรับควอนตัมอะเดียแบติกล้มเหลว การดำเนินการของ National Academy of Sciences, 107 (28): 12446–12450, 2010 10.1073/pnas.1002116107
https://doi.org/10.1073/pnas.1002116107

[5] MHS อามิน และ วี ชอย การเปลี่ยนเฟสควอนตัมอันดับหนึ่งในการคำนวณควอนตัมอะเดียแบติก การทบทวนทางกายภาพ A, 80 (6): 062326, 2009. 10.1103/PhysRevA.80.062326
https://doi.org/10.1103/PhysRevA.80.062326

[6] แมทธิว เจ เอส บีช, แอนนา โกลูเบวา และโรเจอร์ จี. เมลโก แมชชีนเลิร์นนิงหมุนวนในช่วงเปลี่ยนผ่าน kosterlitz-thouless การทบทวนทางกายภาพ B, 97 (4): 045207, 2018 10.1103/PhysRevB.97.045207
https://doi.org/10.1103/PhysRevB.97.045207

[7] Giulio Biroli, Simona Cocco และ Rémi Monasson การเปลี่ยนเฟสและความซับซ้อนในวิทยาการคอมพิวเตอร์: ภาพรวมของแนวทางฟิสิกส์เชิงสถิติสำหรับปัญหาความพึงพอใจแบบสุ่ม Physica A: กลไกทางสถิติและการประยุกต์ใช้ 306: 381–394, 2002 10.1016/S0378-4371(02)00516-2
https://doi.org/10.1016/S0378-4371(02)00516-2

[8] อเล็กซ์ บลาเนีย, ซานโดร เฮอร์บิก, ฟาเบียน ดีเชนต์, เอเวิร์ต ฟาน นีวเวนบวร์ก และฟลอเรียน มาร์กการ์ด การเรียนรู้อย่างลึกซึ้งเกี่ยวกับความหนาแน่นเชิงพื้นที่ในระบบควอนตัมที่สัมพันธ์กันแบบเอกพันธ์ พิมพ์ล่วงหน้า arXiv arXiv:2211.09050, 2022. 10.48550/arXiv.2211.09050
https://doi.org/10.48550/arXiv.2211.09050
arXiv: 2211.09050

[9] โทรลส์ อาร์นเฟรด โบเยเซ่น มอนติคาร์โลตามนโยบาย: พลวัตของห่วงโซ่มาร์คอฟการเรียนรู้การเสริมแรง การทบทวนทางกายภาพ 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 และ Pankaj Mehta การเรียนรู้การเสริมแรงในระยะต่าง ๆ ของการควบคุมควอนตัม ฟิสิกส์ รายได้ X 8: 031086 กันยายน 2018 10.1103/PhysRevX.8.031086
https://doi.org/10.1103/PhysRevX.8.031086

[11] Giuseppe Carleo และ Matthias Troyer การแก้ปัญหาควอนตัมหลายร่างกายด้วยโครงข่ายประสาทเทียม วิทยาศาสตร์ 355 (6325): 602–606, 2017 10.1126/science.aag2302
https://doi.org/10.1126/science.aag2302

[12] ฮวน การ์ราสกียา และโรเจอร์ จี เมลโก ขั้นตอนการเรียนรู้ด้วยเครื่องของสสาร ฟิสิกส์ธรรมชาติ 13 (5): 431–434, 2017 10.1038/nphys4035
https://doi.org/10.1038/nphys4035

[13] ฮวน การ์ราสกียา และ จาโกโม ตอร์ไล โครงข่ายประสาทเทียมในควอนตัมฟิสิกส์หลายตัว: แบบฝึกหัดภาคปฏิบัติ พิมพ์ล่วงหน้า arXiv arXiv:2101.11099, 2021 10.48550/arXiv.2101.11099
https://doi.org/10.48550/arXiv.2101.11099
arXiv: 2101.11099

[14] ฟรองซัวส์ โชเลต์ และคณะ เครส. https://keras.io, 2015.
https://www.keras.io

[15] Edward Farhi, Jeffrey Goldstone, Sam Gutmann และ Michael Sipser การคำนวณควอนตัมโดยวิวัฒนาการอะเดียแบติก พิมพ์ล่วงหน้า arXiv quant-ph/0001106, 2000 10.48550/arXiv.quant-ph/0001106
https://doi.org/10.48550/arXiv.quant-ph/0001106
arXiv:ปริมาณ-ph/0001106

[16] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami และ Yuya O. Nakagawa eigensolver ควอนตัมแปรผันลึก: วิธีการแบ่งและพิชิตสำหรับการแก้ปัญหาที่ใหญ่กว่าด้วยคอมพิวเตอร์ควอนตัมขนาดเล็ก PRX Quantum 3:010346 มี.ค. 2022 10.1103/PRXQuantum.3.010346
https://doi.org/10.1103/PRXQuantum.3.010346

[17] Ivan Glasser, Nicola Pancotti, Moritz August, Ivan D. Rodriguez และ J. Ignacio Cirac สถานะควอนตัมเครือข่ายประสาท สถานะสายอักขระ และสถานะทอพอโลยีแบบ chiral ฟิสิกส์ รายได้ X 8: 011006 ม.ค. 2018 10.1103/PhysRevX.8.011006
https://doi.org/10.1103/PhysRevX.8.011006

[18] เอียน กู๊ดเฟลโลว์, โยชัว เบงจิโอ และแอรอน คูร์วิลล์ การเรียนรู้อย่างลึกซึ้ง MIT Press, 2016 URL http://www.deeplearningbook.org
http://www.deeplearningbook.org

[19] อเล็กซ์ เกรฟส์, อับเดล-ราห์มาน โมฮาเหม็ด และเจฟฟรีย์ ฮินตัน การรู้จำเสียงด้วยโครงข่ายประสาทเทียมที่เกิดซ้ำลึก ในปี 2013 การประชุมนานาชาติ IEEE เกี่ยวกับการประมวลผลเสียง เสียงพูด และสัญญาณ หน้า 6645–6649 อีนี่ 2013. 10.1109/ICASSP.2013.6638947.
https://doi.org/10.1109/ICASSP.2013.6638947

[20] จาน จาโคโม เกร์เรสชี การแก้ปัญหาการเพิ่มประสิทธิภาพไบนารีแบบไม่มีข้อจำกัดกำลังสองด้วยอัลกอริทึมการหารและพิชิตและควอนตัม พิมพ์ล่วงหน้า arXiv arXiv:2101.07813, 2021. 10.48550/arXiv.2101.07813
https://doi.org/10.48550/arXiv.2101.07813
arXiv: 2101.07813

[21] ประติภา รักูปาตี เฮกเด, จิอันลูกา พาสซาเรลลี, จิโอวานนี คันเตเล และโปรโกโล ลูซิญาโน การเรียนรู้เชิงลึกกำหนดการหลอมควอนตัมที่เหมาะสมที่สุดสำหรับแบบจำลอง ising แบบสุ่ม พิมพ์ล่วงหน้า arXiv arXiv:2211.15209, 2022. 10.48550/arXiv.2211.15209
https://doi.org/10.48550/arXiv.2211.15209
arXiv: 2211.15209

[22] S Hochreiter และ J Schmidhuber การคำนวณประสาทความจำระยะสั้นระยะยาว 10.1162/neco.1997.9.8.1735.
https://doi.org/10.1162/neco.1997.9.8.1735

[23] Hsin-Yuan Huang, Richard Kueng และ John Preskill ขอบเขตทางทฤษฎีสารสนเทศเกี่ยวกับข้อได้เปรียบทางควอนตัมในการเรียนรู้ของเครื่อง ฟิสิกส์ รายได้ Lett., 126: 190505, พฤษภาคม 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 และ John Preskill แมชชีนเลิร์นนิงที่มีประสิทธิภาพพิสูจน์ได้สำหรับปัญหาควอนตัมหลายตัว วิทยาศาสตร์ 2021b 10.1126/sc.abk3333.
https://doi.org/10.1126/science.abk3333

[25] Li Huang และ Lei Wang เร่งความเร็วการจำลองมอนติคาร์โลด้วยเครื่อง Boltzmann ที่จำกัด ฟิสิกส์ รายได้ B, 95: 035105, ม.ค. 2017 10.1103/PhysRevB.95.035105
https://doi.org/10.1103/PhysRevB.95.035105

[26] มาร์โค นิดาริจัน และ มาร์ติน ฮอร์วัท ความซับซ้อนแบบเอกซ์โพเนนเชียลของอัลกอริทึมแบบอะเดียแบติกสำหรับปัญหา np-complete ฟิสิกส์ รายได้ A, 73: 022329, ก.พ. 2006 10.1103/PhysRevA.73.022329
https://doi.org/10.1103/PhysRevA.73.022329

[27] เจ โรเบิร์ต โจแฮนส์สัน, พอล ดี เนชั่น และฟรังโก โนรี Qutip: ไพทอนเฟรมเวิร์กโอเพ่นซอร์สสำหรับไดนามิกของระบบควอนตัมแบบเปิด การสื่อสารฟิสิกส์คอมพิวเตอร์ 183 (8): 1760–1772, 2012 10.48550/arXiv.1110.0573
https://doi.org/10.48550/arXiv.1110.0573

[28] โวล์ฟกัง เลคเนอร์, ฟิลิปป์ เฮาก์ และปีเตอร์ โซลเลอร์ สถาปัตยกรรมการหลอมด้วยควอนตัมพร้อมการเชื่อมต่อแบบ all-to-all จากการโต้ตอบในพื้นที่ ความก้าวหน้าทางวิทยาศาสตร์ 1 (9): e1500838, 2015. 10.1126/sciadv.1500838
https://doi.org/10.1126/sciadv.1500838

[29] Yann LeCun, Yoshua Bengio และ Geoffrey Hinton สำรวจการเรียนรู้เสริมแรงเชิงลึกด้วย multi q-learning ธรรมชาติ 521 (7553): 436–444 2015 10.1038/nature14539
https://doi.org/10.1038/nature14539

[30] ดาเนียล เอ ลีดาร์, อาลี ที เรซาคานี และอลิออสเซีย ฮัมมา การประมาณแบบอะเดียแบติกพร้อมความแม่นยำแบบเลขชี้กำลังสำหรับระบบต่างๆ ของร่างกายและการคำนวณแบบควอนตัม วารสารฟิสิกส์คณิตศาสตร์ 50 (10): 102106, 2009 10.1063/1.3236685
https://doi.org/10.1063/1.3236685

[31] ยูอิจิโระ มัตสึซากิ, ฮิเดอากิ ฮาโกชิมะ, เคนจิ ซูงิซากิ, ยูยะ เซกิ และชิโระ คาวาบาตะ การประมาณโดยตรงของช่องว่างพลังงานระหว่างสถานะพื้นและสถานะตื่นเต้นด้วยการหลอมควอนตัม วารสารฟิสิกส์ประยุกต์ของญี่ปุ่น, 60 (SB): SBBI02, 2021 10.1088/0305-4470/15/10/028
https://doi.org/10.1088/0305-4470/15/10/028

[32] Matija Medvidović และ Giuseppe Carleo การจำลองความผันแปรแบบคลาสสิกของอัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม npj ข้อมูลควอนตัม, 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 และ Sanjeev Khudanpur แบบจำลองภาษาตามโครงข่ายประสาทเทียมที่เกิดซ้ำ ในการประชุมประจำปีครั้งที่ 2010 ของสมาคมสื่อสารการพูดนานาชาติ ปี 10.21437 2010/Interspeech.343-XNUMX
https://doi.org/10.21437/Interspeech.2010-343

[34] Naeimeh Mohseni, Marek Narozniak, Alexey N Pyrkov, Valentin Ivannikov, Jonathan P. Dowling และ Tim Byrnes การลดข้อผิดพลาดในการคำนวณควอนตัมแบบอะเดียแบติกด้วยชุด qubit npj ข้อมูลควอนตัม 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 และ Florian Marquardt การเรียนรู้อย่างลึกซึ้งเกี่ยวกับไดนามิกของควอนตัมหลายร่างกายผ่านการขับแบบสุ่ม ควอนตัม 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 และ Tim Byrnes ใช้เครื่องเป็นตัวแก้ปัญหาฮาร์ดแวร์ของปัญหาการปรับให้เหมาะสมแบบผสมผสาน ฟิสิกส์รีวิวธรรมชาติ 4 (6): 363–379, 2022b 10.1038/ส42254-022-00440-8.
https://doi.org/10.1038/s42254-022-00440-8

[37] Naeimeh Mohseni, Junheng Shi, Tim Byrnes และ Michael Hartmann การเรียนรู้เชิงลึกของวัตถุที่สังเกตได้จำนวนมากและการแย่งชิงข้อมูลควอนตัม พิมพ์ล่วงหน้า arXiv arXiv:2302.04621, 2023 10.48550/arXiv.2302.04621
https://doi.org/10.48550/arXiv.2302.04621
arXiv: 2302.04621

[38] ไมเคิล เอ. นีลเส็น. โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก เล่มที่ 2018 สื่อกำหนด San Francisco, CA, 2015

[39] Murphy Yuezhen Niu, Andrew M Dai, Li Li, Augustus Odena, Zhengli Zhao, Vadim Smelyanskyi, Hartmut Neven และ Sergio Boixo ความสามารถในการเรียนรู้และความซับซ้อนของตัวอย่างควอนตัม พิมพ์ล่วงหน้า arXiv arXiv:2010.11983, 2020 10.48550/arXiv.2010.11983
https://doi.org/10.48550/arXiv.2010.11983
arXiv: 2010.11983

[40] อาเซียร์ โอซาเอต้า, วิม ฟาน แดม และปีเตอร์ แอล แมคมาฮอน ค่าความคาดหวังจากอัลกอริทึมการปรับให้เหมาะสมโดยประมาณควอนตัมชั้นเดียวในปัญหาที่กำลังเกิดขึ้น วิทยาศาสตร์และเทคโนโลยีควอนตัม 7 (4): 045036, 2022 10.1088/2058-9565/ac9013
https://doi.org/10.10882058-9565/ac9013

[41] บอริส พิทเทล, โจเอล สเปนเซอร์ และนิโคลัส วอร์มัลด์ การเกิดขึ้นอย่างกะทันหันของแกนยักษ์ในกราฟแบบสุ่ม Journal of Combinatorial Theory, Series B, 67 (1): 111–151, 1996. 10.1006/jctb.1996.0036.
https://doi.org/10.1006/jctb.1996.0036

[42] Jérémie Roland และ Nicolas J Cerf การค้นหาควอนตัมโดยวิวัฒนาการอะเดียแบติกในท้องถิ่น การทบทวนทางกายภาพ 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 และ AD Baczewski การประเมินความแตกต่างของพลังงานในคอมพิวเตอร์ควอนตัมด้วยการประมาณเฟสที่มีประสิทธิภาพ ฟิสิกส์ รายได้ Lett. 126: 210501 พฤษภาคม 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 และ Martin Suchara ควอนตัมแบ่งและพิชิตสำหรับการเพิ่มประสิทธิภาพเชิงผสมและการคำนวณแบบกระจาย พิมพ์ล่วงหน้า arXiv 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 และ S. Pilati โครงข่ายประสาทเทียมที่ปรับขนาดได้สำหรับการเรียนรู้ระบบควอนตัมที่ไม่เป็นระเบียบอย่างมีประสิทธิภาพ ฟิสิกส์ รายได้ E 102: 033301 ก.ย. 2020 10.1103/PhysRevE.102.033301
https://doi.org/10.1103/PhysRevE.102.033301

[46] เกอร์น็อท ชาลเลอร์. การเตรียมอะเดียแบติกโดยไม่มีการเปลี่ยนเฟสควอนตัม ฟิสิกส์ รายได้ A 78: 032328 ก.ย. 2008 10.1103/PhysRevA.78.032328
https://doi.org/10.1103/PhysRevA.78.032328

[47] มาร์คุส ชมิตต์ และ มาร์คุส ไฮล์ Quantum many-body dynamics ในสองมิติด้วยโครงข่ายประสาทเทียม ฟิสิกส์ รายได้ Lett. 125: 100503 ก.ย. 2020 10.1103/PhysRevLett.125.100503
https://doi.org/10.1103/PhysRevLett.125.100503

[48] ราล์ฟ ชุตซ์โฮลด์. การเปลี่ยนเฟสควอนตัมแบบไดนามิก วารสารฟิสิกส์อุณหภูมิต่ำ 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 และ Wang-chun WOO เครือข่าย lstm แบบ Convolutional: แนวทางการเรียนรู้ของเครื่องสำหรับการเร่งรัดการตกตะกอน ใน C. Cortes, N. Lawrence, D. Lee, M. Sugiyama และ R. Garnett, บรรณาธิการ, Advances in Neural Information Processing Systems, volume 28. Curran Associates, Inc., 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

[50] Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko และ Giuseppe Carleo เอกซเรย์สถานะควอนตัมเครือข่ายประสาท ฟิสิกส์ธรรมชาติ, 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 และ Sebastian D Huber ระยะการเรียนรู้เปลี่ยนไปตามความสับสน ฟิสิกส์ธรรมชาติ 13 (5): 435–439, 2017 10.1038/nphys4037
https://doi.org/10.1038/nphys4037

[52] ฟิลิปโป วิเซนตินี่. กล่องเครื่องมือการเรียนรู้ของเครื่องสำหรับฟิสิกส์ร่างกายควอนตัมจำนวนมาก ฟิสิกส์รีวิวธรรมชาติ 3 (3): 156–156 2021 10.1038/s42254-021-00285-7
https://doi.org/10.1038/s42254-021-00285-7

[53] เล่ยวัง. ค้นพบการเปลี่ยนเฟสด้วยการเรียนรู้แบบไม่มีผู้ดูแล ฟิสิกส์ รายได้ B, 94: 195105, พ.ย. 2016. 10.1103/PhysRevB.94.195105.
https://doi.org/10.1103/PhysRevB.94.195105

[54] เซบาสเตียน เจ เวทเซล การเรียนรู้แบบไม่มีผู้ดูแลเกี่ยวกับการเปลี่ยนเฟส: จากการวิเคราะห์องค์ประกอบหลักไปจนถึงตัวเข้ารหัสอัตโนมัติแบบแปรผัน การทบทวนทางกายภาพ 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 และ Wang-chun Woo เครือข่าย lstm แบบ Convolutional: แนวทางการเรียนรู้ของเครื่องสำหรับการเร่งรัดการตกตะกอน ในความก้าวหน้าในระบบประมวลผลข้อมูลประสาท หน้า 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 และ VN Smelyanskiy การขึ้นอยู่กับขนาดของช่องว่างการกระตุ้นขั้นต่ำในอัลกอริทึมอะเดียแบติกควอนตัม ฟิสิกส์ รายได้ Lett. 101: 170503 ต.ค. 2008 10.1103/PhysRevLett.101.170503
https://doi.org/10.1103/PhysRevLett.101.170503

อ้างโดย

[1] Naeimeh Mohseni, Peter L. McMahon และ Tim Byrnes, “การใช้เครื่องจักรเป็นตัวแก้ปัญหาฮาร์ดแวร์ของปัญหาการปรับให้เหมาะสมแบบผสมผสาน”, ฟิสิกส์รีวิวธรรมชาติ 4 6, 363 (2022).

[2] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch และ Florian Marquardt, “การเรียนรู้เชิงลึกของควอนตัมหลายกายไดนามิกผ่านการขับขี่แบบสุ่ม”, ควอนตัม 6, 714 (2022).

[3] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele และ Procolo Lucignano, “การเรียนรู้อย่างลึกซึ้งเกี่ยวกับตารางการหลอมควอนตัมที่เหมาะสมที่สุดสำหรับแบบจำลอง Ising แบบสุ่ม”, arXiv: 2211.15209, (2022).

[4] Alexander Gresch, Lennart Bittel และ Martin Kliesch, “แนวทางที่ปรับขนาดได้สำหรับการแปลหลายเนื้อหาผ่านข้อมูลควอนตัม” arXiv: 2202.08853, (2022).

[5] Naeimeh Mohseni, Junheng Shi, Tim Byrnes และ Michael Hartmann, “การเรียนรู้เชิงลึกเกี่ยวกับวัตถุที่สังเกตได้จำนวนมากและการแย่งชิงข้อมูลควอนตัม”, arXiv: 2302.04621, (2023).

การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2023-06-13 23:27:02 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน

On บริการอ้างอิงของ Crossref ไม่พบข้อมูลอ้างอิงงาน (ความพยายามครั้งสุดท้าย 2023-06-13 23:27:01)

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

เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
การเงิน EVM ส่วนต่อประสานแบบครบวงจรสำหรับการเงินแบบกระจายอำนาจ เข้าถึงได้ที่นี่.
กลุ่มสื่อควอนตัม IR/PR ขยาย เข้าถึงได้ที่นี่.
เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
ที่มา: https://quantum-journal.org/papers/q-2023-06-12-1039/

ประทับเวลา: มิถุนายน 12, 2023

ประทับเวลา: ธันวาคม 6, 2023

เครือข่ายที่เกิดขึ้นซ้ำลึกทำนายวิวัฒนาการของช่องว่างในการคำนวณควอนตัมอะเดียแบติก

เผยแพร่ซ้ำโดยเพลโต

นามธรรม

สรุปยอดนิยม

► ข้อมูล BibTeX

► ข้อมูลอ้างอิง

อ้างโดย

เพิ่มเติมจาก วารสารควอนตัม

การจัดการควอนตัมของระบบกลไกสองระดับ

การเปรียบเทียบรหัสระนาบรังผึ้ง

ข้อกำหนดด้านฮาร์ดแวร์ที่ผ่อนคลายสำหรับวงจรรหัสพื้นผิวโดยใช้ไดนามิกของเวลา

ความหนาแน่นของพลังงานในกลศาสตร์ควอนตัม

หน้าต่าง Microcanonical บนตัวดำเนินการควอนตัม

บริบทควอนตัมอย่างง่าย

การเรียนรู้แบบแฮมิลตันที่มีความแม่นยำสูงผ่านการวิวัฒนาการสถานะควอนตัมแบบแยกส่วน

สู่ความได้เปรียบด้านควอนตัมในความเสี่ยงด้านตลาดการเงินโดยใช้อัลกอริทึมการไล่ระดับสีควอนตัม

แนวทางทฤษฎีกราฟสำหรับการทดลอง Bell ที่มีประสิทธิภาพการตรวจจับต่ำ

มิติการพันกันของขอบเขตจากเมทริกซ์ความแปรปรวนร่วม

ความสัมพันธ์ในแบบฉบับและวิธีแก้ปัญหายืนยันการคาดคะเนเอนโทรปีของตัวเร่งปฏิกิริยาที่แน่นอน

อัลกอริธึมคลาสสิก (อย่างง่าย) สำหรับการประมาณค่าตัวเลข Betti

เกี่ยวกับเรา

การค้นหาแนวตั้ง & Ai

ระบบปฏิบัติการ

การติดต่อ

ลงชื่อเข้าใช้