1สถาบันเทคโนโลยีแห่งอินเดีย Roorkee ประเทศอินเดีย
2School of Informatics, University of Edinburgh, EH8 9AB เอดินบะระ, สหราชอาณาจักร
3LIP6, CNRS, Sorbonne Université, 4 สถานที่ Jussieu, 75005 Paris, France
พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.
นามธรรม
การเพิ่มประสิทธิภาพแบบผสมผสานโดยประมาณกลายเป็นหนึ่งในพื้นที่การใช้งานที่มีแนวโน้มมากที่สุดสำหรับคอมพิวเตอร์ควอนตัม โดยเฉพาะอย่างยิ่งในระยะเวลาอันใกล้ ในงานนี้ เรามุ่งเน้นไปที่อัลกอริธึมการปรับให้เหมาะสมเชิงควอนตัม (QAOA) สำหรับการแก้ปัญหา MaxCut โดยเฉพาะอย่างยิ่ง เราจัดการกับปัญหา 16 ประการใน QAOA วิธีเริ่มต้นอัลกอริทึม และวิธีฝึกพารามิเตอร์ในภายหลังเพื่อหาทางออกที่ดีที่สุด ก่อนหน้านี้ เราเสนอโครงข่ายประสาทเทียมแบบกราฟ (GNNs) เป็นเทคนิคเริ่มต้นที่อบอุ่นสำหรับ QAOA เราแสดงให้เห็นว่าการรวม GNN กับ QAOA มีประสิทธิภาพดีกว่าทั้งสองแนวทางแยกกัน นอกจากนี้ เรายังแสดงให้เห็นว่าโครงข่ายประสาทเทียมแบบกราฟช่วยให้การวอร์มสตาร์ทเป็นลักษณะทั่วไปได้อย่างไร ไม่เพียงแต่อินสแตนซ์กราฟเท่านั้น แต่ยังรวมถึงขนาดกราฟที่เพิ่มขึ้นด้วย ซึ่งเป็นฟีเจอร์ที่ไม่สามารถใช้งานได้โดยตรงกับวิธีการวอร์มสตาร์ทแบบอื่นๆ สำหรับการฝึกอบรม QAOA เราได้ทดสอบตัวเพิ่มประสิทธิภาพหลายตัวสำหรับปัญหา MaxCut สูงสุด XNUMX qubits และเกณฑ์มาตรฐานเทียบกับวานิลลาไล่ระดับสี สิ่งเหล่านี้รวมถึงควอนตัมที่รับรู้/ไม่เชื่อเรื่องพระเจ้าและการเรียนรู้ของเครื่องตาม/ตัวปรับระบบประสาท ตัวอย่างของสิ่งหลัง ได้แก่ การเสริมแรงและการเรียนรู้เมตาดาต้า ด้วยการรวมชุดเครื่องมือเริ่มต้นและการปรับให้เหมาะสมเหล่านี้เข้าด้วยกัน เราจะแสดงให้เห็นว่าปัญหาการปรับให้เหมาะสมสามารถแก้ไขได้อย่างไรโดยใช้ QAOA ในไปป์ไลน์ที่มีความแตกต่างจากต้นทางถึงปลายทาง
► ข้อมูล BibTeX
► ข้อมูลอ้างอิง
[1] จอห์น เพรสสกิล Quantum Computing ในยุค NISQ และหลังจากนั้น Quantum, 2:79, สิงหาคม 2018 URL: https://quantum-journal.org/papers/q-2018-08-06-79/, doi:10.22331/q-2018-08- 06-79.
https://doi.org/10.22331/q-2018-08-06-79
https://quantum-journal.org/papers/q-2018-08-06-79/
[2] Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J. Love, Alán Aspuru-Guzik และ Jeremy L. O'Brien ตัวแก้ค่าลักษณะเฉพาะที่แปรผันบนตัวประมวลผลควอนตัมแบบโทนิค Nature Communications, 5(1):1–7, กรกฎาคม 2014 URL: https:///www.nature.com/articles/ncomms5213, doi:10.1038/ncomms5213
https://doi.org/10.1038/ncomms5213
https://www.nature.com/articles/ncomms5213
[3] เอ็ดเวิร์ด ฟาร์ฮี, เจฟฟรีย์ โกลด์สโตน และแซม กัทมันน์ อัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม arXiv:1411.4028 [quant-ph], พฤศจิกายน 2014 URL: http:///arxiv.org/abs/1411.4028, doi:10.48550/arXiv.1411.4028
https://doi.org/10.48550/arXiv.1411.4028
arXiv: 1411.4028
[4] Jarrod R. McClean, Jonathan Romero, Ryan Babbush และ Alán Aspuru-Guzik ทฤษฎีของอัลกอริธึมควอนตัมคลาสสิกแบบผสมแปรผัน New Journal of Physics, 18(2):023023, กุมภาพันธ์ 2016. URL:.
https://doi.org/10.1088/1367-2630/18/2/023023
[5] M. 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 อัลกอริทึมควอนตัมแปรผัน ฟิสิกส์รีวิวธรรมชาติ 3(9):625–644 กันยายน 2021 URL: https:///www.nature.com/articles/s42254-021-00348-9, doi:10.1038/s42254-021 -00348-9.
https://doi.org/10.1038/s42254-021-00348-9
https://www.nature.com/articles/s42254-021-00348-9
[6] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S. Kottmann, Tim Menke, Wai-Keong Mok, Sukin Sim, Leong-Chuan Kwek, และ Alán Aspuru-Guzik อัลกอริทึมควอนตัมระดับกลางที่มีเสียงดัง รายได้ Mod Phys., 94(1):015004, กุมภาพันธ์ 2022 URL: https:///link.aps.org/doi/10.1103/RevModPhys.94.015004, doi:10.1103/RevModPhys.94.015004
https://doi.org/10.1103/RevModPhys.94.015004
[7] K. Mitarai, M. Negoro, M. Kitagawa และ K. Fujii การเรียนรู้วงจรควอนตัม ฟิสิกส์ รายได้ A, 98(3):032309 กันยายน 2018 URL: https:///link.aps.org/doi/10.1103/PhysRevA.98.032309, doi:10.1103/PhysRevA.98.032309
https://doi.org/10.1103/PhysRevA.98.032309
[8] เอ็ดเวิร์ด ฟาร์ฮี และฮาร์ทมุท เนเวน การจำแนกประเภทด้วย Quantum Neural Networks บนตัวประมวลผลระยะใกล้ arXiv:1802.06002 [quant-ph], กุมภาพันธ์ 2018 URL: http:///arxiv.org/abs/1802.06002, doi:10.48550/arXiv.1802.06002
https://doi.org/10.48550/arXiv.1802.06002
arXiv: 1802.06002
[9] มาร์เชลโล เบเนเด็ตติ, เอริกา ลอยด์, สเตฟาน แซ็ค และมัตเทีย ฟิออเรนตินี วงจรควอนตัมแบบกำหนดพารามิเตอร์เป็นโมเดลแมชชีนเลิร์นนิง วิทยาศาสตร์ควอนตัม Technol., 4(4):043001, พฤศจิกายน 2019. URL:.
https://doi.org/10.1088/2058-9565/ab4eb5
[10] ฟรานซิสโก บาราโฮนา, มาร์ติน โกรทเชล, ไมเคิล ยุงเกอร์ และแกร์ฮาร์ด ไรเนลต์ การประยุกต์ใช้การเพิ่มประสิทธิภาพแบบผสมผสานกับฟิสิกส์เชิงสถิติและการออกแบบผังวงจร การวิจัยการดำเนินงาน, 36(3):493–513, 1988. URL: http://jstor.org/stable/170992.
http://jstor.org/stable/170992
[11] แจน โปแลนด์ และ โธมัส ซุคมันน์ การจัดกลุ่มระยะทางแบบจับคู่กับข้อมูลที่ขาดหายไป: การตัดสูงสุดกับการตัดมาตรฐาน ใน Ljupco Todorovski, Nada Lavrac และ Klaus P. Jantke, บรรณาธิการ, Discovery Science, 9th International Conference, DS 2006, Barcelona, Spain, 7-10 ตุลาคม 2006, Proceedings, Volume 4265 of Lecture Notes in Computer Science, หน้า 197– 208. สปริงเกอร์ 2006 URL: https://doi.org/10.1007/11893318_21, doi:10.1007/11893318_21
https://doi.org/10.1007/11893318_21
[12] Michael A. Nielsen และ Isaac L. Chuang การคำนวณควอนตัมและข้อมูลควอนตัม สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์, เคมบริดจ์ ; นิวยอร์ก ฉบับครบรอบ 10 ปี พ.ศ. 2010 doi:10.1017/CBO9780511976667
https://doi.org/10.1017/CBO9780511976667
[13] แมทธิว บี. เฮสติงส์. อัลกอริธึมการประมาณความลึกแบบคลาสสิกและแบบควอนตัม ข้อมูลควอนตัม คอมพิวเตอร์ 19(13&14):1116–1140 2019 ดอย:10.26421/QIC19.13-14-3
https://doi.org/10.26421/QIC19.13-14-3
[14] Edward Farhi, Jeffrey Goldstone, Sam Gutmann และ Leo Zhou อัลกอริทึมการเพิ่มประสิทธิภาพเชิงควอนตัมและแบบจำลอง Sherrington-Kirkpatrick ที่ขนาดไม่สิ้นสุด Quantum, 6:759, กรกฎาคม 2022 URL: https://quantum-journal.org/papers/q-2022-07-07-759/, doi:10.22331/q-2022-07- 07-759.
https://doi.org/10.22331/q-2022-07-07-759
https://quantum-journal.org/papers/q-2022-07-07-759/
[15] Daniel Stilck França และ Raul García-Patrón ข้อจำกัดของอัลกอริทึมการปรับให้เหมาะสมบนอุปกรณ์ควอนตัมที่มีเสียงดัง ฟิสิกส์ธรรมชาติ 17(11):1221–1227 พฤศจิกายน 2021 URL: https:///www.nature.com/articles/s41567-021-01356-3, doi:10.1038/s41567-021- 01356-3.
https://doi.org/10.1038/s41567-021-01356-3
https://www.nature.com/articles/s41567-021-01356-3
[16] V. Akshay, H. Philathong, MES Morales และ JD Biamonte การขาดดุลความสามารถในการเข้าถึงในควอนตัม การเพิ่มประสิทธิภาพโดยประมาณ ฟิสิกส์ รายได้ Lett., 124(9):090504, มีนาคม 2020 URL: https:///link.aps.org/doi/10.1103/PhysRevLett.124.090504, doi:10.1103/PhysRevLett.124.090504
https://doi.org/10.1103/PhysRevLett.124.090504
[17] ซามี บูเลบเนน. การปรับปรุงอัลกอริทึมการเพิ่มประสิทธิภาพโดยประมาณของควอนตัมด้วยการเลือกภายหลัง arXiv:2011.05425 [quant-ph], พฤศจิกายน 2020 URL: http:///arxiv.org/abs/2011.05425, doi:10.48550/arXiv.2011.05425
https://doi.org/10.48550/arXiv.2011.05425
arXiv: 2011.05425
[18] V. Akshay, D. Rabinovich, E. Campos และ J. Biamonte ความเข้มข้นของพารามิเตอร์ในควอนตัม การปรับให้เหมาะสมโดยประมาณ การตรวจสอบทางกายภาพ A, 104(1):L010401, กรกฎาคม 2021 URL: http:///arxiv.org/abs/2103.11976, doi:10.1103/PhysRevA.104.L010401
https://doi.org/10.1103/PhysRevA.104.L010401
arXiv: 2103.11976
[19] D. Rabinovich, R. Sengupta, E. Campos, V. Akshay และ J. Biamonte ความคืบหน้าไปสู่มุมที่เหมาะสมที่สุดในเชิงวิเคราะห์ในการเพิ่มประสิทธิภาพเชิงควอนตัม arXiv:2109.11566 [math-ph, ฟิสิกส์:quant-ph], กันยายน 2021 URL: http:///arxiv.org/abs/2109.11566
https://doi.org/10.3390/math10152601
arXiv: 2109.11566
[20] Joao Basso, Edward Farhi, Kunal Marwaha, Benjamin Villalonga และ Leo Zhou อัลกอริทึมการเพิ่มประสิทธิภาพเชิงควอนตัมที่ความลึกสูงสำหรับ MaxCut บนกราฟปกติเส้นรอบวงขนาดใหญ่ และโมเดล Sherrington-Kirkpatrick ใน François Le Gall และ Tomoyuki Morimae, บรรณาธิการ, 17th Conference on the Theory of Quantum Computation, Communication and Cryptography (TQC 2022), Volume 232 of Leibniz International Proceedings in Informatics (LIPIcs), หน้า 7:1–7:21, Dagstuhl, เยอรมนี พ.ศ. 2022 Schloss Dagstuhl – Leibniz-Zentrum für Informatik URL: https://drops.dagstuhl.de/opus/volltexte/2022/16514, doi:10.4230/LIPIcs.TQC.2022.7
https://doi.org/10.4230/LIPIcs.TQC.2022.7
https://drops.dagstuhl.de/opus/volltexte/2022/16514
[21] Stuart Hadfield, Zhihui Wang, Bryan O'Gorman, Eleanor G. Rieffel, Davide Venturelli และ Rupak Biswas จากอัลกอริธึมการเพิ่มประสิทธิภาพเชิงควอนตัมไปจนถึงตัวดำเนินการสลับควอนตัม Ansatz อัลกอริทึม 12(2):34 กุมภาพันธ์ 2019 URL: https:///www.mdpi.com/1999-4893/12/2/34, doi:10.3390/a12020034
https://doi.org/10.3390/a12020034
https://www.mdpi.com/1999-4893/12/2/34
[22] Ryan LaRose, Eleanor Rieffel และ Davide Venturelli Mixer-Phaser Ansätze สำหรับการเพิ่มประสิทธิภาพควอนตัมด้วยข้อจำกัดที่เข้มงวด arXiv:2107.06651 [quant-ph], กรกฎาคม 2021 URL: http:///arxiv.org/abs/2107.06651, doi:10.48550/arXiv.2107.06651
https://doi.org/10.48550/arXiv.2107.06651
arXiv: 2107.06651
[23] Linghua Zhu, Ho Lun Tang, George S. Barron, FA Calderon-Vargas, Nicholas J. Mayhall, Edwin Barnes และ Sophia E. Economou อัลกอริธึมการปรับให้เหมาะสมโดยประมาณแบบควอนตัมแบบปรับได้สำหรับการแก้ปัญหาเชิงผสมบนคอมพิวเตอร์ควอนตัม ฟิสิกส์ Rev. Research, 4(3):033029, กรกฎาคม 2022 URL: https:///link.aps.org/doi/10.1103/PhysRevResearch.4.033029, doi:10.1103/PhysRevResearch.4.033029
https://doi.org/10.1103/PhysRevResearch.4.033029
[24] สจวร์ต แฮดฟิลด์, แทด ฮ็อกก์ และเอเลนอร์ จี. รีเฟล กรอบการวิเคราะห์สำหรับตัวดำเนินการสลับควอนตัม Ansätze arXiv:2105.06996 [quant-ph], พฤษภาคม 2021 URL: http:///arxiv.org/abs/2105.06996, doi:10.48550/arXiv.2105.06996
https://doi.org/10.48550/arXiv.2105.06996
arXiv: 2105.06996
[25] Guillaume Verdon, Juan Miguel Arrazola, Kamil Brádler และ Nathan Killoran อัลกอริทึมการปรับให้เหมาะสมเชิงควอนตัมสำหรับปัญหาต่อเนื่อง arXiv:1902.00409 [quant-ph], กุมภาพันธ์ 2019 URL: http:///arxiv.org/abs/1902.00409, doi:10.48550/arXiv.1902.00409
https://doi.org/10.48550/arXiv.1902.00409
arXiv: 1902.00409
[26] Panagiotis Kl Barkoutsos, Giacomo Nannicini, Anton Robert, Ivano Tavernelli และ Stefan Woerner การปรับปรุงการเพิ่มประสิทธิภาพควอนตัมแปรผันโดยใช้ CVaR Quantum 4:256 เมษายน 2020 URL: https://quantum-journal.org/papers/q-2020-04-20-256/, doi:10.22331/q-2020-04- 20-256.
https://doi.org/10.22331/q-2020-04-20-256
https://quantum-journal.org/papers/q-2020-04-20-256/
[27] Ioannis Kolotouros และ Petros Wallden ฟังก์ชั่นวัตถุประสงค์ที่พัฒนาขึ้นเพื่อการเพิ่มประสิทธิภาพควอนตัมแบบแปรผันที่ดีขึ้น ฟิสิกส์ Rev. Research, 4(2):023225, มิถุนายน 2022 URL: https:///link.aps.org/doi/10.1103/PhysRevResearch.4.023225, doi:10.1103/PhysRevResearch.4.023225
https://doi.org/10.1103/PhysRevResearch.4.023225
[28] ดาบิด อมาโร, คาร์โล โมดิกา, มัทเทียส โรเซนครานซ์, มัตเทีย ฟิออเรนตินี, มาร์เชลโล เบเนเดตติ และไมเคิล ลูบาสช์ การกรองอัลกอริทึมควอนตัมแบบแปรผันสำหรับการเพิ่มประสิทธิภาพแบบผสมผสาน วิทยาศาสตร์และเทคโนโลยีควอนตัม 7(1):015021 มกราคม 2022 doi:10.1088/2058-9565/ac3e54
https://doi.org/10.1088/2058-9565/ac3e54
[29] Daniel J. Egger, Jakub Mareček และ Stefan Woerner การเพิ่มประสิทธิภาพควอนตัมที่เริ่มต้นอย่างอบอุ่น ควอนตัม 5:479 มิถุนายน 2021 URL: http://dx.doi.org/10.22331/q-2021-06-17-479, doi:10.22331/q-2021-06-17- 479.
https://doi.org/10.22331/q-2021-06-17-479
[30] Stefan H. Sack และ Maksym Serbyn การเริ่มต้นการหลอมควอนตัมของอัลกอริธึมการปรับให้เหมาะสมโดยประมาณของควอนตัม ควอนตัม 5:491 กรกฎาคม 2021 URL: http://dx.doi.org/10.22331/q-2021-07-01-491, doi:10.22331/q-2021-07-01- 491.
https://doi.org/10.22331/q-2021-07-01-491
[31] Gian Giacomo Guerreschi และ Mikhail Smelyanskiy การปรับให้เหมาะสมในทางปฏิบัติสำหรับอัลกอริทึมควอนตัมแบบไฮบริด arXiv:1701.01450 [quant-ph], มกราคม 2017 URL: http:///arxiv.org/abs/1701.01450, doi:10.48550/arXiv.1701.01450
https://doi.org/10.48550/arXiv.1701.01450
arXiv: 1701.01450
[32] Nikolaj Moll, Panagiotis Barkoutsos, Lev S Bishop, Jerry M Chow, Andrew Cross, Daniel J Egger, Stefan Filipp, Andreas Fuhrer, Jay M Gambetta, Marc Ganzhorn และอื่น ๆ การเพิ่มประสิทธิภาพควอนตัมโดยใช้อัลกอริธึมการแปรผันบนอุปกรณ์ควอนตัมระยะใกล้ Quantum Science and Technology, 3(3):030503, มิถุนายน 2018 URL: http://dx.doi.org/10.1088/2058-9565/aab822, doi:10.1088/2058-9565/ aab822.
https://doi.org/10.10882058-9565/aab822
[33] Sami Khairy, Ruslan Shaydulin, Lukasz Cincio, Yuri Alexeev และ Prasanna Balaprakash การเพิ่มประสิทธิภาพวงจรควอนตัมแปรผันตามการเรียนรู้การเสริมกำลังสำหรับปัญหาเชิงผสม arXiv:1911.04574 [quant-ph, stat], พฤศจิกายน 2019 URL: http:///arxiv.org/abs/1911.04574, doi:10.48550/arXiv.1911.04574
https://doi.org/10.48550/arXiv.1911.04574
arXiv: 1911.04574
[34] ไมเคิล สไตรฟ์ และมาร์ติน ไลบ์ ฝึกฝนอัลกอริธึมการปรับให้เหมาะสมเชิงควอนตัมโดยไม่ต้องเข้าถึงหน่วยประมวลผลควอนตัม วิทยาศาสตร์และเทคโนโลยีควอนตัม 5(3):034008 พฤษภาคม 2020 ดอย:10.1088/2058-9565/ab8c2b
https://doi.org/10.1088/2058-9565/ab8c2b
[35] Leo Zhou, Sheng-Tao Wang, Soonwon Choi, Hannes Pichler และ Mikhail D. Lukin อัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม: ประสิทธิภาพ กลไก และการใช้งานบนอุปกรณ์ระยะใกล้ ฟิสิกส์ รายได้ X 10(2):021067 มิถุนายน 2020 URL: https:///link.aps.org/doi/10.1103/PhysRevX.10.021067, doi:10.1103/PhysRevX.10.021067
https://doi.org/10.1103/PhysRevX.10.021067
[36] เดวิด อมาโร่, มัทเทียส โรเซนครานซ์, นาธาน ฟิทซ์แพทริค, โคจิ ฮิราโน่ และมัตเทีย ฟิออเรนตินี่ กรณีศึกษาของอัลกอริธึมควอนตัมแปรผันสำหรับปัญหาการตั้งเวลาของร้านค้างาน EPJ Quantum Technology, 9(1):1–20, ธันวาคม 2022 URL: https://epjquantumtechnology.springeropen.com/articles/10.1140/epjqt/s40507-022-00123-4, doi: 10.1140/epjqt/s40507-022-00123-4.
https://doi.org/10.1140/epjqt/s40507-022-00123-4
[37] Matthew P. Harrigan, Kevin J. Sung, Matthew Neeley, Kevin J. Satzinger, Frank Arute, Kunal Arya, Juan Atalaya, Joseph C. Bardin, Rami Barends, Sergio Boixo, Michael บรอจตัน, Bob B. Buckley, David A. Buell , Brian Burkett, Nicholas Bushnell, Yu Chen, Zijun Chen, Ben Chiaro, Roberto Collins, William Courtney, Sean Demura, Andrew Dunsworth, Daniel Eppens, Austin Fowler, Brooks Foxen, Craig Gidney, Marissa Giustina, Rob Graff, Steve Habegger, Alan Ho, Sabrina Hong, Trent Huang, LB Ioffe, Sergei V. Isakov, Evan Jeffrey, Zhang Jiang, Cody Jones, Dvir Kafri, Kostyantyn Kechedzhi, Julian Kelly, Seon Kim, Paul V. Klimov, Alexander N. Korotkov, Fedor Kostritsa, David Landhuis, Pavel Laptev, Mike Lindmark, Martin Leib, Orion Martin, John M. Martinis, Jarrod R. McClean, Matt McEwen, Anthony Megrant, Xiao Mi, Masoud Mohseni, Wojciech Mruczkiewicz, Josh Mutus, Ofer Naaman, Charles Neill, Florian นอยคาร์ต, เมอร์ฟี ยูเซิน นิว, โธมัส อี. โอไบรอัน, ไบรอัน โอกอร์แมน, เอริก ออสต์บี, อังเดร เปตูคอฟ, ฮารัลด์ พัตเต rman, Chris Quintana, Pedram Roushan, Nicholas C. Rubin, Daniel Sank, Andrea Skolik, Vadim Smelyanskiy, Doug Strain, Michael Streif, Marco Szalay, Amit Vainsencher, Theodore White, Z. Jamie Yao, Ping Yeh, Adam Zalcman, Leo Zhou , Hartmut Neven, Dave Bacon, Erik Lucero, Edward Farhi และ Ryan Babbush การเพิ่มประสิทธิภาพเชิงควอนตัมของปัญหากราฟที่ไม่ใช่ระนาบบนตัวประมวลผลตัวนำยิ่งยวดระนาบ ฟิสิกส์ธรรมชาติ 17(3):332–336 มีนาคม 2021 URL: https:///www.nature.com/articles/s41567-020-01105-y, doi:10.1038/s41567-020- 01105-ย.
https://doi.org/10.1038/s41567-020-01105-y
https://www.nature.com/articles/s41567-020-01105-y
[38] Johannes Weidenfeller, Lucia C. Valor, Julien Gacon, Caroline Tornow, Luciano Bello, Stefan Woerner และ Daniel J. Egger การปรับสเกลของอัลกอริธึมการปรับให้เหมาะสมโดยประมาณของควอนตัมบนฮาร์ดแวร์ที่ใช้ตัวนำยิ่งยวดแบบควิบิต กุมภาพันธ์ 2022 URL: http:///arxiv.org/abs/2202.03459, doi:10.48550/arXiv.2202.03459
https://doi.org/10.48550/arXiv.2202.03459
arXiv: 2202.03459
[39] Cheng Xue, Zhao-Yun Chen, Yu-Chun Wu และ Guo-Ping Guo ผลกระทบของสัญญาณรบกวนควอนตัมต่ออัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม Chinese Physics Letters, 38(3):030302, มีนาคม 2021 URL: https:///doi.org/10.1088/0256-307x/38/3/030302, doi:10.1088/0256- 307X/38/3/030302.
https://doi.org/10.1088/0256-307x/38/3/030302
[40] เจฟฟรีย์ มาร์แชล, ฟิลิป วูดาร์สกี, สจวร์ต แฮดฟีลด์ และแทด ฮ็อกก์ การกำหนดลักษณะของสัญญาณรบกวนในพื้นที่ในวงจร QAOA IOP SciNotes 1(2):025208 สิงหาคม 2020 doi:10.1088/2633-1357/abb0d7
https://doi.org/10.1088/2633-1357/abb0d7
[41] ไรอัน ลาโรส. ภาพรวมและการเปรียบเทียบแพลตฟอร์มซอฟต์แวร์ควอนตัมระดับเกท Quantum, 3:130, มีนาคม 2019 URL: https://quantum-journal.org/papers/q-2019-03-25-130/, doi:10.22331/q-2019-03- 25-130.
https://doi.org/10.22331/q-2019-03-25-130
https://quantum-journal.org/papers/q-2019-03-25-130/
[42] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush และ Hartmut Neven ที่ราบสูงแห้งแล้งในภูมิทัศน์การฝึกอบรมเครือข่ายประสาทควอนตัม Nature Communications 9(1):4812 พฤศจิกายน 2018 URL: https:///www.nature.com/articles/s41467-018-07090-4, doi:10.1038/s41467-018-07090- 4.
https://doi.org/10.1038/s41467-018-07090-4
https://www.nature.com/articles/s41467-018-07090-4
[43] Roeland Wiersema, Cunlu Zhou, Yvette de Sereville, Juan Felipe Carrasquilla, Yong Baek Kim และ Henry Yuen สำรวจความยุ่งเหยิงและการเพิ่มประสิทธิภาพภายใน Ansatz ตัวแปร Hamiltonian PRX Quantum, 1(2):020319, ธันวาคม 2020 URL: https:///link.aps.org/doi/10.1103/PRXQuantum.1.020319, doi:10.1103/PRXQuantum.1.020319
https://doi.org/10.1103/PRXQuantum.1.020319
[44] M. Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio และ Patrick J. Coles ฟังก์ชั่นค่าใช้จ่ายขึ้นอยู่กับที่ราบสูงแห้งแล้งในวงจรควอนตัมแบบพาราเมตริกแบบตื้น Nature Communications, 12(1):1791, มีนาคม 2021 URL: https:///www.nature.com/articles/s41467-021-21728-w, doi:10.1038/s41467-021-21728- ว.
https://doi.org/10.1038/s41467-021-21728-w
https://www.nature.com/articles/s41467-021-21728-w
[45] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles และ M. Cerezo การวินิจฉัยที่ราบสูงแห้งแล้งด้วยเครื่องมือจากการควบคุมที่เหมาะสมที่สุดทางควอนตัม มีนาคม 2022 URL: http://arxiv.org/abs/2105.14377, doi:10.48550/arXiv.2105.14377
https://doi.org/10.48550/arXiv.2105.14377
arXiv: 2105.14377
[46] Xuchen You และ Xiaodi Wu Minima ท้องถิ่นจำนวนมากแบบทวีคูณในเครือข่ายประสาทควอนตัม ใน Marina Meila และ Tong Zhang บรรณาธิการ Proceedings of the 38th International Conference on Machine Learning เล่มที่ 139 ของ Proceedings of Machine Learning Research หน้า 12144–12155 PMLR กรกฎาคม 2021 URL: https://proceedings.mlr.press/v139/you21c.html, doi:10.48550/arXiv.2110.02479
https://doi.org/10.48550/arXiv.2110.02479
https://proceedings.mlr.press/v139/you21c.html
[47] Javier Rivera-Dean, Patrick Huembeli, Antonio Acín และ Joseph Bowles หลีกเลี่ยงค่าต่ำสุดในเครื่องในอัลกอริทึมควอนตัมแปรผันด้วยโครงข่ายประสาทเทียม arXiv:2104.02955 [quant-ph], เมษายน 2021 URL: http:///arxiv.org/abs/2104.02955, doi:10.48550/arXiv.2104.02955
https://doi.org/10.48550/arXiv.2104.02955
arXiv: 2104.02955
[48] Andrew Arrasmith, Zoe Holmes, Marco Cerezo และ Patrick J Coles ความเท่าเทียมกันของที่ราบสูงควอนตัมแห้งแล้งกับการกระจุกตัวของต้นทุนและช่องเขาแคบๆ วิทยาศาสตร์และเทคโนโลยีควอนตัม พ.ศ. 2022 URL: http://iopscience.iop.org/article/10.1088/2058-9565/ac7d06, doi:10.1088/2058-9565/ac7d06
https://doi.org/10.1088/2058-9565/ac7d06
[49] เจมส์ ดโบริน, เฟอร์กัส บาร์รัต, วินุล วิมาลาวีระ, ลูอิส ไรท์ และแอนดรูว์ จี. กรีน สถานะผลิตภัณฑ์เมทริกซ์การฝึกอบรมล่วงหน้าสำหรับการเรียนรู้ของเครื่องควอนตัม วิทยาศาสตร์และเทคโนโลยีควอนตัม 7(3):035014 พฤษภาคม 2022 doi:10.1088/2058-9565/ac7073
https://doi.org/10.10882058-9565/ac7073
[50] กีโยม เวอร์ดอน, ไมเคิล บรอจตัน, จาร์ร็อด อาร์. แมคคลีน, เควิน เจ. ซุง, ไรอัน แบบบุช, จาง เจียง, ฮาร์ทมุท เนเวน และมาซูด โมห์เซนี การเรียนรู้ที่จะเรียนรู้ด้วยโครงข่ายประสาทควอนตัมผ่านโครงข่ายประสาทเทียมแบบคลาสสิก arXiv:1907.05415 [quant-ph], กรกฎาคม 2019 URL: http:///arxiv.org/abs/1907.05415, doi:10.48550/arXiv.1907.05415
https://doi.org/10.48550/arXiv.1907.05415
arXiv: 1907.05415
[51] Frederic Sauvage, Sukin Sim, Alexander A. Kunitsa, William A. Simon, Marta Mauri และ Alejandro Perdomo-Ortiz FLIP: initializer ที่ยืดหยุ่นสำหรับวงจรควอนตัมขนาดพาราเมตริกโดยพลการ พฤษภาคม 2021 arXiv:2103.08572 [quant-ph] URL: http://arxiv.org/abs/2103.08572, doi:10.48550/arXiv.2103.08572
https://doi.org/10.48550/arXiv.2103.08572
arXiv: 2103.08572
[52] Alba Cervera-Lierta, Jakob S. Kottmann และ Alán Aspuru-Guzik Meta-Variational Quantum Eigensolver: การเรียนรู้โปรไฟล์พลังงานของ Hamiltonians แบบ Parameterized สำหรับการจำลองควอนตัม PRX Quantum, 2(2):020329, พฤษภาคม 2021 URL: https:///link.aps.org/doi/10.1103/PRXQuantum.2.020329, doi:10.1103/PRXQuantum.2.020329
https://doi.org/10.1103/PRXQuantum.2.020329
[53] Weichi Yao, Afonso S. Bandeira และ Soledad Villar ประสิทธิภาพการทดลองของโครงข่ายประสาทเทียมแบบกราฟบนตัวอย่างการตัดสูงสุดแบบสุ่ม ใน Wavelets and Sparsity XVIII เล่มที่ 11138 หน้า 111380S International Society for Optics and Photonics กันยายน 2019 URL: https:///www.spiedigitallibrary.org/conference-proceedings-of-spie/11138/111380S/Experimental-performance-of-graph-neural- เครือข่ายบนอินสแตนซ์แบบสุ่มของ/10.1117/12.2529608.short, doi:10.1117/12.2529608
https://doi.org/10.1117/12.2529608
[54] Quentin Cappart, Didier Chételat, Elias B. Khalil, Andrea Lodi, Christopher Morris และ Petar Veličković Combinatorial Optimization และการใช้เหตุผลด้วย Graph Neural Networks ใน Zhi-Hua Zhou บรรณาธิการ Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, IJCAI-21, หน้า 4348–4355 การประชุมร่วมระหว่างประเทศว่าด้วยองค์กรปัญญาประดิษฐ์ สิงหาคม 2021 doi:10.24963/ijcai.2021/595
https://doi.org/10.24963/ijcai.2021/595
[55] James Kotary, Ferdinando Fioretto, Pascal Van Hentenryck และ Bryan Wilder การเรียนรู้การเพิ่มประสิทธิภาพที่มีข้อจำกัดแบบ end-to-end: แบบสำรวจ ใน Zhi-Hua Zhou บรรณาธิการ Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, IJCAI-21, หน้า 4475–4482 การประชุมร่วมระหว่างประเทศว่าด้วยองค์กรปัญญาประดิษฐ์ สิงหาคม 2021 doi:10.24963/ijcai.2021/610
https://doi.org/10.24963/ijcai.2021/610
[56] Martin JA Schuetz, J. Kyle Brubaker และ Helmut G. Katzgraber การเพิ่มประสิทธิภาพเชิงผสมผสานด้วยโครงข่ายประสาทเทียมแบบกราฟที่ได้รับแรงบันดาลใจจากฟิสิกส์ Nature Machine Intelligence, 4(4):367–377, เมษายน 2022 URL: https:///www.nature.com/articles/s42256-022-00468-6, doi:10.1038/s42256-022 -00468-6.
https://doi.org/10.1038/s42256-022-00468-6
https://www.nature.com/articles/s42256-022-00468-6
[57] วิลล์ แบร์กโฮล์ม, จอช ไอแซก, มาเรีย ชูลด์, คริสเตียน โกโกลิน, ชาห์นาวาซ อาเหม็ด, วิษณุ อาจิธ, ม. โซฮาอิบ อาลัม, กิเยร์โม อลอนโซ-ลินาเจ, บี. อาคัชนารายานัน, อาลี อาซาดี, ฮวน มิเกล อาร์ราโซลา, อุตคาร์ช อาซาด, แซม แบนนิง, คาร์สเตน แบลงค์, โทมัส อาร์ บรอมลีย์, เบนจามิน เอ. คอร์เดียร์, แจ็ค เซโรนี, อแลง เดลกาโด, โอลิเวีย ดิ มัตเตโอ, อามินตอร์ ดุสโก, ทันยา การ์ก, ดิเอโก กัวลา, แอนโธนี เฮย์ส, ไรอัน ฮิลล์, อารูซา อิจาซ, ธีโอดอร์ ไอแซคสัน, เดวิด อิตทาห์, โซรัน จาฮังกิรี, ปราตีก เจน, เอ็ดเวิร์ด เจียง , Ankit Khandelwal, Korbinian Kottmann, Robert A. Lang, Christina Lee, Thomas Loke, Angus Lowe, Keri McKiernan, Johannes Jakob Meyer, JA Montañez-Barrera, Romain Moyard, Zeyue Niu, Lee James O'Riordan, Steven Oud, Ashish Panigrahi , Chae-Yeun Park, Daniel Polatajko, Nicolás Quesada, Chase Roberts, Nahum Sá, Isidor Schoch, Borun Shi, Shuli Shu, Sukin Sim, Arshpreet Singh, Ingrid Strandberg, Jay Soni, Antal Száva, Slimane Thabet, Rodrigo A. Vargas- เอร์นันเดซ, เทรเวอร์ วินเซนต์, นิโคลา วิตุชชี, มอริซ เวเบอร์, เดวิด วีริชส์, โรลันด์ วี rsema, Moritz Willmann, Vincent Wong, Shaoming Zhang และ Nathan Killoran PennyLane: การแยกความแตกต่างโดยอัตโนมัติของการคำนวณควอนตัมแบบไฮบริด-คลาสสิก กรกฎาคม 2022 arXiv:1811.04968 [ฟิสิกส์ ฟิสิกส์:quant-ph] URL: http://arxiv.org/abs/1811.04968, doi:10.48550/arXiv.1811.04968
https://doi.org/10.48550/arXiv.1811.04968
arXiv: 1811.04968
[58] ไมเคิล บรอตตัน, กิโยม เวอร์ดอน, เทรเวอร์ แมคคอร์ต, อันโตนิโอ เจ. มาร์ติเนซ, แจ ฮยอน ยู, เซอร์เก วี. อิซาคอฟ, ฟิลิป แมสซีย์, รามิน ฮาลาวาตี, เมอร์ฟี ยูเจิน นิว, อเล็กซานเดอร์ ซโลคาปา, อีวาน ปีเตอร์ส, โอเว่น ล็อควูด, อันเดรีย สโคลิก, โซฟีเน เจอร์บี, เวดราน ดันจ์โก , Martin Leib, Michael Streif, David Von Dollen, Hongxiang Chen, Shuxiang Cao, Roeland Wiersema, Hsin-Yuan Huang, Jarrod R. McClean, Ryan Babbush, Sergio Boixo, Dave Bacon, Alan K. Ho, Hartmut Neven และ Masoud Mohseni . TensorFlow Quantum: กรอบซอฟต์แวร์สำหรับการเรียนรู้ของเครื่องควอนตัม สิงหาคม 2021 arXiv:2003.02989 [cond-mat, ฟิสิกส์:quant-ph] URL: http://arxiv.org/abs/2003.02989, doi:10.48550/arXiv.2003.02989
https://doi.org/10.48550/arXiv.2003.02989
arXiv: 2003.02989
[59] Xavier Glorot และ Yoshua Bengio ทำความเข้าใจกับความยากลำบากในการฝึกอบรมโครงข่ายประสาทเทียมแบบป้อนกลับลึก ใน Yee Whye Teh และ Mike Titterington บรรณาธิการ Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, Volume 9 of Proceedings of Machine Learning Research, page 249–256, Chia Laguna Resort, Sardinia, Italy, May 2010. PMLR. URL: https://proceedings.mlr.press/v9/glorot10a.html
https://proceedings.mlr.press/v9/glorot10a.html
[60] ไมเคิล อาร์. แกรี่ และเดวิด เอส. จอห์นสัน คอมพิวเตอร์และความว่ายาก; คู่มือทฤษฎีความสมบูรณ์ของ NP ดับบลิวเอช เอช ฟรีแมน แอนด์ โค สหรัฐอเมริกา 1990
[61] Christos H. Papadimitriou และ Mihalis Yannakakis คลาสการเพิ่มประสิทธิภาพ การประมาณ และความซับซ้อน Journal of Computer and System Sciences, 43(3):425–440, ธันวาคม 1991 URL: https:///www.sciencedirect.com/science/article/pii/002200009190023X, doi:10.1016/ 0022-0000(91)90023-X.
https://doi.org/10.1016/0022-0000(91)90023-X
https://www.sciencedirect.com/science/article/pii/002200009190023X
[62] สุภัสสร์คต. ด้วยพลังของเกม 2 รอบ 1 รอบที่ไม่เหมือนใคร ในการดำเนินการประชุมวิชาการ ACM ประจำปีครั้งที่ 34 เรื่องทฤษฎีคอมพิวเตอร์ หน้า 767–775 ACM Press, 2002 URL: https://doi.org/10.1145/509907.510017
https://doi.org/10.1145/509907.510017
[63] Subhash Khot, Guy Kindler, Elchanan Mossel และ Ryan O'Donnell ผลลัพธ์ความประมาณค่าที่เหมาะสมที่สุดสำหรับ MAX-CUT และ CSP แบบ 2 ตัวแปรอื่นๆ หรือไม่ SIAM Journal on Computing, 37(1):319–357, มกราคม 2007 URL: https://epubs.siam.org/doi/10.1137/S0097539705447372, doi:10.1137/S0097539705447372
https://doi.org/10.1137/S0097539705447372
[64] Sergey Bravyi, Alexander Kliesch, Robert Koenig และ Eugene Tang อัลกอริธึมควอนตัมคลาสสิกแบบไฮบริดสำหรับการระบายสีกราฟโดยประมาณ ควอนตัม 6:678 มีนาคม 2022 URL: https://quantum-journal.org/papers/q-2022-03-30-678/, doi:10.22331/q-2022-03- 30-678.
https://doi.org/10.22331/q-2022-03-30-678
https://quantum-journal.org/papers/q-2022-03-30-678/
[65] Sergey Bravyi, Alexander Kliesch, Robert Koenig และ Eugene Tang อุปสรรคในการเพิ่มประสิทธิภาพควอนตัมแปรผันจากการป้องกันสมมาตร ฟิสิกส์ รายได้ Lett., 125(26):260505, ธันวาคม 2020 URL: https:///link.aps.org/doi/10.1103/PhysRevLett.125.260505, doi:10.1103/PhysRevLett.125.260505
https://doi.org/10.1103/PhysRevLett.125.260505
[66] ไมเคิล โอเวอร์ตัน และ เฮนรี โวลโควิคซ์ การเขียนโปรแกรมกึ่งกำหนด การเขียนโปรแกรมทางคณิตศาสตร์ 77:105–109 เมษายน 1997 doi:10.1007/BF02614431
https://doi.org/10.1007/BF02614431
[67] ทาดาชิ คาโดวากิ และ ฮิเดโตชิ นิชิโมริ การหลอมควอนตัมในแบบจำลอง Ising ตามขวาง การทบทวนทางกายภาพ E, 58(5):5355–5363, พฤศจิกายน 1998 URL: http://dx.doi.org/10.1103/PhysRevE.58.5355, doi:10.1103/physreve.58.5355
https://doi.org/10.1103/PhysRevE.58.5355
[68] Philipp Hauke, Helmut G Katzgraber, Wolfgang Lechner, Hidetoshi Nishimori และ William D Oliver มุมมองของการหลอมด้วยควอนตัม: วิธีการและการนำไปใช้ รายงานความก้าวหน้าทางฟิสิกส์ 83(5):054401 พฤษภาคม 2020 URL: http://dx.doi.org/10.1088/1361-6633/ab85b8, doi:10.1088/1361-6633/ ab85b8.
https://doi.org/10.1088/1361-6633/ab85b8
[69] อดัม ปาซเก, แซม กรอส, ฟรานซิสโก มาสซา, อดัม เลอร์เรอร์, เจมส์ แบรดเบอรี, เกรกอรี่ ชาแนน, เทรเวอร์ คิลลีน, เจมิง ลิน, นาตาเลีย กิเมลชีน, ลูก้า แอนติกา, อัลบัน เดสเมซง, แอนเดรียส คอปฟ์, เอ็ดเวิร์ด หยาง, แซคารี เดอวิโต, มาร์ติน เรสัน, อลิคาน เทจานี, ซาซันก์ ชิลามคูร์ธี , Benoit Steiner, Lu Fang, Junjie Bai และ Soumith Chintala PyTorch: รูปแบบที่จำเป็น ห้องสมุด Deep Learning ประสิทธิภาพสูง ใน ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 32, หน้า 8024–8035 Curran Associates, Inc., 2019 URL: http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf, ดอย: 10.48550/arXiv.1912.01703.
https://doi.org/10.48550/arXiv.1912.01703
http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf
[70] Martín Abadi, Paul Barham, Jianmin Chen, Zhifeng Chen, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Geoffrey Irving, Michael Isard, Manjunath Kudlur, Josh Levenberg, Rajat Monga, Sherry Moore, Derek G. Murray, Benoit Steiner, Paul Tucker, Vijay Vasudevan, Pete Warden, Martin Wicke, Yuan Yu และ Xiaoqiang Zheng TensorFlow: ระบบสำหรับแมชชีนเลิร์นนิงขนาดใหญ่ พฤษภาคม 2016 arXiv:1605.08695 [cs] URL: http://arxiv.org/abs/1605.08695, doi:10.48550/arXiv.1605.08695
https://doi.org/10.48550/arXiv.1605.08695
arXiv: 1605.08695
[71] Franco Scarselli, Marco Gori, Ah Chung Tsoi, Markus Hagenbuchner และ Gabriele Monfardini โมเดลโครงข่ายประสาทเทียมแบบกราฟ ธุรกรรม IEEE บนโครงข่ายประสาทเทียม 20(1):61–80 มกราคม 2009 doi:10.1109/TNN.2008.2005605
https://doi.org/10.1109/TNN.2008.2005605
[72] Michael M. Bronstein, Joan Bruna, Taco Cohen และ Petar Veličković การเรียนรู้เชิงลึกทางเรขาคณิต: กริด กลุ่ม กราฟ Geodesics และมาตรวัด พฤษภาคม 2021 URL: http://arxiv.org/abs/2104.13478, doi:10.48550/arXiv.2104.13478
https://doi.org/10.48550/arXiv.2104.13478
arXiv: 2104.13478
[73] Guillaume Verdon, Trevor McCourt, Enxhell Luzhnica, Vikash Singh, Stefan Leichenauer และ Jack Hidary Quantum Graph Neural Networks กันยายน 2019 URL: http://arxiv.org/abs/1909.12264, doi:10.48550/arXiv.1909.12264
https://doi.org/10.48550/arXiv.1909.12264
arXiv: 1909.12264
[74] Martín Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles และ M. Cerezo การเรียนรู้ของเครื่องควอนตัมแบบไม่แปรผันแบบกลุ่ม PRX Quantum, 3(3):030341, กันยายน 2022 สำนักพิมพ์: American Physical Society URL: https://link.aps.org/doi/10.1103/PRXQuantum.3.030341, doi:10.1103/PRXQuantum.3.030341
https://doi.org/10.1103/PRXQuantum.3.030341
[75] Andrea Skolik, Michele Cattelan, Sheir Yarkoni, Thomas Bäck และ Vedran Dunjko วงจรควอนตัมสมมูลสำหรับการเรียนรู้เกี่ยวกับกราฟถ่วงน้ำหนัก พฤษภาคม 2022 arXiv:2205.06109 [quant-ph] URL: http://arxiv.org/abs/2205.06109, doi:10.48550/arXiv.2205.06109
https://doi.org/10.48550/arXiv.2205.06109
arXiv: 2205.06109
[76] Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò และ Yoshua Bengio เครือข่ายความสนใจกราฟ ใน International Conference on Learning Resentations 2018 URL: https://openreview.net/forum?id=rJXMpikCZ, doi:10.48550/arXiv.1710.10903
https://doi.org/10.48550/arXiv.1710.10903
https://openreview.net/forum?id=rJXMpikCZ
[77] สี จาง, ฮังหาง ตง, จี้จุน ซู และรอส มาซียิวสกี้ กราฟ Convolutional Networks: บทวิจารณ์ที่ครอบคลุม Computational Social Networks, 6(1):11 พฤศจิกายน 2019 doi:10.1186/s40649-019-0069-y
https://doi.org/10.1186/s40649-019-0069-y
[78] Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li และ Maosong Sun โครงข่ายประสาทเทียมแบบกราฟ: การทบทวนวิธีการและการประยุกต์ใช้ AI Open 1:57–81 มกราคม 2020 URL: https:///www.sciencedirect.com/science/article/pii/S2666651021000012, doi:10.1016/j.aiopen.2021.01.001 .
https://doi.org/10.1016/j.aiopen.2021.01.001
https://www.sciencedirect.com/science/article/pii/S2666651021000012
[79] Zhengdao Chen, Lisha Li และ Joan Bruna การตรวจจับชุมชนภายใต้การดูแลด้วยโครงข่ายประสาทเทียมแบบกราฟเส้น ใน 7th International Conference on Learning Resentations, ICLR 2019, New Orleans, LA, USA, 6-9 พฤษภาคม 2019 OpenReview.net, 2019 URL: https://openreview.net/forum?id=H1g0Z3A9Fm, ดอย:10.48550/arXiv.1705.08415.
https://doi.org/10.48550/arXiv.1705.08415
https://openreview.net/forum?id=H1g0Z3A9Fm
[80] Elias Khalil, Hanjun Dai, Yuyu Zhang, Bistra Dilkina และ Le Song การเรียนรู้อัลกอริทึมการเพิ่มประสิทธิภาพ Combinatorial บนกราฟ ใน I. Guyon, UV Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan และ R. Garnett บรรณาธิการ ความก้าวหน้าในระบบประมวลผลข้อมูลระบบประสาท เล่มที่ 30 Curran Associates, Inc., 2017 URL : https://proceedings.neurips.cc/paper/2017/file/d9896106ca98d3d05b8cbdf4fd8b13a1-Paper.pdf, doi:10.48550/arXiv.1704.01665
https://doi.org/10.48550/arXiv.1704.01665
https://proceedings.neurips.cc/paper/2017/file/d9896106ca98d3d05b8cbdf4fd8b13a1-Paper.pdf
[81] Michel Deudon, Pierre Cournut, Alexandre Lacoste, ยศศิริ อดุลยศักดิ์ และ Louis-Martin Rousseau การเรียนรู้ฮิวริสติกสำหรับ TSP โดย Policy Gradient ใน Willem-Jan van Hoeve บรรณาธิการ Integration of Constraint Programming, Artificial Intelligence, and Operations Research, Lecture Notes in Computer Science, หน้า 170–181, Cham, 2018 Springer International Publishing ดอย:10.1007/978-3-319-93031-2_12.
https://doi.org/10.1007/978-3-319-93031-2_12
[82] วูเตอร์ คูล, แฮร์ค ฟาน ฮูฟ และแม็กซ์ เวลลิง เรียน แก้ปัญหาเส้นทาง! ใน 7th International Conference on Learning Representations, ICLR 2019, New Orleans, LA, USA, 6-9 พฤษภาคม 2019 OpenReview.net, 2019 URL: https://openreview.net/forum?id=ByxBFsRqYm ดอย:10.48550/arXiv.1803.08475.
https://doi.org/10.48550/arXiv.1803.08475
https://openreview.net/forum?id=ByxBFsRqYm
[83] Chaitanya K. Joshi, Quentin Cappart, Louis-Martin Rousseau และ Thomas Laurent การเรียนรู้ TSP จำเป็นต้องคิดใหม่ ใน Laurent D. Michel, บรรณาธิการ, 27th International Conference on Principles and Practice of Constraint Programming (CP 2021), Volume 210 of Leibniz International Proceedings in Informatics (LIPIcs), หน้า 33:1–33:21, Dagstuhl, Germany, 2021 Schloss Dagstuhl – Leibniz-Zentrum für Informatik URL: https://drops.dagstuhl.de/opus/volltexte/2021/15324, doi:10.4230/LIPIcs.CP.2021.33
https://doi.org/10.4230/LIPIcs.CP.2021.33
https://drops.dagstuhl.de/opus/volltexte/2021/15324
[84] Ryan Sweke, Frederik Wilde, Johannes Jakob Meyer, Maria Schuld, Paul K. Fährmann, Barthélémy Meynard-Piganeau และ Jens Eisert การไล่ระดับสีแบบสุ่มสำหรับการเพิ่มประสิทธิภาพควอนตัมแบบไฮบริด Quantum 4:314 สิงหาคม 2020 URL: https://quantum-journal.org/papers/q-2020-08-31-314/, doi:10.22331/q-2020-08- 31-314.
https://doi.org/10.22331/q-2020-08-31-314
https://quantum-journal.org/papers/q-2020-08-31-314/
[85] Jonas M. Kübler, Andrew Arrasmith, Lukasz Cincio และ Patrick J. Coles Adaptive Optimizer สำหรับอัลกอริทึมการเปลี่ยนแปลงการวัดแบบประหยัด Quantum 4:263 พฤษภาคม 2020 URL: https://quantum-journal.org/papers/q-2020-05-11-263/, doi:10.22331/q-2020-05- 11-263.
https://doi.org/10.22331/q-2020-05-11-263
https://quantum-journal.org/papers/q-2020-05-11-263/
[86] เจมส์ สโตกส์, จอช ไอแซค, นาธาน คิลโลแรน และจูเซปเป้ คาร์เลโอ การไล่ระดับสีตามธรรมชาติของควอนตัม Quantum 4:269 พฤษภาคม 2020 URL: https://quantum-journal.org/papers/q-2020-05-25-269/, doi:10.22331/q-2020-05- 25-269.
https://doi.org/10.22331/q-2020-05-25-269
https://quantum-journal.org/papers/q-2020-05-25-269/
[87] Diederik P. Kingma และ Jimmy Ba อดัม: วิธีการเพิ่มประสิทธิภาพสุ่ม ใน Yoshua Bengio และ Yann LeCun, บรรณาธิการ, 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, 7-9 พฤษภาคม 2015, Conference Track Proceedings, 2015 URL: http://arxiv.org /abs/1412.6980 ดอย:10.48550/arXiv.1412.6980
https://doi.org/10.48550/arXiv.1412.6980
arXiv: 1412.6980
[88] แมทธิว ดี. ไซเลอร์. ADADELTA: An Adaptive Learning Rate Method, ธันวาคม 2012 URL: http://arxiv.org/abs/1212.5701, doi:10.48550/arXiv.1212.5701
https://doi.org/10.48550/arXiv.1212.5701
arXiv: 1212.5701
[89] เอ็มเจดี พาวเวลล์ วิธีการเพิ่มประสิทธิภาพการค้นหาโดยตรงที่สร้างแบบจำลองวัตถุประสงค์และฟังก์ชันข้อจำกัดโดยการแก้ไขเชิงเส้น ใน Susana Gomez และ Jean-Pierre Hennart, บรรณาธิการ, Advances in Optimization and Numerical Analysis, หน้า 51–67 Springer เนเธอร์แลนด์, Dordrecht, 1994. doi:10.1007/978-94-015-8330-5_4.
https://doi.org/10.1007/978-94-015-8330-5_4
[90] Kevin J. Sung, Jiahao Yao, Matthew P. Harrigan, Nicholas C. Rubin, Zhang Jiang, Lin Lin, Ryan Babbush และ Jarrod R. McClean การใช้แบบจำลองเพื่อปรับปรุงเครื่องมือเพิ่มประสิทธิภาพสำหรับอัลกอริทึมควอนตัมแบบแปรผัน วิทยาศาสตร์และเทคโนโลยีควอนตัม 5(4):044008 ตุลาคม 2020 doi:10.1088/2058-9565/abb6d9
https://doi.org/10.1088/2058-9565/abb6d9
[91] Julien Gacon, Christa Zoufal, Giuseppe Carleo และ Stefan Woerner การสุ่มตัวอย่างก่อกวนพร้อมกันของข้อมูลควอนตัมฟิชเชอร์ Quantum, 5:567, ตุลาคม 2021 URL: https://quantum-journal.org/papers/q-2021-10-20-567/, doi:10.22331/q-2021-10- 20-567.
https://doi.org/10.22331/q-2021-10-20-567
https://quantum-journal.org/papers/q-2021-10-20-567/
[92] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac และ Nathan Killoran การประเมินการไล่ระดับสีเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม ฟิสิกส์ รายได้ A, 99(3):032331, มีนาคม 2019 URL: https:///link.aps.org/doi/10.1103/PhysRevA.99.032331, doi:10.1103/PhysRevA.99.032331
https://doi.org/10.1103/PhysRevA.99.032331
[93] Ke Li และ Jitendra Malik Learning to Optimize มิถุนายน 2016 arXiv:1606.01885 [cs, math, stat] URL: http://arxiv.org/abs/1606.01885, doi:10.48550/arXiv.1606.01885
https://doi.org/10.48550/arXiv.1606.01885
arXiv: 1606.01885
[94] จอห์น ชูลมาน, ฟิลิป โวลสกี, ปราฟุลลา ธารีวาล, อเล็ก แรดฟอร์ด และโอเล็ก คลิมอฟ อัลกอริทึมการปรับให้เหมาะสมตามนโยบายใกล้เคียง สิงหาคม 2017 arXiv:1707.06347 [cs] URL: http://arxiv.org/abs/1707.06347, doi:10.48550/arXiv.1707.06347
https://doi.org/10.48550/arXiv.1707.06347
arXiv: 1707.06347
[95] Max Wilson, Rachel Stromswold, Filip Wudarski, Stuart Hadfield, Norm M. Tubman และ Eleanor G. Rieffel เพิ่มประสิทธิภาพการวิเคราะห์พฤติกรรมควอนตัมด้วยเมตาเลิร์นนิง Quantum Machine Intelligence, 3(1):13, เมษายน 2021. doi:10.1007/s42484-020-00022-w.
https://doi.org/10.1007/s42484-020-00022-w
[96] อามิรา อับบาส, เดวิด ซัตเตอร์, คริสตา ซูฟาล, ออเรเลียน ลุคชี, อเลสซิโอ ฟิกัลลี และสเตฟาน เวอร์เนอร์ พลังของโครงข่ายประสาทควอนตัม Nature Computational Science, 1(6):403–409, มิถุนายน 2021 URL: https:///www.nature.com/articles/s43588-021-00084-1, doi:10.1038/s43588-021 -00084-1.
https://doi.org/10.1038/s43588-021-00084-1
https://www.nature.com/articles/s43588-021-00084-1
[97] Florent Krzakala, Cristopher Moore, Elchanan Mossel, Joe Neeman, Allan Sly, Lenka Zdeborová และ Pan Zhang การไถ่ถอนสเปกตรัมในกลุ่มเครือข่ายกระจัดกระจาย การดำเนินการของ National Academy of Sciences, 110(52):20935–20940, 2013 URL: https:///www.pnas.org/content/110/52/20935, doi:10.1073/ pnas.1312486110.
https://doi.org/10.1073/pnas.1312486110
https://www.pnas.org/content/110/52/20935
อ้างโดย
[1] Stefan H. Sack, Raimel A. Medina, Richard Kueng และ Maksym Serbyn, “สภาวะการเปลี่ยนผ่านและการสำรวจอย่างละโมบของภูมิทัศน์การปรับให้เหมาะสม QAOA”, arXiv: 2209.01159.
[2] Samuel Duffield, Marcello Benedetti และ Matthias Rosenkranz, “Bayesian Learning of Parameterised Quantum Circuits”, arXiv: 2206.07559.
[3] Brian Coyle, “แอปพลิเคชันการเรียนรู้ของเครื่องสำหรับคอมพิวเตอร์ควอนตัมระดับกลางที่มีเสียงดัง”, arXiv: 2205.09414.
[4] Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik และ Adi Makmal, “อัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัมที่ปราศจากการทำซ้ำโดยใช้โครงข่ายประสาทเทียม”, arXiv: 2208.09888.
[5] Ioannis Kolotouros, Ioannis Petrongonas และ Petros Wallden, “การคำนวณควอนตัม Adiabatic พร้อมวงจรควอนตัมแบบกำหนดพารามิเตอร์”, arXiv: 2206.04373.
การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2022-11-17 14:50:28 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน
ไม่สามารถดึงข้อมูล Crossref อ้างโดย data ระหว่างความพยายามครั้งล่าสุด 2022-11-17 14:50:26 น.: ไม่สามารถดึงข้อมูลที่อ้างถึงสำหรับ 10.22331/q-2022-11-17-861 จาก Crossref นี่เป็นเรื่องปกติหาก DOI ได้รับการจดทะเบียนเมื่อเร็วๆ นี้
บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา
