Adyabatik Kuantum Hesaplamadaki Boşluk Evrimini Tahmin Eden Derin Tekrarlayan Ağlar

Plato tarafından yeniden yayınlandı

İzleyiciler: 0

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

¹Max-Planck-Institut für die Physik des Lichts, Staudtstrasse 2, 91058 Erlangen, Almanya
²Fizik Bölümü, Erlangen-Nürnberg Üniversitesi, Staudtstr. 5, 91058 Erlangen, Almanya
³Wilczek Kuantum Merkezi, Fizik ve Astronomi Okulu, Şanghay Jiao Tong Üniversitesi, Şanghay 200240, Çin
⁴Kuantum Bilimleri için Şanghay Araştırma Merkezi, Şanghay 201315, Çin
⁵New York Üniversitesi Şangay, 1555 Century Ave, Pudong, Şanghay 200122, Çin
⁶Hassas Spektroskopi Devlet Anahtar Laboratuvarı, Fiziksel ve Malzeme Bilimleri Okulu, Doğu Çin Normal Üniversitesi, Şanghay 200062, Çin
⁷NYU-ECNU Fizik Enstitüsü, NYU Şangay, 3663 Zhongshan Road North, Şanghay 200062, Çin
⁸Kuantum ve Topolojik Sistemler Merkezi (CQTS), NYUAD Araştırma Enstitüsü, New York Üniversitesi Abu Dabi, BAE
⁹Fizik Bölümü, New York Üniversitesi, New York, NY 10003, ABD

Bu makaleyi ilginç mi buldunuz yoksa tartışmak mı istiyorsunuz? SciRate'e çığlık at veya yorum bırak.

Özet

Adyabatik kuantum hesaplamada, adyabatik tarama sırasında değişen parametrenin bir fonksiyonu olarak Hamiltoniyen aralığının bağımlılığını bulmak, hesaplamanın hızını optimize etmek için çok önemlidir. Bu zorluktan esinlenerek, bu çalışmada, Hamiltonian problemini tam olarak tanımlayan parametrelerden, farklı ağ mimarileri uygulayan boşluğun yukarıda bahsedilen parametrik bağımlılığına kadar bir haritalama keşfetmek için derin öğrenmenin potansiyelini araştırıyoruz. Bu örnek aracılığıyla, bu tür problemlerin öğrenilebilirliği için sınırlayıcı bir faktörün girdi boyutu, yani Hamilton ölçeklerini sistem boyutuyla tanımlamak için gereken parametre sayısı olduğunu varsayıyoruz. Uzun kısa süreli bellek ağının, parametre alanı sistem boyutuyla doğrusal olarak ölçeklendiğinde boşluğu tahmin etmede başarılı olduğunu gösterdik. Dikkat çekici bir şekilde, bu mimarinin, modelin uzaysal yapısıyla başa çıkmak için evrişimli bir sinir ağıyla birleştirildiğinde, eğitim sırasında sinir ağı tarafından görülenlerden daha büyük sistem boyutları için boşluk gelişiminin bile tahmin edilebileceğini gösterdik. Bu, boşluğun hesaplanmasında mevcut kesin ve yaklaşık algoritmalarla karşılaştırıldığında önemli bir hızlanma sağlar.

Öne çıkan görsel: Bir sinir ağı, klasik bir bilgisayar veya kuantum bilgisayar tarafından üretilen verileri gözlemleyerek parametrik boşluğu öğrenir.

Popüler özet

Adyabatik kuantum hesaplama alanında, optimum hesaplama hızına ulaşmanın anahtar yönlerinden biri, Hamiltonyen boşluğunun adyabatik tarama sırasında değişen parametrelere nasıl bağlı olduğunu anlamaktır. Bu zorluktan yola çıkarak makalemiz, sorunlu Hamilton parametreleri ile boşluğun parametrik bağımlılığı arasında bir eşleme keşfetmek için derin öğrenme tekniklerinin potansiyelini araştırmaya girişiyor. Çeşitli ağ mimarilerini kullanarak bu tür problemlerin öğrenilebilirlik sınırlarını araştırıyoruz. Araştırmamız, Hamiltonyen'i tanımlamak için gereken parametre sayısının sistem boyutuna göre ölçeklenebilirliğinin, bu tür problemlerin öğrenilebilirliğinde kritik bir rol oynadığını göstermektedir.

Dikkat çekici bir şekilde, eğitimli bir sinir ağının, parametre alanı sistem boyutuyla doğrusal olarak ölçeklendiğinde, sadece küçük sistem boyutları için boşluğu gözlemlemesini sağlayarak, büyük sistem boyutları için adyabatik bir tarama sırasında tam aralık gelişimini tahmin etmede başarılı olduğunu gösterdik. Çalışmamız, homojen olmayan çok gövdeli sistemlerin adyabatik dinamiklerini ve bunların sinir ağının üzerinde eğitildiğinin ötesindeki dinamikleri tahmin etme potansiyelini tahmin etme konusunda sözde evrişimli tekrarlayan ağların vaadini artırıyor.

► BibTeX verileri

@article{Mohseni2023deeprecurrent, doi = {10.22331/q-2023-06-12-1039}, url = {https://doi.org/10.22331/q-2023-06-12-1039}, title = {Derin tekrarlayan adyabatik kuantum hesaplamadaki boşluk evrimini öngören ağlar}, yazar = {Mohseni, Naeimeh ve Navarrete-Benlloch, Carlos ve Byrnes, Tim ve Marquardt, Florian}, dergi = {{Quantum}}, issn = {2521-327X}, yayıncı = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, cilt = {7}, sayfalar = {1039}, ay = haziran, yıl = {2023} }

► Referanslar

[1] Dorit Aharonov ve Amnon Ta-Shma. Adyabatik kuantum durum üretimi ve istatistiksel sıfır bilgisi. Hesaplama Teorisi üzerine otuz beşinci yıllık ACM sempozyumunun Bildirileri, sayfa 20–29, 2003. 10.1145/780542.780546.
https: / / doi.org/ 10.1145 / 780542.780546

[2] Mahabubul Alam, Abdullah Ash-Saki ve Swaroop Ghosh. Makine öğrenimini kullanarak kuantum yaklaşık optimizasyon algoritmasını hızlandırma. 2020 Avrupa'da Tasarım, Otomasyon ve Test Konferansı ve Sergisi (TARİH), sayfa 686–689. IEEE, 2020. 10.5555/3408352.3408509.
https: / / doi.org/ 10.5555 / 3408352.3408509

[3] Tameem Albash ve Daniel A Lidar. Bir kuantum tavlayıcının simüle edilmiş tavlamaya göre ölçeklendirme avantajının gösterilmesi. Fiziksel İnceleme X, 8 (3): 031016, 2018. 10.1103/PhysRevX.8.031016.
https: / / doi.org/ 10.1103 / PhysRevX.8.031016

[4] Boris Altshuler, Hari Krovi ve Jérémie Roland. Anderson yerelleştirmesi adyabatik kuantum optimizasyonunun başarısız olmasına neden oluyor. Ulusal Bilimler Akademisi Bildirileri, 107 (28): 12446–12450, 2010. 10.1073/pnas.1002116107.
https: / / doi.org/ 10.1073 / pnas.1002116107

[5] MHS Amin ve V Choi. Adyabatik kuantum hesaplamada birinci dereceden kuantum faz geçişi. Fiziksel İnceleme A, 80 (6): 062326, 2009. 10.1103/PhysRevA.80.062326.
https: / / doi.org/ 10.1103 / PhysRevA.80.062326

[6] Matthew JS Beach, Anna Golubeva ve Roger G Melko. Kosterlitz-thouless geçişindeki makine öğrenimi girdapları. Fiziksel İnceleme B, 97 (4): 045207, 2018. 10.1103/PhysRevB.97.045207.
https: / / doi.org/ 10.1103 / PhysRevB.97.045207

[7] Giulio Biroli, Simona Cocco ve Rémi Monasson. Bilgisayar bilimlerinde faz geçişleri ve karmaşıklık: Rastgele karşılanabilirlik problemine istatistiksel fizik yaklaşımına genel bakış. Physica A: İstatistiksel Mekanik ve Uygulamaları, 306: 381–394, 2002. 10.1016/S0378-4371(02)00516-2.
https://doi.org/10.1016/S0378-4371(02)00516-2

[8] Alex Blania, Sandro Herbig, Fabian Dechent, Evert van Nieuwenburg ve Florian Marquardt. Homojen olmayan ilişkili kuantum sistemlerinde uzaysal yoğunlukların derin öğrenimi. arXiv ön baskı arXiv:2211.09050, 2022. 10.48550/arXiv.2211.09050.
https://doi.org/10.48550/arXiv.2211.09050
arXiv: 2211.09050

[9] Troels Arnfred Bojesen. Politika güdümlü monte carlo: Takviyeli öğrenme Markov zinciri dinamikleri. Fiziksel İnceleme 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 ve Pankaj Mehta. Kuantum kontrolünün farklı aşamalarında takviyeli öğrenme. Fizik. Rev. X, 8: 031086, Eylül 2018. 10.1103/PhysRevX.8.031086.
https: / / doi.org/ 10.1103 / PhysRevX.8.031086

[11] Giuseppe Carleo ve Matthias Troyer. Kuantum çoklu cisim probleminin yapay sinir ağlarıyla çözülmesi. Science, 355 (6325): 602–606, 2017. 10.1126/science.aag2302.
https: / / doi.org/ 10.1126 / science.aag2302

[12] Juan Carrasquilla ve Roger G Melko. Maddenin makine öğrenimi aşamaları. Doğa Fiziği, 13 (5): 431–434, 2017. 10.1038/nphys4035.
https: / / doi.org/ 10.1038 / nphys4035

[13] Juan Carrasquilla ve Giacomo Torlai. Kuantum çoklu cisim fiziğinde sinir ağları: uygulamalı bir eğitim. arXiv ön baskısı arXiv:2101.11099, 2021. 10.48550/arXiv.2101.11099.
https://doi.org/10.48550/arXiv.2101.11099
arXiv: 2101.11099

[14] François Chollet ve ark. Keras. https:///keras.io, 2015.
https:///keras.io

[15] Edward Farhi, Jeffrey Goldstone, Sam Gutmann ve Michael Sipser. Adyabatik evrim yoluyla kuantum hesaplama. arXiv ön baskı quant-ph/0001106, 2000. 10.48550/arXiv.quant-ph/0001106.
https://doi.org/10.48550/arXiv.quant-ph/0001106
arXiv: kuant-ph / 0001106

[16] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami ve Yuya O. Nakagawa. Derin varyasyonel kuantum özçözücü: Daha küçük boyutlu kuantum bilgisayarlarla daha büyük bir sorunu çözmeye yönelik bir böl ve yönet yöntemi. PRX Quantum, 3: 010346, Mart 2022. 10.1103/PRXQuantum.3.010346.
https: / / doi.org/ 10.1103 / PRXQuantum.3.010346

[17] Ivan Glasser, Nicola Pancotti, Moritz August, Ivan D. Rodriguez ve J. Ignacio Cirac. Sinir ağı kuantum durumları, dizi bağ durumları ve kiral topolojik durumlar. Fizik. Rev. X, 8: 011006, Ocak 2018. 10.1103/PhysRevX.8.011006.
https: / / doi.org/ 10.1103 / PhysRevX.8.011006

[18] Ian Goodfellow, Yoshua Bengio ve Aaron Courville. Derin Öğrenme. MIT Press, 2016. URL http:///www.deeplearningbook.org.
http: / / www.deeplearningbook.org

[19] Alex Graves, Abdel-rahman Mohamed ve Geoffrey Hinton. Derin tekrarlayan sinir ağları ile konuşma tanıma. 2013 IEEE uluslararası akustik, konuşma ve sinyal işleme konferansında, sayfa 6645–6649. Ieee, 2013. 10.1109/ICASSP.2013.6638947.
https://doi.org/10.1109/ICASSP.2013.6638947

[20] Gian Giacomo Guerreschi. Böl ve yönet ve kuantum algoritmalarıyla ikinci dereceden sınırlandırılmamış ikili optimizasyonu çözme. arXiv ön baskısı arXiv:2101.07813, 2021. 10.48550/arXiv.2101.07813.
https://doi.org/10.48550/arXiv.2101.07813
arXiv: 2101.07813

[21] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele ve Procolo Lucignano. Rastgele ising modelleri için derin öğrenme optimal kuantum tavlama programları. arXiv ön baskı arXiv:2211.15209, 2022. 10.48550/arXiv.2211.15209.
https://doi.org/10.48550/arXiv.2211.15209
arXiv: 2211.15209

[22] S Hochreiter ve J Schmidhuber. Uzun kısa süreli hafıza nöral hesaplaması. 10.1162/neco.1997.9.8.1735.
https: / / doi.org/ 10.1162 / neco.1997.9.8.1735

[23] Hsin-Yuan Huang, Richard Kueng ve John Preskill. Bilgi teorisi, makine öğreniminde kuantum avantajına bağlıdır. Fizik. Rev. Lett., 126: 190505, Mayıs 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 ve John Preskill. Kuantum çoklu cisim problemleri için kanıtlanmış verimli makine öğrenimi. bilim, 2021b. 10.1126/science.abk3333.
https:///doi.org/10.1126/science.abk3333

[25] Li Huang ve Lei Wang. Kısıtlı Boltzmann makineleriyle hızlandırılmış Monte Carlo simülasyonları. Fizik. Rev. B, 95: 035105, Ocak 2017. 10.1103/PhysRevB.95.035105.
https: / / doi.org/ 10.1103 / PhysRevB.95.035105

[26] Marko Žnidarič ve Martin Horvat. Bir np-tam problemi için adyabatik bir algoritmanın üstel karmaşıklığı. Fizik. Rev. A, 73: 022329, Şubat 2006. 10.1103/PhysRevA.73.022329.
https: / / doi.org/ 10.1103 / PhysRevA.73.022329

[27] J Robert Johansson, Paul D Nation ve Franco Nori. Qutip: Açık kuantum sistemlerinin dinamikleri için açık kaynaklı bir python çerçevesi. Bilgisayar Fiziği İletişimi, 183 (8): 1760–1772, 2012. 10.48550/arXiv.1110.0573.
https://doi.org/10.48550/arXiv.1110.0573

[28] Wolfgang Lechner, Philipp Hauke ve Peter Zoller. Yerel etkileşimlerden her şeye bağlantı sağlayan bir kuantum tavlama mimarisi. Bilim ilerlemeleri, 1 (9): e1500838, 2015. 10.1126/sciadv.1500838.
https: / / doi.org/ 10.1126 / sciadv.1500838

[29] Yann LeCun, Yoshua Bengio ve Geoffrey Hinton. Çoklu q-öğrenme ile derin takviyeli öğrenmeyi keşfetme. doğa, 521 (7553): 436–444, 2015. 10.1038/nature14539.
https: / / doi.org/ 10.1038 / nature14539

[30] Daniel A Lidar, Ali T Rezakhani ve Alioscia Hamma. Çok cisimli sistemler ve kuantum hesaplama için üstel doğrulukla adyabatik yaklaşım. Journal of Mathematical Physics, 50 (10): 102106, 2009. 10.1063/1.3236685.
https: / / doi.org/ 10.1063 / 1.3236685

[31] Yuichiro Matsuzaki, Hideaki Hakoshima, Kenji Sugisaki, Yuya Seki ve Shiro Kawabata. Kuantum tavlama ile temel durum ile uyarılmış durum arasındaki enerji boşluğunun doğrudan tahmini. Japon Uygulamalı Fizik Dergisi, 60 (SB): SBBI02, 2021. 10.1088/0305-4470/15/10/028.
https://doi.org/10.1088/0305-4470/15/10/028

[32] Matija Medvidović ve Giuseppe Carleo. Kuantum yaklaşık optimizasyon algoritmasının klasik varyasyonel simülasyonu. npj Kuantum Bilgisi, 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 ve Sanjeev Khudanpur. Tekrarlayan sinir ağı tabanlı dil modeli. Uluslararası konuşma iletişimi derneğinin Onbirinci yıllık konferansında, 2010. 10.21437/Interspeech.2010-343.
https:///doi.org/10.21437/Interspeech.2010-343

[34] Naeimeh Mohseni, Marek Narozniak, Alexey N Pyrkov, Valentin Ivannikov, Jonathan P Dowling ve Tim Byrnes. Adyabatik kuantum hesaplamada kubit topluluklarıyla hata giderme. npj Kuantum Bilgisi, 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 ve Florian Marquardt. Rastgele sürüş yoluyla kuantum çoklu cisim dinamiğinin derinlemesine öğrenilmesi. Kuantum, 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 ve Tim Byrnes. Makineleri kombinatoryal optimizasyon problemlerinin donanım çözücüleri olarak kullanmak. Nature Reviews Physics, 4 (6): 363–379, 2022b. 10.1038/s42254-022-00440-8.
https://doi.org/10.1038/s42254-022-00440-8

[37] Naeimeh Mohseni, Junheng Shi, Tim Byrnes ve Michael Hartmann. Çok cisimli gözlemlenebilirlerin derin öğrenimi ve kuantum bilgi karıştırma. arXiv ön baskı arXiv:2302.04621, 2023. 10.48550/arXiv.2302.04621.
https://doi.org/10.48550/arXiv.2302.04621
arXiv: 2302.04621

[38] Michael A Nielsen. Sinir ağları ve derin öğrenme, cilt 2018. Kararlılık basımı San Francisco, CA, 2015.

[39] Murphy Yuezhen Niu, Andrew M Dai, Li Li, Augustus Odena, Zhengli Zhao, Vadim Smelyanskyi, Hartmut Neven ve Sergio Boixo. Kuantum örneklerinin öğrenilebilirliği ve karmaşıklığı. arXiv ön baskısı arXiv:2010.11983, 2020. 10.48550/arXiv.2010.11983.
https://doi.org/10.48550/arXiv.2010.11983
arXiv: 2010.11983

[40] Asier Ozaeta, Wim van Dam ve Peter L McMahon. Tek katmanlı kuantum yaklaşık optimizasyon algoritmasından mevcut problemlere ilişkin beklenti değerleri. Kuantum Bilimi ve Teknolojisi, 7 (4): 045036, 2022. 10.1088/2058-9565/ac9013.
https://doi.org/10.1088/2058-9565/ac9013

[41] Boris Pittel, Joel Spencer ve Nicholas Wormald. Rastgele bir grafikte dev bir çekirdeğin aniden ortaya çıkışı. Kombinatoryal Teori Dergisi, Seri B, 67 (1): 111–151, 1996. 10.1006/jctb.1996.0036.
https: / / doi.org/ 10.1006 / jctb.1996.0036

[42] Jérémie Roland ve Nicolas J Cerf. Yerel adyabatik evrime göre kuantum araştırması. Fiziksel İnceleme 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 ve AD Baczewski. Güçlü faz tahminiyle kuantum bilgisayarda enerji farklarının değerlendirilmesi. Fizik. Rev. Lett., 126: 210501, Mayıs 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 ve Martin Suchara. Kombinatoryal optimizasyon ve dağıtılmış bilgi işlem için kuantum böl ve fethet. arXiv ön baskısı 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 ve S. Pilati. Düzensiz kuantum sistemlerinin etkili bir şekilde öğrenilmesi için ölçeklenebilir sinir ağları. Fizik. Rev. E, 102: 033301, Eylül 2020. 10.1103/PhysRevE.102.033301.
https: / / doi.org/ 10.1103 / PhysRevE.102.033301

[46] Gernot Schaller. Kuantum faz geçişleri olmadan adyabatik hazırlık. Fizik. Rev. A, 78: 032328, Eylül 2008. 10.1103/PhysRevA.78.032328.
https: / / doi.org/ 10.1103 / PhysRevA.78.032328

[47] Markus Schmitt ve Markus Heyl. Yapay sinir ağları ile iki boyutlu kuantum çoklu cisim dinamiği. Fizik. Rev. Lett., 125: 100503, Eylül 2020. 10.1103/PhysRevLett.125.100503.
https: / / doi.org/ 10.1103 / PhysRevLett.125.100503

[48] Ralf Schützhold. Dinamik kuantum faz geçişleri. Düşük Sıcaklık Fiziği Dergisi, 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 ve Wang-chun WOO. Evrişimli lstm ağı: Yağış şimdi tahmini için bir makine öğrenimi yaklaşımı. C. Cortes, N. Lawrence, D. Lee, M. Sugiyama ve R. Garnett, editörler, Advances in Neural Information Processing Systems, cilt 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 ve Giuseppe Carleo. Sinir ağı kuantum durum tomografisi. Doğa Fiziği, 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 ve Sebastian D Huber. Karışıklık yoluyla faz geçişlerini öğrenme. Doğa Fiziği, 13 (5): 435–439, 2017. 10.1038/nphys4037.
https: / / doi.org/ 10.1038 / nphys4037

[52] Filippo Vicentini. Kuantum çoklu vücut fiziği için makine öğrenimi araç kutusu. Nature Reviews Physics, 3 (3): 156–156, 2021. 10.1038/s42254-021-00285-7.
https://doi.org/10.1038/s42254-021-00285-7

[53] Lei Wang. Denetimsiz öğrenmeyle aşama geçişlerini keşfetme. Fizik. Rev. B, 94: 195105, Kasım 2016. 10.1103/PhysRevB.94.195105.
https: / / doi.org/ 10.1103 / PhysRevB.94.195105

[54] Sebastian J Wetzel. Faz geçişlerinin denetimsiz öğrenimi: Temel bileşen analizinden değişken otomatik kodlayıcılara. Fiziksel İnceleme 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 ve Wang-chun Woo. Evrişimli lstm ağı: Yağış şimdi tahmini için bir makine öğrenimi yaklaşımı. Nöral bilgi işleme sistemlerindeki ilerlemeler, sayfa 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 ve VN Smelyanskiy. Kuantum adyabatik algoritmadaki minimum uyarma aralığının boyuta bağımlılığı. Fizik. Rev. Lett., 101: 170503, Ekim 2008. 10.1103/PhysRevLett.101.170503.
https: / / doi.org/ 10.1103 / PhysRevLett.101.170503

Alıntılama

[1] Naeimeh Mohseni, Peter L. McMahon ve Tim Byrnes, "Makineleri kombinatoryal optimizasyon problemlerinin donanım çözücüleri olarak kullanmak", Doğa İncelemeleri Fizik 4 6, 363 (2022).

[2] Naeimeh Mohseni, Thomas Fösel, Lingzhen Guo, Carlos Navarrete-Benlloch ve Florian Marquardt, "Rastgele Sürüş Yoluyla Kuantum Çok-Beden Dinamiğinin Derin Öğrenmesi", Kuantum 6, 714 (2022).

[3] Pratibha Raghupati Hegde, Gianluca Passarelli, Giovanni Cantele ve Procolo Lucignano, "Rastgele Ising modelleri için derin öğrenme optimal kuantum tavlama programları", arXiv: 2211.15209, (2022).

[4] Alexander Gresch, Lennart Bittel ve Martin Kliesch, "Kuantum verileri aracılığıyla çok gövdeli yerelleştirmeye ölçeklenebilir yaklaşım", arXiv: 2202.08853, (2022).

[5] Naeimeh Mohseni, Junheng Shi, Tim Byrnes ve Michael Hartmann, "Çok cisimli gözlemlenebilirlerin derin öğrenimi ve kuantum bilgi karıştırma", arXiv: 2302.04621, (2023).

Yukarıdaki alıntılar SAO / NASA REKLAMLARI (son başarıyla 2023-06-13 23:27:02) güncellendi. Tüm yayıncılar uygun ve eksiksiz alıntı verisi sağlamadığından liste eksik olabilir.

On Crossref'in alıntı yaptığı hizmet alıntı yapma çalışmaları ile ilgili veri bulunamadı (son deneme 2023-06-13 23:27:01).

Bu Makale, Quantum'da Creative Commons Atıf 4.0 Uluslararası (CC BY 4.0) lisans. Telif hakkı, yazarlar veya kurumları gibi orijinal telif hakkı sahiplerine aittir.

SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
EVM Finans. Merkezi Olmayan Finans için Birleşik Arayüz. Buradan Erişin.
Kuantum Medya Grubu. IR/PR Güçlendirilmiş. Buradan Erişin.
PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
Kaynak: https://quantum-journal.org/papers/q-2023-06-12-1039/

Zaman Damgası: Haziran 12, 2023

Zaman Damgası: Aralık 6, 2023

Adyabatik kuantum hesaplamadaki boşluk gelişimini tahmin eden derin tekrarlayan ağlar

Plato tarafından yeniden yayınlandı

Özet

Popüler özet

► BibTeX verileri

► Referanslar

Alıntılama

Den fazla Kuantum Günlüğü

İki seviyeli bir mekanik sistemin kuantum manipülasyonu

Düzlemsel Petek Kodunu Kıyaslama

Zaman Dinamiklerini Kullanarak Yüzey Kodu Devreleri için Donanım Gereksinimlerini Rahatlatma

Kuantum mekaniğinde enerji yoğunlukları

Kuantum operatörlerinde mikrokanonik pencereler

Basit kuantum bağlamsallığı

Delokalize edilmiş kuantum durumu evrimleri yoluyla yüksek doğruluklu Hamilton öğrenmesi

Kuantum Gradyan Algoritmaları Kullanarak Finansal Piyasa Riskinde Kuantum Avantajına Doğru

Düşük algılama verimliliğine sahip Bell deneylerine grafik-teorik yaklaşım

Kovaryans matrisinden sınırlayıcı dolaşma boyutu

Tipiklikteki korelasyonlar ve kesin katalitik entropi varsayımına olumlu bir çözüm

Betti sayılarını tahmin etmek için (basit) klasik bir algoritma

Hakkımızda

Dikey Arama ve Ai

Platform

Bağlı Kal

Hesap