Variational Quantum Algorithm For Unconstrained Black Box Binary Optimization: Application To Feature Selection

Ponovno objavil Platon

Spremljevalci: 0

Christa Zoufal¹, Ryan V. Mišmaš², Nitin Sharma³, Niraj Kumar³, Aashish Sheshadri³, Amol Deshmukh⁴, Noelle Ibrahim⁴, Julien Gacon^5,6in Stefan Woerner⁵

¹IBM Quantum, IBM Research Europe – Zürich
²IBM Quantum, Almaden Research Center – Almaden
³PayPal – San Jose
⁴IBM Quantum, raziskovalni center Thomasa J. Watsona – Yorktown Heights
⁵IBM Quantum, IBM Research - Zürich
⁶Inštitut za fiziko, École Polytechnique Fédérale de Lausanne (EPFL)

Se vam zdi ta članek zanimiv ali želite razpravljati? Zaslišite ali pustite komentar na SciRate.

Minimalizem

Predstavimo variacijski kvantni algoritem za reševanje problemov neomejene binarne optimizacije črne skrinjice, tj. problemov, pri katerih je ciljna funkcija podana kot črna skrinjica. To je v nasprotju s tipično nastavitvijo kvantnih algoritmov za optimizacijo, kjer je klasična ciljna funkcija podana kot dani problem kvadratne neomejene binarne optimizacije in preslikana v vsoto Paulijevih operatorjev. Poleg tega nudimo teoretično utemeljitev naše metode, ki temelji na konvergenčnih jamstvih kvantne imaginarne evolucije časa.

Da bi raziskali delovanje našega algoritma in njegove potencialne prednosti, se lotimo zahtevnega optimizacijskega problema v resničnem svetu: $textit{feature selection}$. To se nanaša na problem izbire podnabora ustreznih funkcij za uporabo za izdelavo napovednega modela, kot je odkrivanje goljufij. Optimalna izbira značilnosti – če je oblikovana v smislu generične funkcije izgube – ponuja malo strukture, na kateri bi lahko zgradili klasično hevristiko, kar ima za posledico predvsem "pohlepne metode". To pušča prostor, da so (bližnjeročni) kvantni algoritmi konkurenčni klasičnim najsodobnejšim pristopom. Uporabljamo naš algoritem za izbiro funkcij, ki temelji na kvantni optimizaciji, imenovan VarQFS, da zgradimo napovedni model za nabor podatkov o kreditnem tveganju z vhodnimi funkcijami v vrednosti 20 $ in 59 $ (kubiti) in urimo model z uporabo kvantne strojne opreme in na osnovi tenzorskega omrežja. numerične simulacije oz. Pokazali smo, da kvantna metoda ustvarja konkurenčno in v nekaterih vidikih celo boljšo zmogljivost v primerjavi s tradicionalnimi tehnikami izbire funkcij, ki se uporabljajo v današnji industriji.

► BibTeX podatki

@article{Zoufal2023variationalquantum, doi = {10.22331/q-2023-01-26-909}, url = {https://doi.org/10.22331/q-2023-01-26-909}, title = {Variational quantum algoritem za neomejeno binarno optimizacijo črne skrinjice: {A}aplikacija za izbor funkcij}, avtor = {Zoufal, Christa in Mishmash, Ryan V. in Sharma, Nitin in Kumar, Niraj in Sheshadri, Aashish in Deshmukh, Amol in Ibrahim, Noelle in Gacon, Julien in Woerner, Stefan}, revija = {{Quantum}}, issn = {2521-327X}, založnik = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, zvezek = {7}, strani = {909}, mesec = jan, leto = {2023} }

► Reference

[1] E. Farhi, J. Goldstone in S. Gutmann. Algoritem kvantne približne optimizacije. prednatis arXiv – arXiv:1411.402, 2014. DOI: https:///doi.org/10.48550/arXiv.1411.4028.
https:///doi.org/10.48550/arXiv.1411.4028
arXiv: 1411.402

[2] N. Moll et al. Kvantna optimizacija z uporabo variacijskih algoritmov na kratkoročnih kvantnih napravah. Kvantna znanost in tehnologija, 3, 2017. DOI: https:///doi.org/10.1088/2058-9565/aab822.
https: / / doi.org/ 10.1088 / 2058-9565 / aab822

[3] P. Barkoutsos, G. Nannicini, A. Robert, I. Tavernelli in S. Woerner. Izboljšanje variacijske kvantne optimizacije z uporabo CVaR. Quantum, 4:256, 2020. DOI: https:///doi.org/10.22331/q-2020-04-20-256.
https://doi.org/10.22331/q-2020-04-20-256

[4] DJ Egger, J. Mareček in S. Woerner. Kvantna optimizacija toplega zagona. Quantum, 5, 2021. DOI: https:///doi.org/10.22331/q-2021-06-17-479.
https://doi.org/10.22331/q-2021-06-17-479

[5] J. Gacon, C. Zoufal in S. Woerner. Kvantno izboljšana optimizacija na osnovi simulacije. 2020 IEEE International Conference on Quantum Computing and Engineering (QCE), 2020. DOI: https:///doi.org/10.1109/QCE49297.2020.00017.
https: / / doi.org/ 10.1109 / QCE49297.2020.00017

[6] D. Amaro, M. Rosenkranz, N. Fitzpatrick, K. Hirano in M. Fiorentini. Študija primera variacijskih kvantnih algoritmov za problem razporejanja delovnih mest. EPJ Quantum Technology, 9(1):5, 2022. DOI: https:///doi.org/10.1140/epjqt/s40507-022-00123-4.
https://doi.org/10.1140/epjqt/s40507-022-00123-4

[7] D. Amaro, C. Modica, M. Rosenkranz, M. Fiorentini, M. Benedetti in M. Lubasch. Filtriranje variacijskih kvantnih algoritmov za kombinatorično optimizacijo. Kvantna znanost in tehnologija, 7(1):015021, 2022. DOI: https:///doi.org/10.1088/2058-9565/ac3e54.
https://doi.org/10.1088/2058-9565/ac3e54

[8] MF Dacrema, F. Moroni, R. Nembrini, N. Ferro, G. Faggioli in P. Cremonesi. K izbiri funkcij za razvrščanje in klasifikacijo, ki izkoriščajo kvantne žarilnike. Zbornik 45. mednarodne konference ACM SIGIR o raziskavah in razvoju pri pridobivanju informacij, 2022. DOI: https:///doi.org/10.1145/3477495.3531755.
https: / / doi.org/ 10.1145 / 3477495.3531755

[9] A. Peruzzo, J. McClean, P. Shadbolt, M.-H. Yung, X.-Q. Zhou, PJ Love, A. Aspuru-Guzik in JL O'brien. Variacijski reševalec lastnih vrednosti na fotonskem kvantnem procesorju. Nature Communications, 5(1), 2014. DOI: https:///doi.org/10.1038/ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213

[10] S. McArdle, T. Jones, S. Endo, Y. Li, SC Benjamin in X. Yuan. Kvantna simulacija namišljene evolucije časa, ki temelji na variacijskem ansatz-u. npj Quantum Information, 5(1), 2019. DOI: https:///doi.org/10.1038/s41534-019-0187-2.
https://doi.org/10.1038/s41534-019-0187-2

[11] D. Dua in C. Graff. Repozitorij strojnega učenja UCI, 2017. Dostopno na spletu: http:///archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data.
http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data

[12] J. Gacon, C. Zoufal, G. Carleo in S. Woerner. Stohastična aproksimacija simultane motnje kvantne Fisherjeve informacije. Quantum, 5, 2021. DOI: https:///doi.org/10.22331/q-2021-10-20-567.
https://doi.org/10.22331/q-2021-10-20-567

[13] AL Blum in P. Langley. Izbor ustreznih funkcij in primerov v strojnem učenju. Umetna inteligenca, 97(1), 1997. DOI: https:///doi.org/10.1016/S0004-3702(97)00063-5.
https://doi.org/10.1016/S0004-3702(97)00063-5

[14] M. Kuhn, K. Johnson, et al. Uporabljeno napovedno modeliranje, zvezek 26. Springer, 2013. DOI: https:///doi.org/10.1007/978-1-4614-6849-3.
https://doi.org/10.1007/978-1-4614-6849-3

[15] I. Guyon, J. Weston, S. Barnhill in V. Vapnik. Izbor genov za klasifikacijo raka z uporabo podpornih vektorskih strojev. Strojno učenje, 46(1):389–422, 2002. DOI: https:///doi.org/10.1023/A:1012487302797.
https: / / doi.org/ 10.1023 / A: 1012487302797

[16] S. Mücke, R. Heese, S. Müller, M. Wolter in N. Piatkowski. Izbira kvantnih funkcij. prednatis arXiv – arXiv:2203.13261, 2022. DOI: https:///doi.org/10.48550/arXiv.2203.13261.
https:///doi.org/10.48550/arXiv.2203.13261
arXiv: 2203.13261

[17] A. Milne, M. Rounds in P. Goddard. Optimalna izbira lastnosti pri kreditnem točkovanju in klasifikaciji z uporabo kvantnega žarilnika, 2017. Dostopno na spletu: https://1qbit.com/whitepaper/optimal-feature-selection-in-credit-scoring-classification-using-quantum- kalilnik/.
https:///1qbit.com/whitepaper/optimal-feature-selection-in-credit-scoring-classification-using-quantum-annealer/

[18] W. Hoeffding. Verjetnostne neenakosti za vsote omejenih naključnih spremenljivk. Journal of the American Statistical Association, 58(301):13–30, 1963. DOI: https:///doi.org/10.2307/2282952.
https: / / doi.org/ 10.2307 / 2282952

[19] P. Huembeli in A. Dauphin. Karakterizacija pokrajine izgub variacijskih kvantnih vezij. Kvantna znanost in tehnologija, 6(2), 2021. DOI: https:///doi.org/10.1088/2058-9565/abdbc9.
https:///doi.org/10.1088/2058-9565/abdbc9

[20] N. Yamamoto. O naravnem gradientu za variacijski kvantni lastni reševalec. Prednatis arXiv – arXiv:1909.05074, 2019. DOI: https:///doi.org/10.48550/arXiv.1909.05074.
https:///doi.org/10.48550/arXiv.1909.05074
arXiv: 1909.05074

[21] A. Lopatnikova in M.-N. prev. Kvantna pospešitev naravnega gradienta za variacijski Bayes. prednatis arXiv – arXiv:2106.05807, 2021. DOI: https:///doi.org/10.48550/arXiv.2106.05807.
https:///doi.org/10.48550/arXiv.2106.05807
arXiv: 2106.05807

[22] S. Becker in W. Li. Kvantno statistično učenje prek kvantnega Wassersteinovega naravnega gradienta. Journal of Statistical Physics, 182(1):7, 2021. DOI: https:///doi.org/10.1007/s10955-020-02682-1.
https://doi.org/10.1007/s10955-020-02682-1

[23] J. Stokes, J. Izaac, N. Killoran in G. Carleo. Kvantni naravni gradient. Quantum, 4, 2020. DOI: https:///doi.org/10.22331/q-2020-05-25-269.
https://doi.org/10.22331/q-2020-05-25-269

[24] S. Amari in SC Douglas. Zakaj naravni gradient? V zborniku 1998 mednarodne konference IEEE o akustiki, govoru in obdelavi signalov, ICASSP '98 (kat. št. 98CH36181), zvezek 2, strani 1213–1216, zvezek 2, 1998. DOI: http://dx. doi.org/10.1109/ICASSP.1998.675489.
https://doi.org/ 10.1109/ICASSP.1998.675489

[25] C. Zoufal, D. Sutter in S. Woerner. Meje napake za variacijsko kvantno časovno evolucijo. prednatis arXiv – arXiv:2108.00022, 2021. DOI: https:///doi.org/10.48550/arXiv.2108.00022.
https:///doi.org/10.48550/arXiv.2108.00022
arXiv: 2108.00022

[26] SL Braunstein in CM Caves. Statistična razdalja in geometrija kvantnih stanj. Phys. Rev. Lett., 72, 1994. DOI: https:///doi.org/10.1103/PhysRevLett.72.3439.
https: / / doi.org/ 10.1103 / PhysRevLett.72.3439

[27] JJ Meyer. Fisherjeve informacije v hrupnih kvantnih aplikacijah srednjega obsega. Quantum, 5:539, 2021. DOI: https:///doi.org/10.22331/q-2021-09-09-539.
https://doi.org/10.22331/q-2021-09-09-539

[28] J. Spall. Multivariatna stohastična aproksimacija z uporabo simultane aproksimacije gradienta motenj. IEEE Transactions on Automatic Control, 37(3), 1992. DOI: https:///doi.org/10.1109/9.119632.
https: / / doi.org/ 10.1109 / 9.119632

[29] A. Mari, TR Bromley in N. Killoran. Ocenjevanje gradienta in derivatov višjega reda na kvantni strojni opremi. Physical Review A, 103(1), 2021. DOI: https:///doi.org/10.1103/PhysRevA.103.012405.
https: / / doi.org/ 10.1103 / PhysRevA.103.012405

[30] J. Spall. Pospešena stohastična optimizacija drugega reda z uporabo samo funkcijskih meritev. V zborniku 36. konference IEEE o odločanju in nadzoru, zvezek 2, 1997. DOI: https:///doi.org/10.1109/CDC.1997.657661.
https: / / doi.org/ 10.1109 / CDC.1997.657661

[31] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot in E. Duchesnay. Scikit-learn: Strojno učenje v Pythonu. Journal of Machine Learning Research, 12, 2011. DOI: https:///doi.org/10.48550/arXiv.1201.0490.
https:///doi.org/10.48550/arXiv.1201.0490

[32] JT Hancock in TM Khoshgoftaar. Anketa o kategoričnih podatkih za nevronske mreže. Journal of Big Data, 7(1):28, 2020. DOI: https:///doi.org/10.1186/s40537-020-00305-w.
https: / / doi.org/ 10.1186 / s40537-020-00305-w

[33] K. Pearson in F. Galton. Opomba o regresiji in dedovanju v primeru dveh staršev. Proceedings of the Royal Society of London, 58(347-352), 1895. DOI: https:///doi.org/10.1098/rspl.1895.0041.
https:///doi.org/10.1098/rspl.1895.0041

[34] LightGBM. https:///lightgbm.readthedocs.io/en/latest/index.html. Dostopano: 2021. 09. 02.
https:///lightgbm.readthedocs.io/en/latest/index.html

[35] G. Vidal. Učinkovita klasična simulacija rahlo zapletenih kvantnih izračunov. Phys. Rev. Lett., 91(14), 2003. DOI: https:///doi.org/10.1103/PhysRevLett.91.147902.
https: / / doi.org/ 10.1103 / PhysRevLett.91.147902

[36] U. Schollwöck. Skupina renormalizacije matrike gostote v dobi produktnih stanj matrike. Ann. Phys., 326(1):96–192, 2011. DOI: https:///doi.org/10.48550/arXiv.1008.3477.
https:///doi.org/10.48550/arXiv.1008.3477

[37] H. Abraham et al. Qiskit: Odprtokodni okvir za kvantno računalništvo, 2019. DOI: https:///doi.org/10.5281/zenodo.2562110.
https: / / doi.org/ 10.5281 / zenodo.2562110

[38] Z.-Y. Han, J. Wang, H. Fan, L. Wang in P. Zhang. Nenadzorovano generativno modeliranje z uporabo matričnih produktnih stanj. Phys. Rev. X, 8(3):031012, 2018. DOI: 10.1103/PhysRevX.8.031012. Založnik: American Physical Society.
https: / / doi.org/ 10.1103 / PhysRevX.8.031012

[39] JR McClean, S. Boixo, VN Smelyanskiy, R. Babbush in H. Neven. Gole planote v pokrajinah za usposabljanje kvantnih nevronskih mrež. Nature Communications, 9(1), 2018. DOI: http:///dx.doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

[40] K. Temme, S. Bravyi in JM Gambetta. Zmanjšanje napak za kvantna vezja kratke globine. Phys. Rev. Lett., 119, 2017. DOI: https:///doi.org/10.1103/PhysRevLett.119.180509.
https: / / doi.org/ 10.1103 / PhysRevLett.119.180509

[41] C. Piveteau, D. Sutter, S. Bravyi, JM Gambetta in K. Temme. Zmanjšanje napak za univerzalna vrata na kodiranih kubitih. Phys. Rev. Lett., 127:200505, 2021. DOI: https:///doi.org/10.1103/PhysRevLett.127.200505.
https: / / doi.org/ 10.1103 / PhysRevLett.127.200505

[42] S. Saito, S. Shirakawa in Y. Akimoto. Izbira vgrajenih funkcij z uporabo verjetnostne optimizacije na podlagi modela. V zborniku konference Genetic and Evolutionary Computation Conference Companion, GECCO '18, stran 1922–1925, New York, NY, ZDA, 2018. Združenje za računalniške stroje. DOI: https:///doi.org/10.1145/3205651.3208227.
https: / / doi.org/ 10.1145 / 3205651.3208227

[43] EM Stoudenmire in DJ Schwab. Nadzorovano učenje s kvantno navdahnjenimi tenzorskimi omrežji. Prednatis arXiv – arXiv:1605.05775, 2017. DOI: https:///doi.org/10.48550/arXiv.1605.05775.
https:///doi.org/10.48550/arXiv.1605.05775
arXiv: 1605.05775

[44] A. Novikov, M. Trofimov in I. Oseledec. Eksponentni stroji. prednatis arXiv – arXiv:1605.03795, 2017. DOI: https:///doi.org/10.48550/arXiv.1605.03795.
https:///doi.org/10.48550/arXiv.1605.03795
arXiv: 1605.03795

[45] Y. Zhou, EM Stoudenmire in X. Waintal. Kaj omejuje simulacijo kvantnih računalnikov? Phys. Rev. X, 10(4):041038, 2020. DOI: https:///doi.org/10.1103/PhysRevX.10.041038. Založnik: American Physical Society.
https: / / doi.org/ 10.1103 / PhysRevX.10.041038

[46] S. Wang, E. Fontana, M. Cerezo, K. Sharma, A. Sone, L. Cincio in PJ Coles. S hrupom povzročene puste planote v variacijskih kvantnih algoritmih. Nature Communications, 12(1):6961, 2021. DOI: https:///doi.org/10.1038/s41467-021-27045-6.
https://doi.org/10.1038/s41467-021-27045-6

[47] W. Huggins, P. Patil, B. Mitchell, KB Whaley in EM Stoudenmire. K kvantnemu strojnemu učenju s tenzorskimi mrežami. Kvantna znanost in tehnologija, 4(2):024001, 2019. DOI: https:///doi.org/10.1088/2058-9565/aaea94.
https: / / doi.org/ 10.1088 / 2058-9565 / aaea94

[48] M. Foss-Feig, D. Hayes, JM Dreiling, C. Figgatt, JP Gaebler, SA Moses, JM Pino in AC Potter. Holografski kvantni algoritmi za simulacijo koreliranih spinskih sistemov. Physical Review Research, 3(3):033002, 2021. DOI: https:///doi.org/10.1103/PhysRevResearch.3.033002.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033002

[49] R. Haghshenas, J. Gray, AC Potter in GK-L. Chan. Variacijska moč tenzorskih omrežij kvantnega vezja. Phys. Rev. X, 12:011047, 2022. DOI: https:///doi.org/10.1103/PhysRevX.12.011047.
https: / / doi.org/ 10.1103 / PhysRevX.12.011047

[50] L. Slattery in BK Clark. Kvantna vezja za dvodimenzionalna izometrična tenzorska omrežja. prednatis arXiv – arXiv:2108.02792, 2021. DOI: https:///doi.org/10.48550/arXiv.2108.02792.
https:///doi.org/10.48550/arXiv.2108.02792
arXiv: 2108.02792

[51] I. MacCormack, A. Galda in AL Lyon. Simulacija velikih tenzorskih omrežij PEP na majhnih kvantnih napravah. prednatis arXiv – arXiv:2110.00507, 2021. DOI: https:///doi.org/10.48550/arXiv.2110.00507.
https:///doi.org/10.48550/arXiv.2110.00507
arXiv: 2110.00507

[52] M. Cerezo, A. Sone, T. Volkoff, L. Cincio in PJ Coles. Od stroškovne funkcije odvisni goli platoji v plitvih parametriziranih kvantnih vezjih. Nature Communications, 12(1), 2021. DOI: https:///doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w

[53] A. Hayashi, T. Hashimoto in M. Horibe. Ponovno preverjanje optimalne ocene kvantnega stanja čistih stanj. Physical Review A, 72(3), 2005. DOI: https:///doi.org/10.1103/PhysRevA.72.032325.
https: / / doi.org/ 10.1103 / PhysRevA.72.032325

[54] E. Grant, L. Wossnig, M. Ostaszewski in M. Benedetti. Inicializacijska strategija za obravnavanje neplodnih platojev v parametriziranih kvantnih vezjih. Quantum, 3, 2019. DOI: https:///doi.org/10.22331/q-2019-12-09-214.
https://doi.org/10.22331/q-2019-12-09-214

[55] MS Rudolph, J. Miller, J. Chen, A. Acharya in A. Perdomo-Ortiz. Sinergija med kvantnimi vezji in tenzorskimi omrežji: skrajšanje tekme do praktične kvantne prednosti. prednatis arXiv – arXiv:2208.13673, 2022. DOI: https:///doi.org/10.48550/arXiv.2208.13673.
https:///doi.org/10.48550/arXiv.2208.13673
arXiv: 2208.13673

[56] JJ Meyer, M. Mularski, E. Gil-Fuster, AA Mele, F. Arzani, A. Wilms in J. Eisert. Izkoriščanje simetrije v variacijskem kvantnem strojnem učenju, 2022. DOI: https:///doi.org/10.48550/arXiv.2205.06217.
https:///doi.org/10.48550/arXiv.2205.06217

[57] C. Ortiz Marrero, M. Kieferová in N. Wiebe. Gole planote, ki jih povzročajo zapleti. PRX Quantum, 2:040316, 2021. DOI: https:///doi.org/10.48550/arXiv.2010.15968.
https:///doi.org/10.48550/arXiv.2010.15968

[58] K. Sharma, M. Cerezo, L. Cincio in PJ Coles. Usposobljivost disipativnih kvantnih nevronskih mrež na osnovi perceptrona. Phys. Rev. Lett., 128:180505, 2022. DOI: https:///doi.org/10.1103/PhysRevLett.128.180505.
https: / / doi.org/ 10.1103 / PhysRevLett.128.180505

[59] Z. Holmes, A. Arrasmith, B. Yan, PJ Coles, A. Albrecht in AT Sornborger. Neplodne planote onemogočajo učenje premešalcev. Physical Review Letters, 126(19), 2021. DOI: https:///doi.org/10.1103/PhysRevLett.126.190501.
https: / / doi.org/ 10.1103 / PhysRevLett.126.190501

[60] TL Patti, K. Najafi, X. Gao in SF Yelin. Entanglement je zasnoval ublažitev puste planote. Physical Review Research, 3(3), 2021. DOI: https:///doi.org/10.1103/PhysRevResearch.3.033090.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033090

[61] G. Kochenberger, J.-K. Hao, F. Glover, M. Lewis, Z. Lü, H. Wang in Y. Wang. Problem neomejenega binarnega kvadratnega programiranja: anketa. Journal of Combinatorial Optimization, 28(1):58–81, 2014. DOI: https:///doi.org/10.1007/s10878-014-9734-0.
https://doi.org/10.1007/s10878-014-9734-0

[62] II Cplex. V12. 1: Uporabniški priročnik za CPLEX. International Business Machines Corporation, 46(53):157, 2009.

Navedel

[1] Kaito Wada, Rudy Raymond, Yuki Sato in Hiroshi C. Watanabe, »Popolna optimizacija enokbitnih vrat na generaliziranem zaporednem kvantnem optimizatorju«, arXiv: 2209.08535, (2022).

[2] Kaito Wada, Kazuma Fukuchi in Naoki Yamamoto, »Kvantno izboljšana ocena srednje vrednosti prek prilagodljivega merjenja«, arXiv: 2210.15624, (2022).

Zgornji citati so iz SAO / NASA ADS (zadnjič posodobljeno 2023-01-26 17:23:57). Seznam je morda nepopoln, saj vsi založniki ne dajejo ustreznih in popolnih podatkov o citiranju.

Pridobitve ni bilo mogoče Crossref citirani podatki med zadnjim poskusom 2023-01-26 17:23:51: Citiranih podatkov za 10.22331 / q-2023-01-26-909 od Crossrefa ni bilo mogoče pridobiti. To je normalno, če je bil DOI registriran pred kratkim.

Ta dokument je objavljen v Quantumu pod Priznanje avtorstva Creative Commons 4.0 International (CC BY 4.0) licenca. Avtorske pravice ostajajo pri izvirnih imetnikih avtorskih pravic, kot so avtorji ali njihove ustanove.

Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
vir: https://quantum-journal.org/papers/q-2023-01-26-909/

Časovni žig: Januar 26, 2023

Časovni žig: Februar 21, 2024

Variacijski kvantni algoritem za neomejeno binarno optimizacijo črne skrinjice: uporaba pri izbiri funkcij

Ponovno objavil Platon

Minimalizem

► BibTeX podatki

► Reference

Navedel

Več od Quantum Journal

20-načinovni univerzalni kvantni fotonski procesor

Kvantna integracija Monte Carlo: popolna prednost pri minimalni globini vezja

Model s skritimi spremenljivkami za kvantno računanje s čarobnimi stanji na quditih katere koli dimenzije

Avtomatizirano generiranje preklopnih zaporedij za kvantni računalnik z linearno segmentirano ionsko pastjo

Optimalno kodiranje oscilatorjev v več oscilatorjev

Kvantni transformatorji vida

Nenehen razkorak med konvencionalnimi strategijami in tistimi, ki temeljijo na C*-dinamiki za samoponeverbo

Formalizem stabilizatorja za kvantno popravljanje napak operatorske algebre

Testiranje identitete zbirk kvantnih stanj: analiza kompleksnosti vzorcev

Ukrotitev približka vrtečega se valovanja

O nas

Navpično iskanje in Ai

Platforma

Ostanite povezani

Račun