Квантовые схемы: новый взгляд на трансляцию с помощью нейросетей

от

Трансформаторная модель выполняет трансляцию квантовых схем, изначально сформулированных для платформы IBM с использованием набора гейтов $ \{T, T^{\dagger}, H\} $, в эквивалентные схемы, оптимизированные для ионных ловушек IonQ, использующие универсальный набор гейтов $ \{\sqrt{X}, \sqrt{X}^{\dagger}, H\} $, демонстрируя способность к межплатформенной оптимизации квантовых вычислений посредством алгоритма Соловая-Китайева.

Исследователи продемонстрировали, что модели на основе архитектуры Transformer способны эффективно преобразовывать квантовые схемы между различными аппаратными платформами.

Квантовый поток градиента: новый подход к решению линейных систем

от

Предложенный квантовый алгоритм решения систем линейных уравнений (QGFA) демонстрирует возможность достижения точности, сопоставимой с методом квантовой имитации адиабатических процессов (QMIA), при значительно меньшем числе фазовых факторов, что достигается за счет использования градиентного потока и комбинации преобразований собственных значений, реализуемых в рамках схемы линейных комбинаций унитарных операторов, и выражается в характерной зависимости числа фазовых факторов от параметра эволюции времени.

В статье представлен инновационный квантовый алгоритм, использующий динамику потока градиента для эффективного решения симметричных положительно определенных систем линейных уравнений.

Квантовые схемы на автопилоте: оптимизация архитектуры с помощью графов и машинного обучения

от

Сравнение квантовых схем и их графовых представлений демонстрирует, что агрегированные скалярные характеристики, такие как количество гейтов или глубина, могут казаться схожими, однако графовое кодирование сохраняет топологическую и зависимостную информацию, критически важную для различения функциональности схем, что обосновывает применение графовых нейронных сетей в качестве структурно-чувствительных суррогатов при оптимизации квантовых схем.

Новый подход позволяет автоматически проектировать вариационные квантовые схемы, используя графовые нейронные сети и байесовскую оптимизацию для поиска устойчивых и эффективных архитектур.

Квантовые нейросети и волновые преобразования для решения сложных уравнений

от

Предлагаемая архитектура WPIQNN обрабатывает пространственно-временные координаты $ (x, t) $ посредством кванных нейронных сетей (QNN), сначала используя кодирование угла для извлечения квантовых признаков, затем - амплитудное кодирование для последующей обработки в QNN, после чего классическая постобработка преобразует выходные данные в коэффициенты вейвлета, формирующие основу для вычисления функции потерь на основе предварительно вычисленных матриц вейвлета.

Новый подход объединяет возможности квантового машинного обучения и волновых преобразований для эффективного и точного решения многомасштабных дифференциальных уравнений в частных производных.

Квантовые схемы без лишних шагов: обучение с подкреплением для оптимизации вычислений

от

Для оптимизации шага Троттера входной гамильтониан разделяется на классически представимые и экспоненциальные слагаемые, причём экспоненциальные унитарные операторы компилируются с использованием современных методов, а классически моделируемые - посредством алгоритма, основанного на обучении с подкреплением, строящего траекторию последовательным умножением действий на целевой унитарный оператор до достижения терминального состояния, что обеспечивает отображение между состояниями и квантовыми схемами и позволяет получить глубоко оптимизированный шаг Троттера после конкатенации полученных схем.

Новый подход, основанный на обучении с подкреплением, позволяет значительно сократить сложность квантовых схем для моделирования свободных фермионных систем.

Квантовый отклик под контролем: Анализ памяти системы

от

В стационарном состоянии взаимная информация между системой и памятью скачков демонстрирует зависимость от произведения $λτ\_0$, при фиксированном отношении $γ/λ = 0.5$ и различных температурах тепловой ванны.

Новая работа предлагает всесторонний теоретический подход к управлению открытыми квантовыми системами, фокусируясь на статистике функций памяти, определяющих динамику систем.

Квантовый поиск «слабых мест» белка для создания лекарств

от

Преобразуя трехмерную плотность воды, полученную методом 3D-RISM, в двоичную сетку, предлагаемый подход формирует матрицу QUBO, оптимизируя которую с помощью гибридного квантового алгоритма, можно определить наиболее вероятные координаты стабильных молекул воды внутри белковой структуры, что подтверждается анализом апо-, голо- и голо-структур с лигандом.

Новый подход, объединяющий квантовые вычисления и молекулярную динамику, позволяет предсказывать ключевые участки гидратации белков, что открывает перспективы для более эффективной разработки лекарственных препаратов.