Квантовое превосходство в сквозных интеллектуальных ИТ. Ч. 3: Квантовая программная инженерия – квантовые алгоритмы приближенной аппроксимации на малых квантовых процессорах
Боковая панель статьи
Основное содержимое статьи
Аннотация
Описаны принципы и методологии проектирования квантовых алгоритмических ячеек на малых квантовых компьютерах. Обсуждаются возможности моделирования квантовых алгоритмических ячеек на классических компьютерах. Описаны приложения схемотехнических решений квантовых ячеек. Представлен новый подход к реализации схемотехнических решений квантовых алгоритмов для быстрых квантовых параллельных массивных вычислений. Основное внимание уделено разработке метода проектирования операторов быстрых квантовых алгоритмов, таких как суперпозиция, запутывание и интерференция, которые в общем случае являются трудоемкими операциями из-за количества выполненных продуктов. Программно-алгоритмическая платформа поддерживает сложный интеллектуальный инструментарий ускорителя моделирования квантового алгоритма на малом квантовом компьютере, на котором реализуются квантовые алгоритмы путем выполнения последовательности универсальных логических элементов реализации квантовой логики.
Скачивания
Информация о статье
Библиографические ссылки
Aram W. Harrow Small quantum computers and large classical data sets // arXiv:2004.00026v1 [quant-ph] 31 Mar 2020.
F. Barratt et al. Parallel Quantum Simulation of Large Systems on Small NISQ Computers // 2003.12087v1 [quant-ph] 26 Mar 2020.
Van den Brink R. F.M. Vision on Next Level Quantum Software Tooling // Proc. The 10th Intern. Conf. Computational Logics, Programming, Tools, and Benchmarking. 2019. — Venice, May 5-9, Italy. — Pp. 16-23.
Hadfield S.T. Quantum Algorithms for Scientific Computing and Approximate Optimization. - Submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy in the Graduate School of Arts and Sciences. - COLUMBIA UNIVERSITY. — 2018.
LaRose R. Overview and Comparison of Gate Level Quantum Software Platforms // arXiv:1807.02500v1 [quant-ph] 6 Jul 2018.
Khatri S. Quantum-assisted quantum compiling // aXiv:1807.00800v5 [quant-ph] 7 May 2019.
Leo Zhou, Quantum Approximate Optimization Algorithm: Performance, Mechanism, and Implementation on Near-Term Device // arXiv:1812.01041v2 [quant-ph] 2019]; The “parameter shift rule” in the larger context of hybrid optimization.
Schuld M. Evaluating analytic gradients on quantum hardware // arXiv:1811.11184v1 [quant-ph] 27 Nov 2018.
Leo Zhou, Quantum Approximate Optimization Algorithm: Performance, Mechanism, and Implementation on Near-Term Device // arXiv:1812.01041v2 [quant-ph] 2019.
Schuld M. Evaluating analytic gradients on quantum hardware // arXiv:1811.11184v1 [quant-ph] 27 Nov 2018.
Bergholm V. PennyLane: Automatic differentiation of hybrid quantum-classical computations // arXiv: 1811.04968v3 [quant-ph] 14 Feb 2020.
Gilyén A., Arunachalam S., Wiebe N. Optimizing quantum optimization algorithms via faster quantum gradient computation // In book: Proc. of the Thirtieth Annual ACM-SIAM Symposium on Discrete Algorithms. – Springer Verlag. — 2019. — Pp.1425-1444. — [arXiv:1711.00465v3 [quantph] 17 Apr 2018].
Gilyén A. Quantum singular value transformation & its algorithmic applications. — Institute for Logic, Language and Computation Universiteit van Amsterdam. ILLC Dissertation Series DS-2019- 03. — 2019.
Cornelissen A.J. Quantum gradient estimation and its application to quantum reinforcement learning. — Master thesis. Delft University of Technology. — 2018.
Masaya Watabe, Quantum Circuit Parameters Learning with Gradient Descent Using Backpropagation // [quant-ph] 1910.14266. October, 2019.
Harrow A.W. Small quantum computers and large classical data sets // arXiv:2004.00026v1 [quantph] 31 Mar 2020.
Michailidis A. et al. Slow quantum thermalization and many-body revivals from mixed phase space // 1905.08564et al. v2 [quant-ph] 21 Jan 2020.