近似最优地面态制备
利用量子计算机演化调控 Hubbard 模型,采用有效嵌套策略实现指数级降低影响因素,设计高效测量和非破坏式的实验方法,实现对模型的精确刻画和参数量子模拟。
Jun, 2015
本研究提出了一种简化状态准备的方法以及电路优化技术,可以显著减少 QAE 状态准备的电路复杂度,并演示了在实际量子硬件上进行数字积分示例以及基于随机波动率过程的 Heston 模型的期权定价问题的技术应用。
May, 2020
我们提出了一种广义的 VQE 算法,可以根据自由参数 α 在 O (1/ε^α) 的电路深度下利用量子相干性减少样本数到 O (1/ε^2 (1-α)),同时提供了一种新的有限量子资源下的期望值估计程序。
Feb, 2018
通过机器学习协议,可以对定义在物理参数 $m$ 维空间上的哈密顿量族的基态及其性质进行预测,但泛型缝合哈密顿量的精确预测需要指数级样本复杂度;当 $m$ 是有限的常数时且精度为主要关注点时,通过利用物理约束和预测密度矩阵的正定核,可以获得样本复杂度的指数级改进,特别地,在强局部性的情况下,样本数可以进一步降低。
Apr, 2023
本研究介绍了两种针对随机过程的量子算法,分别用于热吉布斯态的准备和马尔可夫链的命中时间估计,并使用哈密顿模拟、谱间隙放大和线性方程组解法等工具进行实现。
Mar, 2016
在这项研究中,我们考虑了量子多体物理中的一个基础任务 - 寻找和学习量子哈密顿量及其性质的基态。最近的研究关注通过学习数据来预测几何局部可观测量之和的基态期望值。我们扩展了这些结果,超越了对哈密顿量和可观测量的局部要求,针对分子和原子系统中长程相互作用的相关性。我们证明,对于系统维度的两倍以上的幂次衰减相互作用,我们可以恢复与量子比特数量的对数刻度相同的高效率,但对误差的依赖会恶化到指数级。此外,我们展示了自动同构于相互作用超图的学习算法可以实现样本复杂度的降低,特别是在具有周期性边界条件的系统中,学习局部可观测量之和只需要常数个样本。我们通过从具有最多 128 个量子比特的 $1$D 长程和无序系统的 DMRG 模拟中学习的实践表明了这种高效的刻度。最后,我们提供了由于中心极限定理引起的全局可观测量期望值的浓度的分析,从而提高了预测准确性。
Dec, 2023
本文介绍了基于变分方法的新型混合量子 - 经典算法类别,重点是探究了优化方法和精度水平对变分算法的性能影响,最后提出了用拟牛顿优化方法执行量子逼近优化算法的结果。
Jan, 2017
该论文介绍了一种基于 ans"atze 和经典优化的新方法来减少量子计算时间需求。该方法将小型光子量子处理器与传统计算机相结合,并在量子化学中进行了实验验证。
Apr, 2013