我们提出了一种绝热量子算法,可以使用比 Shor 算法更少的 qubits 进行数字分解。我们在 NMR 量子信息处理器中实现了该算法并成功地分解了数字 21。数值模拟表明,运行时间仅随着 qubits 数量的平方而增长。
Aug, 2008
使用可行的方法将整数因子分解问题转换为求解 Ising 模型,并在 D-Wave 2000Q 上测试,成功因子分解数值 15、143、59989 和 376289。
Apr, 2018
利用噪声量子计算机 D-Wave 进行模拟和真实数据上的基于潜在后验概率的不确定解和数据点识别的概率平衡 k-means 聚类的研究。
Oct, 2023
本研究利用量子力学硬件处理 NP-hard 的变优化问题,将图像识别问题转换为二次无约束二进制优化问题,进而利用 D-Wave 超导绝热量子计算(AQC)处理问题,该方法是一种有前途的特殊目的启发式算法解决方案。
Apr, 2008
本文介绍了一种利用绝热量子计算方法求解线性回归模型的方案,并将回归问题转化为二次无约束二进制优化问题,测试表明该方法在较大的数据集上比传统方法快 2.8 倍,并在回归误差指标上表现不逊于传统方法。
Aug, 2020
通过使用绝热量子计算,本文提出了一种新的神经网络训练方法,可以有效地找到损失函数的全局最小值,为经典训练方法提供了有希望的替代方案。
Aug, 2023
通过经过最佳调度函数的纵向绝热量子计算法 (AQC),可以解决一个量子线性系统问题 (with O (kappa poly (log (kappa/epsilon)) 的运行时间 (其中 kappa 为条件数,epsilon 为目标精度),我们的方法适用于一般非厄米矩阵,当限制在厄米矩阵上时,该方法可以减少成本和量子比特的数量,最近提出的随机化方法,数值结果表明,在最短时间内,QAOA 可以相较于最优时间 AQC、香草 AQC 和最近推出的随机化方法取得最低的运行时间。
Sep, 2019
本文提出了两种基于机器学习的方法,采用强化学习 (RL) 框架和核密度估计 (KDE) 技术,分别用于优化 QAOA 电路,从小规模问题实例中学习,然后在较大的问题实例中使用,结果表明与其他现成的优化器相比,这两种方法可以将优化度缺口减少多达 30.15 个因子。
Nov, 2019
通过应用量子绝热算法来解决 NP 完全问题,证明了如果构建大型计算机,则量子计算机可能能够在困难的 NP 完全问题上胜过普通计算机。
Apr, 2001
本文考虑使用量子计算机对因数分解和离散对数两个难题进行高效随机算法设计并进行了研究
Aug, 1995