ترجمه فارسی مقاله یادگیری تقویتی برای طراحی مدارهای کوانتومی متغیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Reinforcement Learning for Variational Quantum Circuits Design
عنوان مقاله به فارسی یادگیری تقویتی برای طراحی مدارهای کوانتومی متغیر
نویسندگان Simone Foderà, Gloria Turati, Riccardo Nembrini, Maurizio Ferrari Dacrema, Paolo Cremonesi
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Variational Quantum Algorithms have emerged as promising tools for solving optimization problems on quantum computers. These algorithms leverage a parametric quantum circuit called ansatz, where its parameters are adjusted by a classical optimizer with the goal of optimizing a certain cost function. However, a significant challenge lies in designing effective circuits for addressing specific problems. In this study, we leverage the powerful and flexible Reinforcement Learning paradigm to train an agent capable of autonomously generating quantum circuits that can be used as ansatzes in variational algorithms to solve optimization problems. The agent is trained on diverse problem instances, including Maximum Cut, Maximum Clique and Minimum Vertex Cover, built from different graph topologies and sizes. Our analysis of the circuits generated by the agent and the corresponding solutions shows that the proposed method is able to generate effective ansatzes. While our goal is not to propose any new specific ansatz, we observe how the agent has discovered a novel family of ansatzes effective for Maximum Cut problems, which we call $R_{yz}$-connected. We study the characteristics of one of these ansatzes by comparing it against state-of-the-art quantum algorithms across instances of varying graph topologies, sizes, and problem types. Our results indicate that the $R_{yz}$-connected circuit achieves high approximation ratios for Maximum Cut problems, further validating our proposed agent. In conclusion, our study highlights the potential of Reinforcement Learning techniques in assisting researchers to design effective quantum circuits which could have applications in a wide number of tasks.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم های کوانتومی متغیر به عنوان ابزاری امیدوار کننده برای حل مشکلات بهینه سازی در رایانه های کوانتومی ظاهر شده اند.این الگوریتم ها از یک مدار پارامتری پارامتری به نام ANSATZ استفاده می کنند ، که در آن پارامترهای آن توسط یک بهینه ساز کلاسیک با هدف بهینه سازی یک عملکرد هزینه خاص تنظیم می شوند.با این حال ، یک چالش مهم در طراحی مدارهای مؤثر برای رفع مشکلات خاص نهفته است.در این مطالعه ، ما از الگوی یادگیری تقویت کننده قدرتمند و انعطاف پذیر استفاده می کنیم تا یک عامل را که قادر به تولید مدارهای کوانتومی است که می تواند به عنوان ansatzes در الگوریتم های متغیر برای حل مشکلات بهینه سازی استفاده شود ، آموزش دهیم.این عامل در نمونه های متنوع مشکل ، از جمله حداکثر برش ، حداکثر کلیپ و حداقل پوشش راس ، که از توپولوژی های مختلف نمودار و اندازه ساخته شده است ، آموزش دیده است.تجزیه و تحلیل ما از مدارهای تولید شده توسط عامل و راه حل های مربوطه نشان می دهد که روش پیشنهادی قادر به تولید ANSATZE های مؤثر است.در حالی که هدف ما پیشنهاد ANSATZ خاص جدید نیست ، ما مشاهده می کنیم که چگونه نماینده یک خانواده جدید از Ansatzes را برای حداکثر مشکلات برش کشف کرده است ، که ما آن را $ r_ {yz} $-متصل می نامیم.ما ویژگی های یکی از این ansatzes را با مقایسه آن در برابر الگوریتم های کوانتومی پیشرفته در مواردی از توپولوژی های مختلف نمودار ، اندازه ها و انواع مشکل بررسی می کنیم.نتایج ما نشان می دهد که مدار متصل $ r_ {yz} $-برای حداکثر مشکلات برش به نسبت های تقریبی بالایی دست می یابد ، و بیشتر عامل پیشنهادی ما را تأیید می کند.در نتیجه ، مطالعه ما پتانسیل تکنیک های یادگیری تقویت را در کمک به محققان برای طراحی مدارهای کوانتومی مؤثر که می تواند در تعداد زیادی از کارها کاربرد داشته باشد ، برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.