ترجمه فارسی مقاله یادگیری کارآمد برای ویژگی های خطی مدارهای کوانتومی با دروازه محدود

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 Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits
عنوان مقاله به فارسی یادگیری کارآمد برای ویژگی های خطی مدارهای کوانتومی با دروازه محدود
نویسندگان Yuxuan Du, Min-Hsiu Hsieh, Dacheng Tao
فرمت مقاله انگلیسی PDF
تعداد صفحات 44
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 22 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 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

The vast and complicated large-qubit state space forbids us to comprehensively capture the dynamics of modern quantum computers via classical simulations or quantum tomography. However, recent progress in quantum learning theory invokes a crucial question: given a quantum circuit containing d tunable RZ gates and G-d Clifford gates, can a learner perform purely classical inference to efficiently predict its linear properties using new classical inputs, after learning from data obtained by incoherently measuring states generated by the same circuit but with different classical inputs? In this work, we prove that the sample complexity scaling linearly in d is necessary and sufficient to achieve a small prediction error, while the corresponding computational complexity may scale exponentially in d. Building upon these derived complexity bounds, we further harness the concept of classical shadow and truncated trigonometric expansion to devise a kernel-based learning model capable of trading off prediction error and computational complexity, transitioning from exponential to polynomial scaling in many practical settings. Our results advance two crucial realms in quantum computation: the exploration of quantum algorithms with practical utilities and learning-based quantum system certification. We conduct numerical simulations to validate our proposals across diverse scenarios, encompassing quantum information processing protocols, Hamiltonian simulation, and variational quantum algorithms up to 60 qubits.

چکیده به فارسی (ترجمه ماشینی)

فضای گسترده و پیچیده و پیچیده دولت بزرگ ما را ممنوع می کند تا به طور جامع پویایی رایانه های کوانتومی مدرن را از طریق شبیه سازی های کلاسیک یا توموگرافی کوانتومی ضبط کنیم.با این حال ، پیشرفت اخیر در تئوری یادگیری کوانتومی یک سؤال اساسی را ایجاد می کند: با توجه به یک مدار کوانتومی حاوی دروازه های RZ قابل تنظیم و دروازه های G-D Clifford ، یک یادگیرنده می تواند استنتاج صرفاً کلاسیک را برای پیش بینی کارآمد با استفاده از ورودی های کلاسیک جدید انجام دهد ، پس از یادگیری از داده های به دست آمدهتوسط حالتهای اندازه گیری ناهماهنگ توسط همان مدار اما با ورودی های کلاسیک مختلف ایجاد می شود؟در این کار ، ما ثابت می کنیم که پیچیدگی نمونه به صورت خطی در D برای دستیابی به یک خطای پیش بینی کوچک ضروری و کافی است ، در حالی که پیچیدگی محاسباتی مربوطه ممکن است به صورت نمایی در d مقیاس باشد.با تکیه بر این مرزهای پیچیدگی مشتق شده ، ما بیشتر مفهوم سایه کلاسیک و گسترش مثلثاتی کوتاه شده را برای ابداع یک مدل یادگیری مبتنی بر هسته که قادر به تجارت خطای پیش بینی و پیچیدگی محاسباتی است ، انتقال می دهیم و در بسیاری از تنظیمات عملی از نمایی به مقیاس چند جمله ای منتقل می شود.نتایج ما دو قلمرو مهم در محاسبات کوانتومی را پیش می برد: اکتشاف الگوریتم های کوانتومی با برنامه های کاربردی و صدور گواهینامه سیستم کوانتومی مبتنی بر یادگیری.ما شبیه سازی های عددی را برای اعتبارسنجی پیشنهادات خود در سناریوهای متنوع ، شامل پروتکل های پردازش اطلاعات کوانتومی ، شبیه سازی همیلتون و الگوریتم های کوانتومی متغیر تا 60 Qubits انجام می دهیم.

📚 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.