机构名称：
¥ 13.0
本汇编论文探讨了机器学习，量子信息和计算的合并。受神经网络和基于梯度的学习的成功的启发，论文探讨了如何适应这些想法，以解决量子系统建模和控制过程中出现的复杂问题，例如具有噪声数据的量子层析成像或通过结合物理学的约束来解决具有噪声数据或优化量子操作的量子层析成像。我们还使用物理意义的先验讨论了对量子状态的贝叶斯估计。古典机器学习可以激发新的量子计算算法。提出了一个这样的想法，以使用隐式分化扩展变异量子算法的功能，从而可以直接计算量子计算机上的物理有趣数量作为梯度。隐式分化还导致了一种新的方法，可以生成多部分纠缠量子状态并允许对量子机学习算法进行超参数调整。Several new experiments were possible due to the theoretical and numer- ical techniques developed in the thesis — robust generation of a Gottesman- Kitaev-Preskill and cubic phase state in a 3D cavity, fast process tomography of a new family of superconducting gates with known noise, efficient process tomography of a physical operation implementing a logical gate on a bosonic error-correction code, and the reconstruction of a光电子的量子状态。
量子信息和计算的机器学习
主要关键词
相关文件推荐
