Zobrazeno 1 - 9
of 9
pro vyhledávání: '"Torta, Pietro"'
We present a variational quantum adiabatic theorem, which states that, under certain assumptions, the adiabatic dynamics projected onto a variational manifold follow the instantaneous variational ground state. We focus on low-entanglement variational
Externí odkaz:
http://arxiv.org/abs/2406.12392
Quantum Annealing (QA) relies on mixing two Hamiltonian terms, a simple driver and a complex problem Hamiltonian, in a linear combination. The time-dependent schedule for this mixing is often taken to be linear in time: improving on this linear choic
Externí odkaz:
http://arxiv.org/abs/2405.08630
Publikováno v:
SciPost Phys. 14, 117 (2023)
Quantum Annealing (QA) is one of the most promising frameworks for quantum optimization. Here, we focus on the problem of minimizing complex classical cost functions associated with prototypical discrete neural networks, specifically the paradigmatic
Externí odkaz:
http://arxiv.org/abs/2208.14468
Autor:
Mele, Antonio Anna, Mbeng, Glen Bigan, Santoro, Giuseppe Ernesto, Collura, Mario, Torta, Pietro
Publikováno v:
Phys. Rev. A 106, L060401 (2021)
A large ongoing research effort focuses on Variational Quantum Algorithms (VQAs), representing leading candidates to achieve computational speed-ups on current quantum devices. The scalability of VQAs to a large number of qubits, beyond the simulatio
Externí odkaz:
http://arxiv.org/abs/2206.01982
Autor:
Lumia, Luca, Torta, Pietro, Mbeng, Glen B., Santoro, Giuseppe E., Ercolessi, Elisa, Burrello, Michele, Wauters, Matteo M.
We propose an implementation of a two-dimensional $\mathbb{Z}_2$ lattice gauge theory model on a shallow quantum circuit, involving a number of single and two-qubits gates comparable to what can be achieved with present-day and near-future technologi
Externí odkaz:
http://arxiv.org/abs/2112.11787
We apply digitized Quantum Annealing (QA) and Quantum Approximate Optimization Algorithm (QAOA) to a paradigmatic task of supervised learning in artificial neural networks: the optimization of synaptic weights for the binary perceptron. At variance w
Externí odkaz:
http://arxiv.org/abs/2112.10219
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.