Квантовое превосходство в сквозных интеллектуальных ИТ. Ч. 3: Квантовая программная инженерия – квантовые алгоритмы приближенной аппроксимации на малых квантовых процессорах

Основное содержимое статьи

О. В. Иванцова
В. В. Кореньков
О. Ю. Тятюшкина
С. В. Ульянов
T. Фукуда

Аннотация

Описаны принципы и методологии проектирования квантовых алгоритмических ячеек на малых квантовых компьютерах. Обсуждаются возможности моделирования квантовых алгоритмических ячеек на классических компьютерах. Описаны приложения схемотехнических решений квантовых ячеек. Представлен новый подход к реализации схемотехнических решений квантовых алгоритмов для быстрых квантовых параллельных массивных вычислений. Основное внимание уделено разработке метода проектирования операторов быстрых квантовых алгоритмов, таких как суперпозиция, запутывание и интерференция, которые в общем случае являются трудоемкими операциями из-за количества выполненных продуктов. Программно-алгоритмическая платформа поддерживает сложный интеллектуальный инструментарий ускорителя моделирования квантового алгоритма на малом квантовом компьютере, на котором реализуются квантовые алгоритмы путем выполнения последовательности универсальных логических элементов реализации квантовой логики.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
Ivancova, O., Korenkov, V. ., Tyatyushkina, O., Ulyanov, S. ., & Fukuda, T. (2021). Квантовое превосходство в сквозных интеллектуальных ИТ. Ч. 3: Квантовая программная инженерия – квантовые алгоритмы приближенной аппроксимации на малых квантовых процессорах. Системный анализ в науке и образовании, (2), 1–62. https://doi.org/10.37005/2071-9612-2020-2-115-176
Раздел
Статьи

Библиографические ссылки

Aram W. Harrow Small quantum computers and large classical data sets // arXiv:2004.00026v1 [quant-ph] 31 Mar 2020.

F. Barratt et al. Parallel Quantum Simulation of Large Systems on Small NISQ Computers // 2003.12087v1 [quant-ph] 26 Mar 2020.

Van den Brink R. F.M. Vision on Next Level Quantum Software Tooling // Proc. The 10th Intern. Conf. Computational Logics, Programming, Tools, and Benchmarking. 2019. — Venice, May 5-9, Italy. — Pp. 16-23.

Hadfield S.T. Quantum Algorithms for Scientific Computing and Approximate Optimization. - Submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy in the Graduate School of Arts and Sciences. - COLUMBIA UNIVERSITY. — 2018.

LaRose R. Overview and Comparison of Gate Level Quantum Software Platforms // arXiv:1807.02500v1 [quant-ph] 6 Jul 2018.

Khatri S. Quantum-assisted quantum compiling // aXiv:1807.00800v5 [quant-ph] 7 May 2019.

Leo Zhou, Quantum Approximate Optimization Algorithm: Performance, Mechanism, and Implementation on Near-Term Device // arXiv:1812.01041v2 [quant-ph] 2019]; The “parameter shift rule” in the larger context of hybrid optimization.

Schuld M. Evaluating analytic gradients on quantum hardware // arXiv:1811.11184v1 [quant-ph] 27 Nov 2018.

Leo Zhou, Quantum Approximate Optimization Algorithm: Performance, Mechanism, and Implementation on Near-Term Device // arXiv:1812.01041v2 [quant-ph] 2019.

Schuld M. Evaluating analytic gradients on quantum hardware // arXiv:1811.11184v1 [quant-ph] 27 Nov 2018.

Bergholm V. PennyLane: Automatic differentiation of hybrid quantum-classical computations // arXiv: 1811.04968v3 [quant-ph] 14 Feb 2020.

Gilyén A., Arunachalam S., Wiebe N. Optimizing quantum optimization algorithms via faster quantum gradient computation // In book: Proc. of the Thirtieth Annual ACM-SIAM Symposium on Discrete Algorithms. – Springer Verlag. — 2019. — Pp.1425-1444. — [arXiv:1711.00465v3 [quantph] 17 Apr 2018].

Gilyén A. Quantum singular value transformation & its algorithmic applications. — Institute for Logic, Language and Computation Universiteit van Amsterdam. ILLC Dissertation Series DS-2019- 03. — 2019.

Cornelissen A.J. Quantum gradient estimation and its application to quantum reinforcement learning. — Master thesis. Delft University of Technology. — 2018.

Masaya Watabe, Quantum Circuit Parameters Learning with Gradient Descent Using Backpropagation // [quant-ph] 1910.14266. October, 2019.

Harrow A.W. Small quantum computers and large classical data sets // arXiv:2004.00026v1 [quantph] 31 Mar 2020.

Michailidis A. et al. Slow quantum thermalization and many-body revivals from mixed phase space // 1905.08564et al. v2 [quant-ph] 21 Jan 2020.