PulseAugur
中
实时 08:14:56

AI 预测量子模拟的高效哈密顿量分解

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了机器学习模型来预测量子行走模拟最高效的哈密顿量分解。通过分析 11,117 个连通的八顶点图，他们发现分解中的项数（n_Pauli 和 n_match）比标准的拓扑图属性更具预测性。单隐藏层神经网络在八顶点图测试集上达到了 0.593 的马修斯相关系数，并表现出对高达 256 个顶点的更大图的强大迁移能力，达到了 1.0 的 MCC。 AI

影响 这项研究通过优化门使用，可能导致更高效的量子模拟，从而加速量子计算应用的开发。

排序理由 学术论文，详细介绍了量子计算模拟的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI 预测量子模拟的高效哈密顿量分解

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mostafa Atallah, Rebekah Herrman, Zain H. Saleem ·

    预测连续时间量子行走模拟的资源高效哈密顿量分解

    arXiv:2608.20660v1 Announce Type: cross Abstract: Simulating a continuous-time quantum walk (CTQW) on a graph in the circuit model of quantum computing requires decomposing its Hamiltonian into terms that can be Trotterized into hardware-native gates. We consider two such decompo…

相关话题