.png){kind=icon}
返回
Variational optimization for quantum problems using deep generative networks
.png){kind=icon}
OA
AI
DOI：10.1038/s42005-025-02261-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优化推动了量子科学和机器学习的发展，但大多数生成模型旨在模仿数据，而非发现挑战性问题的最优答案。这里我们提出一种变分生成优化网络，该网络学习将简单的随机输入映射到各种量子任务的高质量解决方案。我们证明，该网络在允许经典通信时，能够快速识别表现出最优纠缠检测优势的纠缠态，在不遭遇阻碍标准混合算法的空平台现象的情况下，达到十八自旋模型的基态能量，并且在单次训练运行后输出退相干量子模型的多个正交基态。由于该方法与模型无关、可并行化且能在当前经典硬件上运行，因此可以加速未来量子信息、量子计算及更广泛领域的变分优化问题。优化是量子物理和机器学习的核心。通过结合两者，作者们引入了一种利用经典生成模型进行变分优化的方法。该方法被证明能提供快速训练收敛，并为广泛的量子任务生成多样且近最优的解决方案。
期刊
IF:
5.8
论文数:
2.8K
被引数:
9.2K
机构
查看更多机构
引用论文
暂无论文信息