1Artículos de control de calidad
2Universidad de París, CNRS, IRIF
3Investigación cuantitativa, JPMorgan Chase
4Investigación Aplicada de Tecnología Global, JPMorgan Chase
¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.
Resumen
El aprendizaje automático cuántico tiene potencial para tener un impacto transformador en todos los sectores industriales y, en particular, en las finanzas. En nuestro trabajo analizamos el problema de la cobertura, donde el aprendizaje por refuerzo profundo ofrece un marco poderoso para los mercados reales. Desarrollamos métodos de aprendizaje por refuerzo cuántico basados en algoritmos de búsqueda de políticas y distribución de actores críticos que utilizan arquitecturas de redes neuronales cuánticas con capas ortogonales y compuestas para las funciones de política y valor. Demostramos que las redes neuronales cuánticas que utilizamos son entrenables y realizamos extensas simulaciones que muestran que los modelos cuánticos pueden reducir el número de parámetros entrenables al tiempo que logran un rendimiento comparable y que el enfoque distribucional obtiene un mejor rendimiento que otros enfoques estándar, tanto clásicos como cuánticos. . Implementamos con éxito los modelos propuestos en un procesador cuántico de iones atrapados, utilizando circuitos con hasta $16$ qubits, y observamos un rendimiento que concuerda bien con una simulación silenciosa. Nuestras técnicas cuánticas son generales y se pueden aplicar a otros problemas de aprendizaje por refuerzo más allá de la cobertura.
► datos BibTeX
► referencias
[ 1 ] Hans Buehler, Lukas Gonon, Joseph Teichmann y Ben Wood. “Cobertura profunda”. Finanzas cuantitativas 19, 1271–1291 (2019). URL: https:///doi.org/10.1080/14697688.2019.1571683.
https: / / doi.org/ 10.1080 / 14697688.2019.1571683
[ 2 ] Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan y Jonathan Kochems. "Cobertura profunda: cobertura de derivados bajo fricciones genéricas del mercado mediante el aprendizaje por refuerzo". Revista Electrónica SSRN (2019). URL: http:///dx.doi.org/10.2139/ssrn.3355706.
https: / / doi.org/ 10.2139 / ssrn.3355706
[ 3 ] Shihao Gu, Bryan T. Kelly y Dacheng Xiu. “Valoración empírica de activos mediante aprendizaje automático”. Revista Electrónica SSRN (2018). URL: http:///dx.doi.org/10.2139/ssrn.3159577.
https: / / doi.org/ 10.2139 / ssrn.3159577
[ 4 ] Hyeong Kyu Choi. “Predicción del coeficiente de correlación de precios de acciones con el modelo híbrido ARIMA-LSTM” (2018). URL: https:///doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560
[ 5 ] Yada Zhu, Giovanni Mariani y Jianbo Li. “Pagano: Análisis de cartera con redes generativas adversarias”. Revista Electrónica SSRN (2020). URL: https:///dx.doi.org/10.2139/ssrn.3755355.
https: / / doi.org/ 10.2139 / ssrn.3755355
[ 6 ] Kang Zhang, Guoqiang Zhong, Junyu Dong, Shengke Wang y Yong Wang. “Predicción del mercado de valores basada en una red generativa de confrontación”. Procedia Ciencias de la Computación 147, 400–406 (2019). URL: https:///doi.org/10.1016/j.procs.2019.01.256.
https:///doi.org/10.1016/j.procs.2019.01.256
[ 7 ] Álvaro Cartea, Sebastián Jaimungal y Leandro Sánchez-Betancourt. "Aprendizaje por refuerzo profundo para el comercio algorítmico". Revista Electrónica SSRN (2021). URL: https:///dx.doi.org/10.2139/ssrn.3812473.
https: / / doi.org/ 10.2139 / ssrn.3812473
[ 8 ] Yue Deng, Feng Bao, Youyong Kong, Zhiquan Ren y Qionghai Dai. “Aprendizaje por refuerzo directo profundo para la representación y el comercio de señales financieras”. Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje 28, 653–664 (2017). URL: https:///doi.org/10.1109/TNNLS.2016.2522401.
https:///doi.org/10.1109/TNNLS.2016.2522401
[ 9 ] Yunchao Liu, Srinivasan Arunachalam y Kristan Temme. "Una aceleración cuántica rigurosa y robusta en el aprendizaje automático supervisado". Física de la naturaleza 2021 17:9 17, 1013–1017 (2021). URL: https:///doi.org/10.1038/s41567-021-01287-z.
https: / / doi.org/ 10.1038 / s41567-021-01287-z
[ 10 ] Shantanav Chakraborty, András Gilyén y Stacey Jeffery. "El poder de los poderes matriciales codificados en bloques: técnicas de regresión mejoradas mediante una simulación hamiltoniana más rápida". En Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini y Stefano Leonardi, editores, 46.º Coloquio Internacional sobre Autómatas, Lenguajes y Programación (ICALP 2019). Volumen 132 de Leibniz International Proceedings in Informatics (LIPIcs), páginas 33:1–33:14. Dagstuhl, Alemania (2019). Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik. URL: https:///doi.org/10.4230/LIPIcs.ICALP.2019.33.
https: / / doi.org/ 10.4230 / LIPIcs.ICALP.2019.33
[ 11 ] András Gilyén, Srinivasan Arunachalam y Nathan Wiebe. "Optimización de algoritmos de optimización cuántica mediante un cálculo de gradiente cuántico más rápido". En actas del Simposio anual ACM-SIAM de 2019 sobre algoritmos discretos (SODA). Páginas 1425–1444. (2019). URL: https:///doi.org/10.1137/1.9781611975482.87.
https: / / doi.org/ 10.1137 / 1.9781611975482.87
[ 12 ] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio y Patrick J. Coles. “Algoritmos cuánticos variacionales”. Nature Reviews Physics 3, 625–644 (2021). URL: https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9
[ 13 ] Iordanis Kerenidis, Anupam Prakash y Dániel Szilágyi. “Algoritmos cuánticos para la optimización de carteras”. En actas de la 1ª Conferencia ACM sobre avances en tecnologías financieras. Páginas 147–155. Zúrich Suiza (2019). ACM. URL: https:///doi.org/10.1145/3318041.3355465.
https: / / doi.org/ 10.1145 / 3318041.3355465
[ 14 ] Lucas Leclerc, Luis Ortiz-Guitiérrez, Sebastian Grijalva, Boris Albrecht, Julia RK Cline, Vincent Elfving, Adrien Signoles, Loic Henriet, Gianni Del Bimbo, Usman Ayub Sheikh, Maitree Shah, Luc Andrea, Faysal Ishtiaq, Andoni Duarte, Samuel Mugel, Irene Caceres, Michel Kurek, Román Orús, Achraf Seddik, Oumaima Hammammi, Hacene Isselnane y Didier M'tamon. “Gestión de riesgos financieros en un procesador cuántico de átomo neutro” (2022). URL: https:///doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223
[ 15 ] Dimitrios Emmanoulopoulos y Sofija Dimoska. “Aprendizaje automático cuántico en finanzas: previsión de series temporales” (2022). URL: https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599
[ 16 ] Patrick Rebentrost, Brajesh Gupt y Thomas R. Bromley. “Finanzas computacionales cuánticas: fijación de precios de derivados financieros según Monte Carlo”. Revisión física A 98, 022321 (2018). URL: https:///doi.org/10.1103/PhysRevA.98.022321.
https: / / doi.org/ 10.1103 / PhysRevA.98.022321
[ 17 ] João F. Doriguello, Alessandro Luongo, Jinge Bao, Patrick Rebentrost y Miklos Santha. "Algoritmo cuántico para problemas de detención estocástica óptima con aplicaciones en finanzas". En François Le Gall y Tomoyuki Morimae, editores, 17.ª Conferencia sobre teoría de la computación, la comunicación y la criptografía cuánticas (TQC 2022). Volumen 232 de Leibniz International Proceedings in Informatics (LIPIcs), páginas 2:1–2:24. Dagstuhl, Alemania (2022). Schloss Dagstuhl – Leibniz-Zentrum für Informatik. URL: https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https: / / doi.org/ 10.4230 / LIPIcs.TQC.2022.2
[ 18 ] Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu y Marco Pistoia. "Optimización cuántica restringida para resumen extractivo en una computadora cuántica de iones atrapados". Informes científicos 12 (2022). URL: https:///doi.org/10.1038/s41598-022-20853-w.
https: / / doi.org/ 10.1038 / s41598-022-20853-w
[ 19 ] Alexandre Ménard, Ivan Ostojic, Mark Patel y Daniel Volz. "Un plan de juego para la computación cuántica". McKinsey trimestral (2020). URL: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing.
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing
[ 20 ] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia y Yuri Alexeev. “Un estudio sobre la computación cuántica para las finanzas” (2022). URL: https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773
[ 21 ] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush y Hartmut Neven. "Mesetas áridas en paisajes de entrenamiento de redes neuronales cuánticas". Comunicaciones de la naturaleza 9, 4812 (2018). URL: https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
[ 22 ] Iordanis Kerenidis, Jonas Landman y Natansh Mathur. “Algoritmos clásicos y cuánticos para redes neuronales ortogonales” (2022). URL: https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198
[ 23 ] Zebin Yang, Aijun Zhang y Agus Sudjianto. "Mejora de la explicabilidad de las redes neuronales a través de restricciones de arquitectura". Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje 32, 2610–2621 (2021). URL: https:///doi.org/10.1109/TNNLS.2020.3007259.
https:///doi.org/10.1109/TNNLS.2020.3007259
[ 24 ] Shuai Li, Kui Jia, Yuxin Wen, Tongliang Liu y Dacheng Tao. “Redes neuronales profundas ortogonales”. Transacciones IEEE sobre análisis de patrones e inteligencia artificial 43, 1352–1368 (2021). URL: https:///doi.org/10.1109/TPAMI.2019.2948352.
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352
[ 25 ] Alhussein Fawzi, Matej Balog, Aja Huang, Thomas Hubert, Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Francisco JR Ruiz, Julian Schrittwieser, Grzegorz Swirszcz, David Silver, Demis Hassabis y Pushmeet Kohli. "Descubriendo algoritmos de multiplicación de matrices más rápidos con aprendizaje por refuerzo". Naturaleza 610, 47–53 (2022). URL: https:///doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4
[ 26 ] Clare Lyle, Marc G. Bellemare y Pablo Samuel Castro. “Un análisis comparativo del aprendizaje por refuerzo esperado y distributivo”. Actas de la Conferencia AAAI sobre Inteligencia Artificial 33, 4504–4511 (2019). URL: https:///doi.org/10.1609/aaai.v33i01.33014504.
https: / / doi.org/ 10.1609 / aaai.v33i01.33014504
[ 27 ] “Cuantinuum H1-1, H1-2”. https:///www.quantinuum.com/ (2022). Consultado: 15 al 22 de noviembre de 2022; 7 al 12 de diciembre de 2022.
https:///www.quantinuum.com/
[ 28 ] Daniel J. Brod. “Simulación clásica eficiente de circuitos matchgate con entradas y medidas generalizadas”. Revisión física A 93 (2016). URL: https:///doi.org/10.1103/physreva.93.062332.
https: / / doi.org/ 10.1103 / physreva.93.062332
[ 29 ] Matthew L. Goh, Martin Larocca, Lukasz Cincio, M. Cerezo y Frédéric Sauvage. “Simulaciones clásicas algebraicas de mentira para la computación cuántica variacional” (2023). URL: https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432
[ 30 ] Michał Oszmaniec, Ninnat Dangniam, Mauro ES Morales y Zoltán Zimborás. "Muestreo de fermiones: un esquema robusto de ventaja computacional cuántica que utiliza óptica lineal fermiónica y estados de entrada mágicos". PRX Cuántico 3 (2022). URL: https:///doi.org/10.1103/PRXQuantum.3.020328.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020328
[ 31 ] Michael A. Nielsen e Isaac L. Chuang. “Computación cuántica e información cuántica: edición del décimo aniversario”. Prensa de la Universidad de Cambridge. (10). 2012 edición. URL: https:///doi.org/1/CBO10.1017.
https: / / doi.org/ 10.1017 / CBO9780511976667
[ 32 ] RS Sutton y AG Barto. “Aprendizaje por refuerzo: una introducción”. Transacciones IEEE en redes neuronales 9, 1054–1054 (1998). URL: https:///doi.org/10.1109/TNN.1998.712192.
https: / / doi.org/ 10.1109 / TNN.1998.712192
[ 33 ] Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage y Anil Anthony Bharath. "Aprendizaje por refuerzo profundo: una breve encuesta". Revista de procesamiento de señales IEEE 34, 26–38 (2017). URL: https:///doi.org/10.1109/MSP.2017.2743240.
https: / / doi.org/ 10.1109 / MSP.2017.2743240
[ 34 ] Magnus Wiese, Lianjun Bai, Ben Wood y Hans Buehler. "Cobertura profunda: aprender a simular mercados de opciones sobre acciones". Revista Electrónica SSRN (2019). URL: https:///dx.doi.org/10.2139/ssrn.3470756.
https: / / doi.org/ 10.2139 / ssrn.3470756
[ 35 ] Hans Buehler, Phillip Murray, Mikko S. Pakkanen y Ben Wood. “Cobertura profunda: aprender a eliminar la deriva bajo las fricciones comerciales con medidas mínimas equivalentes cercanas a la martingala” (2022). URL: https:///doi.org/10.48550/arXiv.2111.07844.
https:///doi.org/10.48550/arXiv.2111.07844
[ 36 ] Magnus Wiese, Ben Wood, Alexandre Pachoud, Ralf Korn, Hans Buehler, Murray Phillip y Lianjun Bai. “Simulación del mercado de opciones y al contado de activos múltiples”. Revista Electrónica SSRN (2021). URL: https:///dx.doi.org/10.2139/ssrn.3980817.
https: / / doi.org/ 10.2139 / ssrn.3980817
[ 37 ] Phillip Murray, Ben Wood, Hans Buehler, Magnus Wiese y Mikko Pakkanen. "Cobertura profunda: aprendizaje de refuerzo continuo para la cobertura de carteras generales en múltiples aversiones al riesgo". En actas de la Tercera Conferencia Internacional ACM sobre IA en Finanzas. Página 361–368. ICAIF '22Nueva York, NY, EE.UU. (2022). Asociación para Maquinaria de Computación. URL: https:///doi.org/10.1145/3533271.3561731.
https: / / doi.org/ 10.1145 / 3533271.3561731
[ 38 ] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa y Keisuke Fujii. “Aprendizaje de circuitos cuánticos”. Revisión física A 98, 032309 (2018). URL: https:///doi.org/10.1103/PhysRevA.98.032309.
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[ 39 ] Dylan Herman, Rudy Raymond, Muyuan Li, Nicolás Robles, Antonio Mezzacapo y Marco Pistoia. “Expresividad del aprendizaje automático cuántico variacional en el cubo booleano” (2022). URL: https:///doi.org/10.1109/TQE.2023.3255206.
https: / / doi.org/ 10.1109 / TQE.2023.3255206
[ 40 ] Edward Farhi y Hartmut Neven. “Clasificación con redes neuronales cuánticas en procesadores a corto plazo”. Reporte técnico. Web de Ciencia Abierta (2020). URL: https:///doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
[ 41 ] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster y José I. Latorre. “Recarga de datos para un clasificador cuántico universal”. Cuántico 4, 226 (2020). URL: https:///doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226
[ 42 ] Jonas Landman, Natansh Mathur, Yun Yvonna Li, Martin Strahm, Skander Kazdaghli, Anupam Prakash y Iordanis Kerenidis. “Métodos cuánticos para redes neuronales y aplicación a la clasificación de imágenes médicas”. Cuántico 6, 881 (2022). URL: https:///doi.org/10.22331/q-2022-12-22-881.
https://doi.org/10.22331/q-2022-12-22-881
[ 43 ] Marcello Benedetti, Delfina García-Pintos, Oscar Perdomo, Vicente Leyton-Ortega, Yunseong Nam y Alejandro Perdomo-Ortiz. "Un enfoque de modelado generativo para la evaluación comparativa y el entrenamiento de circuitos cuánticos poco profundos". npj Información cuántica 5, 45 (2019). URL: https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8
[ 44 ] Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch y Matthias Rosenkranz. “Inferencia variacional con una computadora cuántica”. Revisión Física Aplicada 16, 044057 (2021). URL: https:///doi.org/10.1103/PhysRevApplied.16.044057.
https: / / doi.org/ 10.1103 / PhysRevApplied.16.044057
[ 45 ] Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D. Scherer, Axel Plinge y Christopher Mutschler. “Una encuesta sobre el aprendizaje por refuerzo cuántico” (2022). URL: https:///doi.org/10.48550/arXiv.2211.03464.
https:///doi.org/10.48550/arXiv.2211.03464
[ 46 ] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow y Jay M. Gambetta. "Aprendizaje supervisado con espacios de funciones mejorados cuánticamente". Naturaleza 567, 209–212 (2019). URL: https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2
[ 47 ] María Schuld, Ryan Sweke y Johannes Jakob Meyer. "Efecto de la codificación de datos sobre el poder expresivo de los modelos variacionales de aprendizaje automático cuántico". Revisión física A 103, 032430 (2021). URL: https:///doi.org/10.1103/PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[ 48 ] Francisco Javier Gil Vidal y Dirk Oliver Theis. “Redundancia de entradas para circuitos cuánticos parametrizados”. Fronteras en Física 8, 297 (2020). URL: https:///doi.org/10.3389/fphy.2020.00297.
https: / / doi.org/ 10.3389 / fphy.2020.00297
[ 49 ] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm y Yun Yvonna Li. “Transformadores de visión cuántica” (2022). URL: https:///doi.org/10.48550/arXiv.2209.08167.
https:///doi.org/10.48550/arXiv.2209.08167
[ 50 ] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac y Nathan Killoran. "Evaluación de gradientes analíticos en hardware cuántico". Revisión física A 99, 032331 (2019). URL: https:///doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[ 51 ] Iordanis Kerenidis. "Un método para cargar datos clásicos en estados cuánticos para aplicaciones en optimización y aprendizaje automático". Solicitud de patente de EE. UU. (2020). URL: https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1
[ 52 ] Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singk, Anupam Prakash, Jungsang Kim y Iordanis Kerenidis. "Clasificación del centroide más cercano en una computadora cuántica de iones atrapados". npj Información cuántica 7, 122 (2021). URL: https:///doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5
[ 53 ] Iordanis Kerenidis y Anupam Prakash. “Aprendizaje automático cuántico con estados subespaciales” (2022). URL: https:///doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054
[ 54 ] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser e Illia Polosukhin. “Atención es todo lo que necesitas”. En I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan y R. Garnett, editores, Advances in Neural Information Processing Systems. Volumen 30. Curran Associates, Inc. (2017). URL: https:///doi.org/10.48550/arXiv.1706.03762.
https:///doi.org/10.48550/arXiv.1706.03762
[ 55 ] Martin Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles y M. Cerezo. "Aprendizaje automático cuántico invariante de grupo". PRX Cuántico 3, 030341 (2022). URL: https:///doi.org/10.1103/PRXQuantum.3.030341.
https: / / doi.org/ 10.1103 / PRXQuantum.3.030341
[ 56 ] Jiayao Zhang, Guangxu Zhu, Robert W. Heath Jr. y Kaibin Huang. “Aprendizaje Grassmanniano: incorporación de la conciencia geométrica en el aprendizaje superficial y profundo” (2018). URL: https:///doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229
[ 57 ] Xuchen You, Shouvanik Chakrabarti y Xiaodi Wu. “Una teoría de convergencia para solucionadores propios cuánticos variacionales sobreparametrizados” (2022). URL: https:///doi.org/10.48550/arXiv.2205.12481.
https:///doi.org/10.48550/arXiv.2205.12481
[ 58 ] Martín Larocca, Nathan Ju, Diego García-Martin, Patrick J. Coles y M. Cerezo. “Teoría de la sobreparametrización en redes neuronales cuánticas” (2021). URL: https:///doi.org/10.1038/s43588-023-00467-6.
https://doi.org/10.1038/s43588-023-00467-6
[ 59 ] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles y Marco Cerezo. “Diagnóstico de mesetas estériles con herramientas de Quantum Optimal Control”. Cuántico 6, 824 (2022). URL: https:///doi.org/10.22331/q-2022-09-29-824.
https://doi.org/10.22331/q-2022-09-29-824
[ 60 ] Benoît Collins y Piotr Śniady. “Integración con respecto a la medida de Haar en grupo unitario, ortogonal y simpléctico”. Comunicaciones en Física Matemática 264, 773–795 (2006). URL: https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3
[ 61 ] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu y Marco Pistoia. “El adjunto es todo lo que necesita: caracterización de mesetas áridas en Quantum Ansätze” (2023). URL: https:///doi.org/10.48550/arXiv.2309.07902.
https:///doi.org/10.48550/arXiv.2309.07902
[ 62 ] Michael Ragone, Bojko N. Bakalov, Frédéric Sauvage, Alexander F. Kemper, Carlos Ortiz Marrero, Martin Larocca y M. Cerezo. “Una teoría unificada de mesetas estériles para circuitos cuánticos parametrizados profundos” (2023). URL: https:///doi.org/10.48550/arXiv.2309.09342.
https:///doi.org/10.48550/arXiv.2309.09342
[ 63 ] Léo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla y Elham Kashefi. “Entrenabilidad y expresividad de circuitos cuánticos que preservan el peso de Hamming para el aprendizaje automático” (2023). URL: https:///doi.org/10.48550/arXiv.2309.15547.
https:///doi.org/10.48550/arXiv.2309.15547
[ 64 ] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh y Dacheng Tao. “Escapar de la meseta estéril mediante inicializaciones gaussianas en circuitos cuánticos variacionales profundos” (2022). URL: https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376
[ 65 ] Owen Lockwood y Mei Si. “Jugar a Atari con aprendizaje por refuerzo híbrido cuántico-clásico” (2021). URL: https:///doi.org/10.48550/arXiv.2107.04114.
https:///doi.org/10.48550/arXiv.2107.04114
[ 66 ] Samuel Yen-Chi Chen, Chao-Han Huck Yang, Jun Qi, Pin-Yu Chen, Xiaoli Ma y Hsi-Sheng Goan. “Circuitos cuánticos variacionales para el aprendizaje por refuerzo profundo”. Acceso IEEE 8, 141007–141024 (2020). URL: https:///doi.org/10.1109/ACCESS.2020.3010470.
https: / / doi.org/ 10.1109 / ACCESS.2020.3010470
[ 67 ] Owen Lockwood y Mei Si. “Aprendizaje por refuerzo con circuito variacional cuántico”. Actas de la Conferencia AAAI sobre inteligencia artificial y entretenimiento digital interactivo 16, 245–251 (2020). URL: https:///doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437
[ 68 ] Yunseok Kwak, Won Joon Yun, Soyi Jung, Jong-Kook Kim y Joongheon Kim. “Introducción al aprendizaje por refuerzo cuántico: teoría e implementación basada en PennyLane”. En 2021 Conferencia Internacional sobre Convergencia de Tecnologías de la Información y las Comunicaciones (ICTC). Páginas 416–420. Isla de Jeju, Corea, República de (2021). IEEE. URL: https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885
[ 69 ] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans Briegel y Vedran Dunjko. “Políticas cuánticas parametrizadas para el aprendizaje por refuerzo”. En M. Ranzato, A. Beygelzimer, Y. Dauphin, PS Liang y J. Wortman Vaughan, editores, Advances in Neural Information Processing Systems. Volumen 34, páginas 28362–28375. Curran Associates, Inc. (2021). URL: https:///doi.org/10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577
[ 70 ] Jen-Yueh Hsiao, Yuxuan Du, Wei-Yin Chiang, Min-Hsiu Hsieh y Hsi-Sheng Goan. “Agentes de aprendizaje por refuerzo cuántico desenredados en OpenAI Gym” (2022). URL: https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348
[ 71 ] El Amine Cherrat, Iordanis Kerenidis y Anupam Prakash. "Aprendizaje por refuerzo cuántico mediante iteración de políticas". Inteligencia de máquinas cuánticas 5, 30 (2023). URL: https:///doi.org/10.1007/s42484-023-00116-1.
https://doi.org/10.1007/s42484-023-00116-1
[ 72 ] Daochen Wang, Aarthi Sundaram, Robin Kothari, Ashish Kapoor y Martin Roetteler. “Algoritmos cuánticos para el aprendizaje por refuerzo con un modelo generativo”. En Conferencia Internacional sobre Aprendizaje Automático. Páginas 10916–10926. PMLR (2021). URL: https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451
[ 73 ] Sofiene Jerbi, Arjan Cornelissen, Māris Ozols y Vedran Dunjko. “Algoritmos de gradiente de políticas cuánticas” (2022). URL: https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328
[ 74 ] Arjan Cornelissen. “Estimación de gradiente cuántico y su aplicación al aprendizaje por refuerzo cuántico”. Tesis de Maestría (2018). URL: http:///resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e
[ 75 ] Hansheng Jiang, Zuo-Jun Max Shen y Junyu Liu. “Métodos de Computación Cuántica para la Gestión de la Cadena de Suministro”. En 2022, 7º Simposio IEEE/ACM sobre Edge Computing (SEC). Páginas 400–405. Seattle, WA, EE. UU. (2022). IEEE. URL: https:///doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059
[ 76 ] Marc G. Bellemare, Will Dabney y Rémi Munos. "Una perspectiva distributiva del aprendizaje por refuerzo". En Actas de la 34ª Conferencia Internacional sobre Aprendizaje Automático - Volumen 70. Páginas 449–458. ICML'17Sydney, Nueva Gales del Sur, Australia (2017). JMLR.org. URL: https:///doi.org/10.48550/arXiv.1707.06887.
https:///doi.org/10.48550/arXiv.1707.06887
[ 77 ] Will Dabney, Mark Rowland, Marc Bellemare y Rémi Munos. “Aprendizaje por refuerzo distributivo con regresión cuantil”. Actas de la Conferencia AAAI sobre Inteligencia Artificial 32 (2018). URL: https:///doi.org/10.1609/aaai.v32i1.11791.
https: / / doi.org/ 10.1609 / aaai.v32i1.11791
[ 78 ] Matías C. Caro e Ishaun Datta. “Pseudodimensión de circuitos cuánticos”. Inteligencia de máquinas cuánticas 2 (2020). URL: https:///doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5
[ 79 ] Hans Buehler, Murray Phillip y Ben Wood. “Cobertura profunda de Bellman”. Revista Electrónica SSRN (2022). URL: https:///dx.doi.org/10.2139/ssrn.4151026.
https: / / doi.org/ 10.2139 / ssrn.4151026
[ 80 ] Thanh Nguyen-Tang, Sunil Gupta y Svetha Venkatesh. “Aprendizaje por refuerzo distributivo mediante coincidencia de momentos”. Actas de la Conferencia AAAI sobre Inteligencia Artificial 35, 9144–9152 (2021). URL: https:///doi.org/10.1609/aaai.v35i10.17104.
https: / / doi.org/ 10.1609 / aaai.v35i10.17104
Citado por
[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu y Marco Pistoia, “The Adjoint Is All You Need: Characterizing Barren Plateaus in Quantum Ansätze”, arXiv: 2309.07902, (2023).
[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia y Yuri Alexeev, “Computación cuántica para las finanzas”, Nature Reviews Física 5 8, 450 (2023).
[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch y Alexey Melnikov, “Redes neuronales híbridas basadas en la física cuántica para simular la dinámica de fluidos computacional en formas complejas”, arXiv: 2304.11247, (2023).
Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-11-29 13:34:05). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.
No se pudo recuperar Crossref citado por datos durante el último intento 2023-11-29 13:34:04: No se pudieron obtener los datos citados por 10.22331 / q-2023-11-29-1191 de Crossref. Esto es normal si el DOI se registró recientemente.
Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://quantum-journal.org/papers/q-2023-11-29-1191/
