中文

面向非高斯输入态的顺序和可编程压缩门

机器学习 2024-03-19 v1

摘要

量子计算正通过 various 硬件平台推进,光学系统是大规模计算的合理选择之一。在光学连续变量计算方案中,融合 Gaussian 门和高度非经典的非高斯态可实现通用量子计算。虽然 Gaussian 门和非高斯态生成的基本技术早已发展,但这些构件尚未以可扩展的方式集成。在本研究中,我们将其集成,以开发一个可顺序执行 essential 高斯门——压缩门——于非高斯输入态的可扩展且可编程光学量子计算平台。关键使能器是具备动态和可编程可控性的环形光路及其与概率非高斯态生成的时间同步。我们通过实现最高可达三步门,验证了在典型非高斯态上实现确定性、可编程且可重复的量子门。实现的门质量如此高,以至于即使在多步门之后,状态的非经典性证据——Wigner 函数的负性——也得到保留。这一平台与其他非高斯态兼容,原则上可通过整合其他现有处理技术实现大规模通用量子计算。

关键词

引用

@article{arxiv.2403.11408,
  title  = {Layer-diverse Negative Sampling for Graph Neural Networks},
  author = {Wei Duan and Jie Lu and Yu Guang Wang and Junyu Xuan},
  journal= {arXiv preprint arXiv:2403.11408},
  year   = {2024}
}

备注

Published in Transactions on Machine Learning Research (03/2024)