Algorithmes variationnels quantiques pour la simulation de systèmes quantiques
Bibliographic record
Abstract
En attendant la venue d’un ordinateur quantique tolérant aux fautes, un défi d’intérêt pratique réside dans le développement d’algorithmes pouvant tirer profit de petits processeurs quantiques bruyants. Les algorithmes variationnels quantiques sont un exemple d’une telle méthode. Dans le cadre de ces algorithmes, un circuit de portes logiques quantiques, appelé ansatz, fonction d’onde d’essai ou fonction d’onde variationnelle (FOV), est exécuté dans le but de préparer l’état fondamental d’un système à résoudre. Malgré que la construction de la FOV dépende généralement du contexte, une approche populaire consiste à conserver le plus possible les symétries du problème, car cela simplifie en principe la tâche. Dans ce mémoire, je développe une nouvelle fonction d’onde allant à l’encontre de cette tendance. Avec mes collaborateurs à l’Institut quantique ainsi que chez IBM Research Zürich, nous proposons QOCA, une nouvelle FOV allant au-delà des approches standards et s’inspirant de la théorie du contrôle optimal de systèmes quantiques. L’idée novatrice derrière QOCA consiste à ajouter à la fonction d’onde d’essai une composante brisant volontairement et légèrement les symétries du problème. Ce choix à première vue contre-intuitif résulte en une FOV plus robuste menant à des résultats qui sont des ordres de grandeur plus précis que ceux produits par les approches conventionnelles. J’applique QOCA à des problèmes prototypiques en matériaux quantiques ainsi qu’en chimie quantique et je montre que cette nouvelle approche peut perturber l’état de l’art. De par sa construction flexible, QOCA constitue un premier pas vers le développement d’une classe plus générale de fonctions d’ondes variationnelles brisant les symétries avec des applications en physique et en chimie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".