Beca de doctorado: uso del aprendizaje automático para diseños de algoritmos cuánticos variacionales con reconocimiento de recursos
University of Southampton
Universidad Estatal, Examinar oportunidades similares
es
Universidad Estatal, Examinar oportunidades similares
Supervisor de doctorado: Dr. Srinandan Dasmahapatra
Equipo de supervisión: Dr. Srinandan Dasmahapatra
Descripción del proyecto: La Universidad de Southampton está ampliando su investigación de doctorado en el área de Ingeniería de Tecnología Cuántica. Además del proyecto de investigación que se describe a continuación, recibirá una capacitación sustancial en habilidades científicas, técnicas y comerciales.
Los objetivos de investigación recientes en algoritmos cuánticos ruidosos de escala intermedia (NISQ) buscan explotar los avances obtenidos con tanto esfuerzo en los desarrollos de hardware cuántico para acceder a resultados computacionales que desafían a las computadoras clásicas. Los algoritmos cuánticos variacionales (VQA) son una familia de métodos que optimizan la parametrización de circuitos cuánticos para aproximarse a los valores esperados de las propiedades medidas en estados cuánticos. La potencia expresiva de estos circuitos parametrizados en VQA depende del ansätze diseñado para un problema particular. Además de la expresividad, las limitaciones en la corrección de errores en el hardware NISQ implican la amplificación de los errores con la profundidad de los circuitos cuánticos, lo que limita aún más el espacio de diseño. Se están desarrollando métodos de aprendizaje automático (ML) para navegar por este espacio de diseño utilizando métodos híbridos, y este será el foco de este proyecto. También se sabe genéricamente que los métodos de ML que operan reduciendo una función de pérdida definida apropiadamente mediante descenso de gradiente encuentran un problema de "valles estériles" que dificulta el acceso al espacio parametrizado, lo que provoca una nueva reconsideración del circuito ansatz. También se ha propuesto una familia de algoritmos cuánticos basados en mediciones que comienzan con un estado de clúster entrelazado y mediciones de un solo qubit bien elegidas alteran el estado de la red, propagando información mediante teletransportación a través del clúster. Estos algoritmos cuánticos variacionales basados en mediciones ofrecen una ventana diferente al espacio de estados que definen el estado computacional, así como el conjunto compilado de qubits que vienen con los perfiles ruidosos que los algoritmos basados en redes neuronales buscarán mejorar, dentro de las limitaciones sobre el espacio de diseño. El procesamiento clásico de información compartida entre nodos de un gráfico ha tenido éxito en arquitecturas de redes neuronales de gráficos; Este proyecto explorará el diseño de una red neuronal cuántica gráfica adecuada para algoritmos cuánticos variacionales basados en mediciones.
Si está interesado, comuníquese con el supervisor para obtener más información: Srinandan Dasmahapatra [email protected]
Requisitos de entrada
Una muy buena licenciatura (al menos una licenciatura 2:1 en el Reino Unido o su equivalente internacional).
Fecha límite : 31 de agosto de 2024.
Las solicitudes se considerarán en el orden en que se reciban y el puesto se considerará cubierto cuando se haya identificado un candidato adecuado.
Financiamiento: Ofrecemos una variedad de oportunidades de financiamiento para estudiantes tanto del Reino Unido como internacionales, incluidas becas y becas. Para obtener más información, visite Becas de doctorado | Colegio de Doctorado | Los fondos de la Universidad de Southampton se otorgarán de forma continua, así que presente su solicitud con anticipación para que se considere la mejor oportunidad.
Cómo aplicar
Solicite en línea: busque un programa de estudios de posgrado (soton.ac.uk). Seleccione el tipo de programa (Investigación), Facultad de Ingeniería y Ciencias Físicas, en la página siguiente seleccione "PhD iMR". En la Sección 2 del formulario de solicitud debe insertar el nombre del supervisor.
Las solicitudes deben incluir :
Para obtener más información, comuníquese con: [correo electrónico protegido]
Elige el país al que quieres viajar para estudiar gratis, trabajar o hacer voluntariado
