Neural optimization for quantum architectures: graph embedding problems with Distance Encoder Networks
Dieser Beitrag stellt ein durch neuronale Netze verstärktes Optimierungsframework vor, das ein modifiziertes Distances Encoder Network und eine benutzerdefinierte Embedding-Loss-Funktion nutzt, um das Problem der Platzierung von Qubits in neutral-atom-basierten Quantenhardware unter Nebenbedingungen effizient zu lösen und dabei klassische Solver innerhalb vergleichbarer Rechenzeiten zu übertreffen.