Neural optimization for quantum architectures: graph embedding problems with Distance Encoder Networks
Dit artikel introduceert een door neurale netwerken versterkt optimalisatiekader dat gebruikmaakt van een aangepast Distances Encoder Network en een aangepaste Embedding Loss-functie om het beperkte unit disk-probleem voor qubit-positionering in op neutrale atomen gebaseerde quantumhardware efficiënt op te lossen, waarbij het binnen vergelijkbare rekentijden presteert boven klassieke oplossers.