• Themenfeld
  • Teilgebiet
  • Thema

Cost Landscapes Data-based (z.B. QNN) or Model-based (z.B. VQE, QAOA)

In Quanten Neuro­na­len Netzwer­ken (QNNs) werden Parame­ter optimiert, um eine Kosten­funk­tion zu minimie­ren. Diese Kosten­land­schaf­ten leiden jedoch häufig unter sogenann­ten Barren Plateaus – ausge­dehn­ten, flachen Regio­nen, in denen der Gradi­ent verschwin­det, was es für den Optimie­rer nahezu unmög­lich macht, das „Tal“ bzw. die optimale Lösung zu finden.

 

In Quantum Neural Networks (QNNs), we optimize parame­ters to minimize a cost function. However, these landscapes often suffer from Barren Plateaus—vast, flat regions where the gradi­ent vanis­hes, making it nearly impos­si­ble for the optimi­zer to find the “valley” or optimal solution.

Weitere Themen im Teilgebiet Quantum Optimiza­tion:

Wählen Sie ein anderes Thema in innerhalb des Teilgebiets Quantum Optimiza­tion

Quantum Anneal­ing

Viele kombi­na­to­ri­sche Optimie­rungs­pro­bleme, wie etwa das Traveling‑Salesperson‑Problem oder Planungs‑ und Scheduling‑Aufgaben, lassen sich…

Varia­tio­nal Optimiza­tion (z.B. QAOA, VQE)

Ein varia­tio­na­ler Quanten­al­go­rith­mus (z. B. VQE oder QAOA) verwen­det einen parame­tri­sier­ten Quanten­schalt­kreis, um…

Feedback-based Optimiza­tion (z.B. Falqon, EFT)

FALQON ist ein feedback‑basierter Quanten­op­ti­mie­rungs­al­go­rith­mus, der als Alternative…

Bench­mar­king vs. Classi­cal Optimi­zers (z.B. Gurobi, Simplex, SA)

Jeder Quanten­al­go­rith­mus sollte gegen gut etablierte klassi­sche Solver gebench­marked werden, etwa gegen…

Partner