Variational quantum algorithms (VQAs) utilize a hybrid quantum-classical architecture to recast problems of high-dimensional linear algebra as ones of stochastic optimization. Despite the promise of leveraging near- to intermediate-term quantum resources to accelerate this task, the computational advantage of VQAs over wholly classical algorithms has not been firmly established. For instance, while the variational quantum eigensolver (VQE) has been developed to approximate low-lying eigenmodes of high-dimensional sparse linear operators, analogous classical optimization algorithms exist in the variational Monte Carlo (VMC) literature, utilizing neural networks in place of quantum circuits to represent quantum states. In this paper we ask if classical stochastic optimization algorithms can be constructed paralleling other VQAs, focusing on the example of the variational quantum linear solver (VQLS). We find that such a construction can be applied to the VQLS, yielding a paradigm that could theoretically extend to other VQAs of similar form.
translated by 谷歌翻译
量子状态的神经网络表示的变异优化已成功地用于解决相互作用的费米子问题。尽管发展迅速，但在考虑大规模分子时会出现重大的可伸缩性挑战，这些分子与非局部相互作用的量子自旋汉密尔顿人相对应，这些量子旋转汉密尔顿人由数千甚至数百万的保利操作员组成。在这项工作中，我们引入了可扩展的并行化策略，以改善基于神经网络的量子量蒙特卡洛计算，用于AB-Initio量子化学应用。我们建立了由GPU支持的局部能量并行性，以计算潜在复杂分子的哈密顿量的优化目标。使用自回旋抽样技术，我们证明了实现CCSD基线目标能量所需的壁锁定时间的系统改进。通过将最终的旋转汉顿量的结构适应自回归抽样顺序，进一步提高了性能。与经典的近似方法相比，该算法实现了有希望的性能，并且比现有基于神经网络的方法具有运行时间和可伸缩性优势。
translated by 谷歌翻译
谷仓（基准自动驾驶机器人导航）挑战在宾夕法尼亚州费城的2022年IEEE国际机器人和自动化国际会议（ICRA 2022）举行。挑战的目的是评估最先进的自动地面导航系统，以安全有效的方式将机器人通过高度约束的环境移动。具体而言，任务是将标准化的差分驱动地面机器人从预定义的开始位置导航到目标位置，而不会与模拟和现实世界中的任何障碍相撞。来自世界各地的五支球队参加了合格的模拟比赛，其中三支受邀在费城会议中心的一组身体障碍课程中相互竞争。竞争结果表明，尽管表面上显得简单，即使对于经验丰富的机器人主义者来说，在高度约束空间中的自主地面导航实际上远非解决问题。在本文中，我们讨论了挑战，前三名获胜团队所使用的方法以及学到的教训以指导未来的研究。
translated by 谷歌翻译
传统上，启发式搜索一直依赖于手工制作或编程派生的启发式方法。神经网络（NNS）是更新的强大工具，可用于从州学习复杂的映射到成本到启发式方法。但是，他们缓慢的单个推理时间是一个很大的开销，可以在优化的启发式搜索实现中大大减少计划时间。最近的一些作品描述了利用NN的批处理计算的方法，以减少计划中的开销，同时保持（子）最优性的界限。但是，所有这些方法在建立批处理的同时以“阻止”方式使用了NN启发式方法，并且忽略了通常可以使用的快速计算可接受的启发式方法（例如现有的经典启发式启发术）。我们介绍了一种非阻滞批次A*（NBBA*），这是一种有界的次优方法，它懒洋洋地分批计算NN启发式方法，同时允许通过非NN启发式启发术告知扩展。我们展示了与当前的阻止替代方案相比，这种微妙但重要的变化如何导致扩展大幅减少，并看到该性能与计算出的NN和快速非NN启发式的批处理差异有关。
translated by 谷歌翻译
脊髓损伤通常会导致四肢瘫痪的患者限制其活动能力。轮椅对于患者来说可能是一个很好的主张，但大多数人可以手动操作，也可以借助操纵杆操作的电动机。但是，这需要使用手，使其不适合四肢瘫痪的患者。另一方面，即使受到脑损伤的人，控制眼动的运动也保留了。监视眼睛中的运动可能是为轮椅生成控制信号的有用工具。本文是通过试图控制模仿轮椅的机器人来转换从眼睛转换为有意义的信号的一种方法。总体系统具有成本效益，并使用简单的图像处理和模式识别来控制机器人。开发了一种Android应用，在实际情况下，患者的援助可以使用该应用程序，以更加完善轮椅。
translated by 谷歌翻译
基于冲突的搜索（CBS）是一种流行的多试路径查找（MAPF）求解器，该求解器采用低级单位代理计划者和高级约束树来解决冲突。绝大多数现代MAPF求解器都专注于通过各种策略减少这棵树的大小来改善CB，几乎没有修改低级计划者的方法。现有CBS方法中的所有低级计划者都使用未加权的启发式启发式方法，次优的CBS方法还使用冲突启发式启发式启发式来帮助高级搜索。与普遍的信念相反，我们表明，通过以特定方式加权冲突，可以更有效地使用启发式成本的启发式。我们介绍了这样做的两个变体，并证明这种变化在某些情况下可以导致2-100倍的加速。此外，据我们所知，我们展示了优先规划和有限的次优的CB的第一个理论关系，并证明我们的方法是它们的自然概括。
translated by 谷歌翻译