MARC

 008260126s2025        us                              c    eng  d
■001000017359581
■00520260202105141
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265410177
■035    ▼a(MiAaPQ)AAI32240689
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aMcClain  Gomez,  Abigail  Lee.
■24510▼aNear-Term  Stepping  Stones  on  the  Path  to  Useful  Quantum  Computing
■260    ▼a[Sl]▼bHarvard  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a312  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Yelin,  Susanne  F.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aIn  2000,  David  P.  DiVincenzo  proposed  seven  necessary  criteria  to  construct  a  physical  quantum  computer.  His  requirements  included  device  scalability,  having  well-defined  qubits  with  long  coherence  times,  and  the  ability  to  implement  a  universal  gate  set.  Since  then,  research  has  propelled  several  experimental  platforms  to  the  forefront  as  contenders  for  quantum  computing.  The  near-term  implementations  of  these  various  architectures  often  face  technical  challenges  --  such  as  limited  scalability,  short  coherence  times,  or  sub-universal  computation  --  leading  to  only  a  partial  fulfillment  of  DiVincenzo's  criteria.  Despite  device  shortcomings,  progress  marches  forward  with  increasingly  useful  demonstrations  of  quantum  computation  and  simulation.  Towards  this  end,  the  research  compiled  in  this  thesis  presents  novel  quantum  computing  methods  and  applications  that  can  be  leveraged  in  the  current  era  of  constrained  hardware  capabilities.  This  thesis  examines  a  diverse  array  of  near-term  topics,  including  the  use  of  machine  learning  to  aid  in  sample-efficient  quantum  state  reconstruction  via  Born  machines,  methods  to  link  distributed  quantum  simulators  with  incomplete  information  transfer  for  approximate  fragmented  simulation,  universal  computation  with  globally  controlled  analog  simulators,  and  fast  scrambling  achieved  with  measurement-only  quantum  circuits.
■590    ▼aSchool  code:  0084.
■650  4▼aPhysics
■650  4▼aQuantum  physics
■650  4▼aApplied  physics
■653    ▼aBorn  machines
■653    ▼aQuantum  machine  learning
■653    ▼aQuantum  simulators
■690    ▼a0605
■690    ▼a0599
■690    ▼a0215
■71020▼aHarvard  University▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359581▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books