<span lang="AR-SA">بهینه سازی با الگوریتم های کلاسیکی وکوانتومی تقویت شده

بسیاری از مسئله های مهم مانند پیدا کردن حالت تعادلی یک سامانه فیزیکی و یادگیری شبکه های عصبی را می توان به شکل یک مسئله بهینه سازی فرمول بندی کرد. به خاطر وجود هم بستگی های قوی و بلند برد بین متغیرهای سامانه ، مخصوصا در نزدیکی گذار فازها، به دست آوردن یک پاسخ تقریبی خوب هم معمولا از نظر محاسباتی کار دشواری است. مفاهیم و ابزار های فیزیک آماری سامانه های نامنظم به ما کمک کرده اند تا الگوریتم های کارآمد برای مطالعه این نوع مسئله ها طراحی کنیم. در این مقاله، با بعضی از الگوریتم ها و سازوکاهای مهم بهینه سازی آشنا می شویم که از مفاهیم فیزیک کلاسیک و کوانتومی استفاده می کنند. تمرکز بیشتر بر روی روش ها و یافته های سال های اخیر در این زمینه خواهد بود. به طور مشخص به اهمیت الگوریتم های تقویت شده در بهینه سازی و نقش تقویت الگوریتم در کاهش اثر خطا در شبیه سازی های کوانتومی اشاره می کنیم. در نهایت چشم اندازی از مسئله ها و راهکارهای پیش رو برای بررسی آن ها ارایه می شود.

کلیدواژه ها:

فیزیک آماری ، بهینه سازی ، الگوریتم های تقویت شده