Quantum optimization algorithms for near-term hardware

Finžgar, Jernej Rudi

Jernej Rudi Finžgar

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: Quantum optimization algorithms for near-term hardware
Übersetzter Titel:: Quantenoptimierungsalgorithmen für Hardware der nahen Zukunft
Autor:: Finžgar, Jernej Rudi
Jahr:: 2026
Dokumenttyp:: Dissertation
Fakultät/School:: TUM School of Computation, Information and Technology
Institution:: Informatik 5 - Professur für Quantum Computing (Prof. Mendl)
Betreuer:: Mendl, Christian (Prof. Dr.)
Gutachter:: Mendl, Christian (Prof. Dr.); Walter, Michael (Prof. Dr.)
Sprache:: en
Fachgebiet:: DAT Datenverarbeitung, Informatik
TU-Systematik:: DAT 503
Kurzfassung:: This thesis develops algorithmic approaches for near-term quantum optimization. We use Bayesian optimization to design improved quantum annealing schedules, validated on neutral-atom hardware. We then introduce a counterdiabatic driving scheme with rigorous performance guarantees. Finally, we propose a hybrid quantum-classical family of recursive optimization algorithms and benchmark them on paradigmatic problems.
Übersetzte Kurzfassung:: Diese Arbeit entwickelt algorithmische Ansätze für die Quantenoptimierung auf Hardware der nahen Zukunft. Mithilfe von Bayesscher Optimierung werden verbesserte Protokolle für Quantenannealing entworfen und auf Neutralatom-Plattformen experimentell validiert. Anschließend wird ein systemunabhängiges Verfahren für counterdiabatisches Driving mit garantierter Leistung vorgestellt. Schließlich wird eine hybride quanten-klassische Familie rekursiver Optimierungsalgorithmen entwickelt und an exemplarischen Optimierungsproblemen getestet. «
Diese Arbeit entwickelt algorithmische Ansätze für die Quantenoptimierung auf Hardware der nahen Zukunft. Mithilfe von Bayesscher Optimierung werden verbesserte Protokolle für Quantenannealing entworfen und auf Neutralatom-Plattformen experimentell validiert. Anschließend wird ein systemunabhängiges Verfahren für counterdiabatisches Driving mit garantierter Leistung vorgestellt. Schließlich wird eine hybride quanten-klassische Familie rekursiver Optimierungsalgorithmen entwickelt und an exemplar... »
WWW:: https://mediatum.ub.tum.de/?id=1836074
Eingereicht am:: 11.11.2025
Mündliche Prüfung:: 29.04.2026
Dateigröße:: 6153025 bytes
Seiten:: 131
Urn (Zitierfähige URL):: https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260429-1836074-0-4
Veröffentlicht am:: 26.05.2026
BibTeX