明起可用微信购买厦门轮渡船票 预售期由5天改15天
| Квантова механ?ка |
|---|
|
Вступ · ?стор?я Математичн? основи[en] |
Машинне навчання у ф?зиц? — застосування класичних метод?в машинного навчання для вивчення квантових систем. ? основою ново? галуз? досл?джень ф?зики. Основним прикладом цього ? квантова томограф?я[en], де квантовий стан ста? в?домим за допомогою вим?рювання[1]. ?нш? приклади включають вивчення гам?льтон?ан?в[2][3], вивчення квантових фазових переход?в[4][5] ? автоматичне створення нових квантових експеримент?в[6][7][8][9]. Класичне машинне навчання ? ефективним при обробц? великих обсяг?в експериментальних або розрахункових даних з метою схарактеризувати нев?дому квантову систему, що робить його застосування корисним у таких контекстах, як квантова теор?я ?нформац??, розробка квантових технолог?й ? дизайн обчислювальних матер?ал?в. У цьому контекст? його можна використовувати, наприклад, як ?нструмент для ?нтерполяц?? попередньо розрахованих м?жатомних потенц?ал?в[10] або безпосереднього вир?шення р?вняння Шред?нгера за допомогою вар?ац?йного методу[11].
Здатн?сть експериментально контролювати та готувати дедал? складн?ш? квантов? системи тягне за собою зростаючу потребу перетворювати велик? та зашумлен? набори даних у значущу ?нформац?ю. Це проблема вже була широко вивчена в класичних умовах ? тому багато ?снуючих метод?в машинного навчання можуть бути природним чином адаптован? для б?льш ефективного вир?шення експериментально значущих проблем. Наприклад, бай?с?вськ? методи та концепц?? алгоритм?чного навчання[en] можуть бути продуктивно застосован? для вир?шення квантово? класиф?кац?? стан?в[12], Гам?льтон?вського навчання[13] та характеристики нев?домого ун?тарного перетворення[14][15]. ?нш? проблеми, як? було вир?шено за допомогою цього п?дходу, наведено в наступному списку:
- ?дентиф?кац?я точно? модел? динам?ки квантово? системи за допомогою реконструкц?? гам?льтон?ана[16][17][18];
- Витяг ?нформац?? про нев?дом? стани[19][20][21][12][22][1];
- Вивчення нев?домих одиничних перетворень ? вим?рювань[14][15];
- Розробка квантових вор?т ?з мереж куб?т?в з попарними вза?мод?ями, використовуючи залежн?[23] або незалежн?[24] в?д часу Гам?льтон?ани.
- П?двищення точност? вилучення ф?зичних спостережуваних ?з зображень поглинання ультрахолодних атом?в (виродженого газу Ферм?) шляхом створення ?деально? системи в?дл?ку[25].
Квантове машинне навчання також може бути застосоване для значного прискорення передбачення квантових властивостей молекул ? матер?ал?в[26]. Це може бути корисним для обчислювального дизайну нових молекул або матер?ал?в. Деяк? приклади включають
- ?нтерполяц?ю м?жатомних потенц?ал?в[27];
- Визначення енерг?й молекулярно? атом?зац?? в простор? х?м?чних сполук[en][28];
- Точн? поверхн? потенц?йно? енерг?? з обмеженими машинами Больцмана[29];
- Автоматичну генерац?ю нових квантових експеримент?в[6][7];
- Розв'язування статичного та залежного в?д часу р?вняння Шред?нгера багатьох т?л[11];
- ?дентиф?кац?ю фазових переход?в за спектрами заплутаност?[30];
- Створення адаптивних схем зворотного зв'язку для квантово? метролог?? та квантово? томограф??[en][31][32].
Вар?ац?йн? схеми — це с?мейство алгоритм?в, як? використовують навчання на основ? параметр?в схеми та ц?льово? функц??[33]. Вар?ац?йн? схеми, як правило, складаються з класичного пристрою, який переда? вх?дн? параметри (випадков? чи попередньо навчен? параметри) у квантовий пристр?й разом ?з класичною функц??ю математично? оптим?зац??. Ц? схеми дуже сильно залежать в?д арх?тектури запропонованого квантового пристрою, оск?льки коригування параметр?в регулю?ться виключно на основ? класичних компонент?в у пристро?[34]. Хоча застосування ? досить незр?лим у сфер? квантового машинного навчання, у вар?ац?йних схем ? досить непоган? перспективи для б?льш ефективно? генерац?? ефективних функц?й оптим?зац??.
Методи машинного навчання можна використовувати, щоб знайти кращий р?зновид ?нтеграц?? для ?нтеграл?в шлях?в, щоб уникнути проблеми з? знаком[35].
Нейронн? мереж?, побудован? на основ? ф?зично? ?нформац??, використовувалися для вир?шення диференц?альних р?внянь ?з частинними пох?дними як у прямих, так ? в обернених задачах на основ? даних[36]. Одним ?з приклад?в ? реконструкц?я потоку р?дини, керована р?вняннями Нав'?-Стокса. Використання нейронних мереж, побудованих на основ? ф?зично? ?нформац??, не потребу? зазвичай затратно? генерац?? с?тки, на яку спираються звичайн? методи обчислювально? г?дродинам?ки[37][38].
Пов?домлялося, що система глибокого навчання вивча? ?нту?тивну ф?зику з в?зуальних даних (в?ртуального 3D-середовища) на основ? неопубл?кованого п?дходу, натхненного досл?дженнями в?зуального п?знання у немовлят[40][39]. ?нш? досл?дники розробили алгоритм машинного навчання, який може виявити набори основних зм?нних р?зних ф?зичних систем ? передбачити майбутню динам?ку систем на основ? в?деозапис?в ?х повед?нки[41][42]. У майбутньому це може бути використано для автоматизац?? в?дкриття ф?зичних закон?в складних систем[41]. Окр?м в?дкритт?в ? передбачень, тип вивчення фундаментальних аспект?в ф?зичного св?ту за принципом ?чистого аркуша? може мати й ?нш? застосування, так? як покращення адаптивного та загального штучного ?нтелекту[джерело?]. Зокрема, попередн? модел? машинного навчання були ?вузькоспец?ал?зованими та не мали загального розум?ння св?ту?[40].
- ↑ а б Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). Neural-network quantum state tomography. Nature Physics (англ.). 14 (5): 447—450. arXiv:1703.05334. Bibcode:2018NatPh..14..447T. doi:10.1038/s41567-018-0048-5. ISSN 1745-2481.
- ↑ Cory, D. G.; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (6 липня 2012). Robust Online Hamiltonian Learning. New Journal of Physics (англ.). 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh...14j3013G. doi:10.1088/1367-2630/14/10/103013.
- ↑ Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (10 лютого 2020). Supervised learning in Hamiltonian reconstruction from local measurements on eigenstates. Journal of Physics: Condensed Matter (англ.). 33 (6): 064002. arXiv:2007.05962. doi:10.1088/1361-648x/abc4cf. ISSN 0953-8984. PMID 33105109.
- ↑ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (3 липня 2017). Quantum phase recognition via unsupervised machine learning (англ.). arXiv:1707.00663 [cond-mat.str-el].
- ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). Identifying Quantum Phase Transitions with Adversarial Neural Networks. Physical Review B (англ.). 97 (13): 134109. arXiv:1710.08382. Bibcode:2018PhRvB..97m4109H. doi:10.1103/PhysRevB.97.134109. ISSN 2469-9950.
- ↑ а б Krenn, Mario (1 с?чня 2016). Automated Search for new Quantum Experiments. Physical Review Letters (англ.). 116 (9): 090405. arXiv:1509.02749. Bibcode:2016PhRvL.116i0405K. doi:10.1103/PhysRevLett.116.090405. PMID 26991161.
- ↑ а б Knott, Paul (22 березня 2016). A search algorithm for quantum state engineering and metrology. New Journal of Physics (англ.). 18 (7): 073033. arXiv:1511.05327. Bibcode:2016NJPh...18g3033K. doi:10.1088/1367-2630/18/7/073033.
- ↑ Dunjko, Vedran; Briegel, Hans J (19 червня 2018). Machine learning & artificial intelligence in the quantum domain: a review of recent progress. Reports on Progress in Physics (англ.). 81 (7): 074001. arXiv:1709.02779. Bibcode:2018RPPh...81g4001D. doi:10.1088/1361-6633/aab406. ISSN 0034-4885. PMID 29504942.
{{cite journal}}:|hdl-access=вимага?|hdl=(дов?дка) - ↑ Melnikov, Alexey A.; Nautrup, Hendrik Poulsen; Krenn, Mario; Dunjko, Vedran; Tiersch, Markus; Zeilinger, Anton; Briegel, Hans J. (1221). Active learning machine learns to create new quantum experiments. Proceedings of the National Academy of Sciences (англ.). 115 (6): 1221—1226. arXiv:1706.00868. doi:10.1073/pnas.1714936115. ISSN 0027-8424. PMC 5819408. PMID 29348200.
- ↑ Behler, J?rg; Parrinello, Michele (2 кв?тня 2007). Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces. Physical Review Letters (англ.). 98 (14): 146401. Bibcode:2007PhRvL..98n6401B. doi:10.1103/PhysRevLett.98.146401. PMID 17501293.
- ↑ а б Carleo, Giuseppe; Troyer, Matthias (9 лютого 2017). Solving the quantum many-body problem with artificial neural networks. Science (англ.). 355 (6325): 602—606. arXiv:1606.02318. Bibcode:2017Sci...355..602C. doi:10.1126/science.aag2302. PMID 28183973.
- ↑ а б Sentís, Gael; Calsamiglia, John; Mu?oz-Tapia, Raúl; Bagan, Emilio (2012). Quantum learning without quantum memory. Scientific Reports (англ.). 2: 708. arXiv:1106.2742. Bibcode:2012NatSR...2E.708S. doi:10.1038/srep00708. PMC 3464493. PMID 23050092.
- ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). Quantum Hamiltonian learning using imperfect quantum resources. Physical Review A (англ.). 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103/physreva.89.042314.
- ↑ а б Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). Optimal quantum learning of a unitary transformation. Physical Review A (англ.). 81 (3): 032324. arXiv:0903.0543. Bibcode:2010PhRvA..81c2324B. doi:10.1103/PhysRevA.81.032324.
- ↑ а б Jeongho; Junghee Ryu, Bang; Yoo, Seokwon; Paw?owski, Marcin; Lee, Jinhyoung (2014). A strategy for quantum algorithm design assisted by machine learning. New Journal of Physics (англ.). 16 (1): 073017. arXiv:1304.2169. Bibcode:2014NJPh...16a3017K. doi:10.1088/1367-2630/16/1/013017.
- ↑ Granade, Christopher E.; Ferrie, Christopher; Wiebe, Nathan; Cory, D. G. (3 жовтня 2012). Robust Online Hamiltonian Learning. New Journal of Physics (англ.). 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh...14j3013G. doi:10.1088/1367-2630/14/10/103013. ISSN 1367-2630.
- ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, D. G. (2014). Hamiltonian Learning and Certification Using Quantum Resources. Physical Review Letters (англ.). 112 (19): 190501. arXiv:1309.0876. Bibcode:2014PhRvL.112s0501W. doi:10.1103/PhysRevLett.112.190501. ISSN 0031-9007. PMID 24877920.
- ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (17 кв?тня 2014). Quantum Hamiltonian Learning Using Imperfect Quantum Resources. Physical Review A (англ.). 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103/PhysRevA.89.042314. ISSN 1050-2947.
- ↑ Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). Quantum Template Matching. Physical Review A (англ.). 64 (2): 022317. arXiv:quant-ph/0102020. Bibcode:2001PhRvA..64b2317S. doi:10.1103/PhysRevA.64.022317.
- ↑ Sasaki, Masahide (2002). Quantum learning and universal quantum matching machine. Physical Review A (англ.). 66 (2): 022303. arXiv:quant-ph/0202173. Bibcode:2002PhRvA..66b2303S. doi:10.1103/PhysRevA.66.022303.
- ↑ Sentís, Gael; Gu??, M?d?lin; Adesso, Gerardo (9 липня 2015). Quantum learning of coherent states. EPJ Quantum Technology (англ.). 2 (1): 17. arXiv:1410.8700. doi:10.1140/epjqt/s40507-015-0030-4. ISSN 2196-0763.
- ↑ Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2 листопада 2018). Learning unknown pure quantum states. Physical Review A (англ.). 98 (5): 052302. arXiv:1805.06580. Bibcode:2018PhRvA..98e2302L. doi:10.1103/PhysRevA.98.052302.
- ↑ Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (16 листопада 2016). Designing High-Fidelity Single-Shot Three-Qubit Gates: A Machine Learning Approach. Physical Review Applied (англ.). 6 (5): 054005. arXiv:1511.08862. Bibcode:2016PhRvP...6e4005Z. doi:10.1103/PhysRevApplied.6.054005. ISSN 2331-7019.
- ↑ Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (19 липня 2016). Quantum gate learning in qubit networks: Toffoli gate without time-dependent control. npj Quantum Information (англ.). 2: 16019. Bibcode:2016npjQI...216019B. doi:10.1038/npjqi.2016.19.
- ↑ Ness, Gal; Vainbaum, Anastasiya; Shkedrov, Constantine; Florshaim, Yanay; Sagi, Yoav (6 липня 2020). Single-exposure absorption imaging of ultracold atoms using deep learning. Physical Review Applied (англ.). 14 (1): 014011. arXiv:2003.01643. Bibcode:2020PhRvP..14a4011N. doi:10.1103/PhysRevApplied.14.014011.
- ↑ von Lilienfeld, O. Anatole (9 кв?тня 2018). Quantum Machine Learning in Chemical Compound Space. Angewandte Chemie International Edition (англ.). 57 (16): 4164—4169. doi:10.1002/anie.201709686. PMID 29216413.
- ↑ Bartok, Albert P.; Payne, Mike C.; Risi, Kondor; Csanyi, Gabor (2010). Gaussian approximation potentials: The accuracy of quantum mechanics, without the electrons (PDF). Physical Review Letters (англ.). 104 (13): 136403. arXiv:0910.1019. Bibcode:2010PhRvL.104m6403B. doi:10.1103/PhysRevLett.104.136403. PMID 20481899.
- ↑ Rupp, Matthias; Tkatchenko, Alexandre; Müller, Klaus-Robert; von Lilienfeld, O. Anatole (31 с?чня 2012). Fast and Accurate Modeling of Molecular Atomization Energies With Machine Learning. Physical Review Letters (англ.). 355 (6325): 602. arXiv:1109.2618. Bibcode:2012PhRvL.108e8301R. doi:10.1103/PhysRevLett.108.058301. PMID 22400967.
- ↑ Xia, Rongxin; Kais, Sabre (10 жовтня 2018). Quantum machine learning for electronic structure calculations. Nature Communications (англ.). 9 (1): 4195. arXiv:1803.10296. Bibcode:2018NatCo...9.4195X. doi:10.1038/s41467-018-06598-z. PMC 6180079. PMID 30305624.
- ↑ van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastian (2017). Learning phase transitions by confusion. Nature Physics (англ.). 13 (5): 435. arXiv:1610.02048. Bibcode:2017NatPh..13..435V. doi:10.1038/nphys4037.
- ↑ Hentschel, Alexander (1 с?чня 2010). Machine Learning for Precise Quantum Measurement. Physical Review Letters (англ.). 104 (6): 063603. arXiv:0910.0762. Bibcode:2010PhRvL.104f3603H. doi:10.1103/PhysRevLett.104.063603. PMID 20366821.
- ↑ Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (17 грудня 2018). Adaptive Quantum State Tomography with Neural Networks (англ.) . arXiv:1812.06693.
- ↑ Variational Circuits — Quantum Machine Learning Toolbox 0.7.1 documentation. qmlt.readthedocs.io (англ.). Арх?в ориг?налу за 6 грудня 2018. Процитовано 6 грудня 2018.
- ↑ Schuld, Maria (12 червня 2018). Quantum Machine Learning 1.0. XanaduAI (англ.). Процитовано 7 грудня 2018.
- ↑ Alexandru, Andrei; Bedaque, Paulo F.; Lamm, Henry; Lawrence, Scott (2017). Deep Learning Beyond Lefschetz Thimbles. Physical Review D (англ.). 96 (9): 094505. arXiv:1709.01971. Bibcode:2017PhRvD..96i4505A. doi:10.1103/PhysRevD.96.094505.
- ↑ Raissi, M.; Perdikaris, P.; Karniadakis, G. E. (1 лютого 2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics (англ.). Т. 378. с. 686—707. doi:10.1016/j.jcp.2018.10.045. ISSN 0021-9991. Процитовано 17 червня 2023.
- ↑ Mao, Zhiping; Jagtap, Ameya D.; Karniadakis, George Em (1 березня 2020). Physics-informed neural networks for high-speed flows. Computer Methods in Applied Mechanics and Engineering (англ.). 360: 112789. Bibcode:2020CMAME.360k2789M. doi:10.1016/j.cma.2019.112789. ISSN 0045-7825. S2CID 212755458.
- ↑ Raissi, Maziar; Yazdani, Alireza; Karniadakis, George Em (28 лютого 2020). Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations. Science (англ.). 367 (6481): 1026—1030. Bibcode:2020Sci...367.1026R. doi:10.1126/science.aaw4741. PMC 7219083. PMID 32001523.
- ↑ а б Piloto, Luis S.; Weinstein, Ari; Battaglia, Peter; Botvinick, Matthew (11 липня 2022). Intuitive physics learning in a deep-learning model inspired by developmental psychology. Nature Human Behaviour (англ.). 6 (9): 1257—1267. doi:10.1038/s41562-022-01394-8. ISSN 2397-3374. PMC 9489531. PMID 35817932.
- ↑ а б DeepMind AI learns physics by watching videos that don't make sense. New Scientist (англ.). Процитовано 21 серпня 2022.
- ↑ а б Feldman, Andrey (11 серпня 2022). Artificial physicist to unravel the laws of nature. Advanced Science News (англ.). Процитовано 21 серпня 2022.
- ↑ Chen, Boyuan; Huang, Kuang; Raghupathi, Sunand; Chandratreya, Ishaan; Du, Qiang; Lipson, Hod (July 2022). Automated discovery of fundamental variables hidden in experimental data. Nature Computational Science (англ.). 2 (7): 433—442. doi:10.1038/s43588-022-00281-6. ISSN 2662-8457.
Диференц?йовн? обчислення | |||||||
|---|---|---|---|---|---|---|---|
| Загальне | |||||||
| Поняття | |||||||
| Мови програмування | |||||||
| Застосування | |||||||
| Апаратне забезпечення | |||||||
| Програмн? б?бл?отеки | |||||||
| Вт?лення |
| ||||||
| Люди | |||||||
| Орган?зац?? | |||||||
