Применение классических методов машинного обучения к изучению квантовых систем (иногда называемое квантовым машинным обучением ) является основной темой новых научных исследований в области физики. Основным примером этого является томография квантового состояния , где квантовое состояние узнается из измерения. [1] Другие примеры включают изучение гамильтонианов, [2] [3] изучение квантовых фазовых переходов, [4] [5] и автоматическое создание новых квантовых экспериментов. [6] [7] [8] [9]Классическое машинное обучение эффективно при обработке больших объемов экспериментальных или расчетных данных для характеристики неизвестной квантовой системы, что делает его применение полезным в контекстах, включая квантовую теорию информации , разработку квантовых технологий и проектирование вычислительных материалов. В этом контексте, он может быть использован, например , в качестве инструмента для интерполяции предварительно рассчитанных межатомных потенциалов [10] или непосредственно решая уравнение Шредингера с вариационным методом . [11]
Приложения машинного обучения к физике
Шумные данные
Возможность экспериментального контроля и подготовки все более сложных квантовых систем влечет за собой растущую потребность превращать большие и зашумленные наборы данных в значимую информацию. Это проблема, которая уже широко изучалась в классической среде, и, следовательно, многие существующие методы машинного обучения можно естественным образом адаптировать для более эффективного решения экспериментально значимых проблем. Например, байесовские методы и концепции алгоритмического обучения могут быть плодотворно применены для решения классификации квантовых состояний, [12] гамильтонова обучения [13] и характеристики неизвестного унитарного преобразования . [14] [15] Другие проблемы, которые были решены с помощью этого подхода, приведены в следующем списке:
- Определение точной модели динамики квантовой системы путем восстановления гамильтониана ; [16] [17] [18]
- Извлечение информации о неизвестных состояниях; [19] [20] [21] [12] [22] [1]
- Изучение неизвестных унитарных преобразований и измерений; [14] [15]
- Разработка квантовых вентилей из сетей кубитов с попарными взаимодействиями с использованием зависящих от времени [23] или независимых [24] гамильтонианов.
- Повышение точности извлечения физических наблюдаемых из абсорбционных изображений ультрахолодных атомов (вырожденный ферми-газ) путем создания идеальной системы отсчета. [25]
Расчетные и бесшумные данные
Квантовое машинное обучение также может применяться для значительного ускорения предсказания квантовых свойств молекул и материалов. [26] Это может быть полезно для вычислительного дизайна новых молекул или материалов. Некоторые примеры включают
- Интерполяция межатомных потенциалов; [27]
- Выявление энергий молекулярной атомизации во всем пространстве химического соединения ; [28]
- Точные поверхности потенциальной энергии с ограниченными машинами Больцмана; [29]
- Автоматическая генерация новых квантовых экспериментов; [6] [7]
- Решение многочастичного, статического и зависящего от времени уравнения Шредингера; [11]
- Идентификация фазовых переходов по спектрам запутанности; [30]
- Создание схем адаптивной обратной связи для квантовой метрологии и квантовой томографии . [31] [32]
Вариационные схемы
Вариационные схемы - это семейство алгоритмов, в которых используется обучение на основе параметров схемы и целевой функции. [33] Вариационные схемы обычно состоят из классического устройства, передающего входные параметры (случайные или предварительно обученные параметры) в квантовое устройство, а также классической математической функции оптимизации . Эти схемы очень сильно зависят от архитектуры предлагаемого квантового устройства, поскольку настройки параметров регулируются исключительно на основе классических компонентов внутри устройства. [34] Хотя приложение является довольно инфантильным в области квантового машинного обучения, оно имеет невероятно большие перспективы для более эффективного создания эффективных функций оптимизации.
Проблема со знаком
Методы машинного обучения можно использовать для поиска лучшего многообразия интеграции интегралов по путям, чтобы избежать проблемы со знаком. [35]
Смотрите также
- Квантовые вычисления
- Квантовое машинное обучение
- Квантовый алгоритм для линейных систем уравнений
- Квантовый отжиг
- Квантовая нейронная сеть
Рекомендации
- ^ а б Торлай, Джакомо; Маццола, Гульельмо; Карраскилла, Хуан; Тройер, Матиас; Мелко, Роджер; Карлео, Джузеппе (май 2018 г.). «Нейросетевая томография квантового состояния». Физика природы . 14 (5): 447–450. arXiv : 1703.05334 . Bibcode : 2018NatPh..14..447T . DOI : 10.1038 / s41567-018-0048-5 . ISSN 1745-2481 .
- ^ Кори, Д.Г.; Вибе, Натан; Ферри, Кристофер; Гранад, Кристофер Э. (2012-07-06). «Надежное онлайн-гамильтоново обучение». Новый журнал физики . 14 (10): 103013. arXiv : 1207.1655 . Bibcode : 2012NJPh ... 14j3013G . DOI : 10.1088 / 1367-2630 / 14/10/103013 .
- ^ Цао, Чэньфэн; Хоу, Ши-Яо; Цао, Нинпин; Цзэн, Бэй (2020-02-10). «Обучение с учителем в восстановлении гамильтониана на основе локальных измерений собственных состояний» . Журнал физики: конденсированное вещество . 33 (6): 064002. arXiv : 2007.05962 . DOI : 10,1088 / 1361-648x / abc4cf . ISSN 0953-8984 .
- ^ Брокер, Питер; Assaad, Fakher F .; Требст, Саймон (2017-07-03). «Квантовое распознавание фаз с помощью машинного обучения без учителя». arXiv : 1707.00663 [ cond-mat.str-el ].
- ^ Уембели, Патрик; Дофин, Александр; Виттек, Питер (2018). «Идентификация квантовых фазовых переходов с состязательными нейронными сетями». Physical Review B . 97 (13): 134109. arXiv : 1710.08382 . Bibcode : 2018PhRvB..97m4109H . DOI : 10.1103 / PhysRevB.97.134109 . ISSN 2469-9950 .
- ^ а б Кренн, Марио (01.01.2016). «Автоматизированный поиск новых квантовых экспериментов». Письма с физическим обзором . 116 (9): 090405. arXiv : 1509.02749 . Bibcode : 2016PhRvL.116i0405K . DOI : 10.1103 / PhysRevLett.116.090405 . PMID 26991161 .
- ^ а б Нотт, Пол (2016-03-22). «Алгоритм поиска для квантового состояния инженерии и метрологии». Новый журнал физики . 18 (7): 073033. arXiv : 1511.05327 . Bibcode : 2016NJPh ... 18g3033K . DOI : 10.1088 / 1367-2630 / 18/7/073033 .
- ^ Дунько, Ведран; Бригель, Ханс Дж (19.06.2018). «Машинное обучение и искусственный интеллект в квантовой сфере: обзор последних достижений». Отчеты о достижениях физики . 81 (7): 074001. Bibcode : 2018RPPh ... 81g4001D . DOI : 10.1088 / 1361-6633 / aab406 . hdl : 1887/71084 . ISSN 0034-4885 . PMID 29504942 .
- ^ Мельников, Алексей А .; Наутруп, Хендрик Поульсен; Кренн, Марио; Дунько, Ведран; Тирш, Маркус; Цайлингер, Антон; Бригель, Ганс Дж. (1221). «Машина активного обучения учится создавать новые квантовые эксперименты» . Труды Национальной академии наук . 115 (6): 1221–1226. arXiv : 1706.00868 . DOI : 10.1073 / pnas.1714936115 . ISSN 0027-8424 . PMC 5819408 . PMID 29348200 .
- ^ Белер, Йорг; Парринелло, Микеле (2007-04-02). "Обобщенное нейросетевое представление многомерных поверхностей потенциальной энергии". Письма с физическим обзором . 98 (14): 146401. Bibcode : 2007PhRvL..98n6401B . DOI : 10.1103 / PhysRevLett.98.146401 . PMID 17501293 .
- ^ а б Карлео, Джузеппе; Тройер, Матиас (09.02.2017). «Решение квантовой задачи многих тел с помощью искусственных нейронных сетей». Наука . 355 (6325): 602–606. arXiv : 1606.02318 . Bibcode : 2017Sci ... 355..602C . DOI : 10.1126 / science.aag2302 . PMID 28183973 .
- ^ а б Сентис, Гаэль; Кальсамилья, Джон; Муньос-Тапиа, Рауль; Баган, Эмилио (2012). «Квантовое обучение без квантовой памяти» . Научные отчеты . 2 : 708. arXiv : 1106.2742 . Bibcode : 2012NatSR ... 2E.708S . DOI : 10.1038 / srep00708 . PMC 3464493 . PMID 23050092 .
- ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, Дэвид (2014). «Квантовое гамильтоново обучение с использованием несовершенных квантовых ресурсов». Physical Review . 89 (4): 042314. arXiv : 1311.5269 . Bibcode : 2014PhRvA..89d2314W . DOI : 10.1103 / physreva.89.042314 . hdl : 10453/118943 .
- ^ а б Бизио, Алессандро; Чирибелла, Джулио; Д'Ариано, Джакомо Мауро; Факкини, Стефано; Перинотти, Паоло (2010). «Оптимальное квантовое обучение унитарному преобразованию». Physical Review . 81 (3): 032324. arXiv : 0903.0543 . Bibcode : 2010PhRvA..81c2324B . DOI : 10.1103 / PhysRevA.81.032324 .
- ^ а б Чонхо; Чжонхи Рю, Банг; Ю, Соквон; Павловский, Марцин; Ли, Джинхён (2014). «Стратегия разработки квантовых алгоритмов с помощью машинного обучения». Новый журнал физики . 16 (1): 073017. arXiv : 1304.2169 . Bibcode : 2014NJPh ... 16a3017K . DOI : 10.1088 / 1367-2630 / 16/1/013017 .
- ^ Гранад, Кристофер Э .; Ферри, Кристофер; Вибе, Натан; Кори, генеральный директор (2012-10-03). «Надежное онлайн-гамильтоново обучение». Новый журнал физики . 14 (10): 103013. arXiv : 1207.1655 . Bibcode : 2012NJPh ... 14j3013G . DOI : 10.1088 / 1367-2630 / 14/10/103013 . ISSN 1367-2630 .
- ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, Д.Г. (2014). «Гамильтоново обучение и сертификация с использованием квантовых ресурсов». Письма с физическим обзором . 112 (19): 190501. arXiv : 1309.0876 . Bibcode : 2014PhRvL.112s0501W . DOI : 10.1103 / PhysRevLett.112.190501 . ISSN 0031-9007 . PMID 24877920 .
- ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, Дэвид Г. (2014-04-17). «Квантовое гамильтоново обучение с использованием несовершенных квантовых ресурсов». Physical Review . 89 (4): 042314. arXiv : 1311.5269 . Bibcode : 2014PhRvA..89d2314W . DOI : 10.1103 / PhysRevA.89.042314 . hdl : 10453/118943 . ISSN 1050-2947 .
- ^ Сасаки, Мадахайд; Карлини, Альберто; Jozsa, Ричард (2001). «Квантовое сопоставление шаблонов». Physical Review . 64 (2): 022317. Arxiv : колич-фот / 0102020 . Bibcode : 2001PhRvA..64b2317S . DOI : 10.1103 / PhysRevA.64.022317 .
- ^ Сасаки, Масахиде (2002). «Квантовое обучение и универсальная квантовая машина согласования». Physical Review . 66 (2): 022303. Arxiv : колич-фот / 0202173 . Bibcode : 2002PhRvA..66b2303S . DOI : 10.1103 / PhysRevA.66.022303 .
- ^ Сентис, Гаэль; Гуца, Мэдэлин; Адессо, Херардо (09.07.2015). «Квантовое обучение когерентных состояний». EPJ Quantum Technology . 2 (1): 17. arXiv : 1410.8700 . DOI : 10,1140 / epjqt / s40507-015-0030-4 . ISSN 2196-0763 .
- ^ Ли, Сан Мин; Ли, Джинхён; Банг, Чонхо (2018-11-02). «Изучение неизвестных чистых квантовых состояний». Physical Review . 98 (5): 052302. arXiv : 1805.06580 . Bibcode : 2018PhRvA..98e2302L . DOI : 10.1103 / PhysRevA.98.052302 .
- ^ Захединеджад, Эхсан; Гош, Джойдип; Сандерс, Барри К. (2016-11-16). «Проектирование высокоточных трехкубитных ворот с одним выстрелом: подход машинного обучения». Применена физическая проверка . 6 (5): 054005. arXiv : 1511.08862 . Bibcode : 2016PhRvP ... 6e4005Z . DOI : 10.1103 / PhysRevApplied.6.054005 . ISSN 2331-7019 .
- ^ Банки, Леонардо; Панкотти, Никола; Бозе, Сугато (19 июля 2016 г.). «Обучение квантовым вентилем в кубитных сетях: вентиль Тоффоли без управления, зависящего от времени» . npj Квантовая информация . 2 : 16019. Bibcode : 2016npjQI ... 216019B . DOI : 10.1038 / npjqi.2016.19 .
- ^ Несс, Гал; Вайнбаум Анастасия; Шкедров, Константин; Флоршаим, Янай; Саги, Йоав (06.07.2020). «Поглощение ультрахолодных атомов за одну экспозицию с использованием глубокого обучения» Применена физическая проверка . 14 : 014011. arXiv : 2003.01643 . DOI : 10.1103 / PhysRevApplied.14.014011 .
- ^ фон Лилиенфельд, О. Анатоль (2018-04-09). «Квантовое машинное обучение в космосе химических соединений». Angewandte Chemie International Edition . 57 (16): 4164–4169. DOI : 10.1002 / anie.201709686 . PMID 29216413 .
- ^ Барток, Альберт П .; Пейн, Майк С .; Риси, Кондор; Чани, Габор (2010). «Потенциалы гауссовского приближения: точность квантовой механики без электронов» (PDF) . Письма с физическим обзором . 104 (13): 136403. arXiv : 0910.1019 . Bibcode : 2010PhRvL.104m6403B . DOI : 10.1103 / PhysRevLett.104.136403 . PMID 20481899 .
- ^ Рупп, Матиас; Ткаченко, Александр; Мюллер, Клаус-Роберт; фон Лилиенфельд, О. Анатоль (31 января 2012 г.). «Быстрое и точное моделирование энергии молекулярной атомизации с помощью машинного обучения». Письма с физическим обзором . 355 (6325): 602. arXiv : 1109.2618 . Bibcode : 2012PhRvL.108e8301R . DOI : 10.1103 / PhysRevLett.108.058301 . PMID 22400967 .
- ^ Ся, Жунсинь; Кайс, Сабер (10.10.2018). «Квантовое машинное обучение для расчета электронной структуры» . Nature Communications . 9 (1): 4195. arXiv : 1803.10296 . Bibcode : 2018NatCo ... 9.4195X . DOI : 10.1038 / s41467-018-06598-Z . PMC 6180079 . PMID 30305624 .
- ^ ван Ньювенбург, Эверт; Лю, Е-Хуа; Хубер, Себастьян (2017). «Обучение фазовым переходам путаницей». Физика природы . 13 (5): 435. arXiv : 1610.02048 . Bibcode : 2017NatPh..13..435V . DOI : 10.1038 / nphys4037 .
- ^ Хентшель, Александр (01.01.2010). «Машинное обучение для точных квантовых измерений». Письма с физическим обзором . 104 (6): 063603. arXiv : 0910.0762 . Bibcode : 2010PhRvL.104f3603H . DOI : 10.1103 / PhysRevLett.104.063603 . PMID 20366821 .
- ^ Quek, Yihui; Форт, Станислав; Нг, Хуэй Хун (2018-12-17). «Адаптивная томография квантового состояния с нейронными сетями». arXiv : 1812.06693 [ квант-ф ].
- ^ "Вариационные схемы - документация Quantum Machine Learning Toolbox 0.7.1" . qmlt.readthedocs.io . Проверено 6 декабря 2018 .
- ^ Шульд, Мария (12.06.2018). «Квантовое машинное обучение 1.0» . XanaduAI . Проверено 7 декабря 2018 .
- ^ Александру, Андрей; Bedaque, Paulo F .; Ламм, Генри; Лоуренс, Скотт (2017). «Глубокое обучение за пределами наперстков Лефшеца». Physical Review D . 96 (9): 094505. arXiv : 1709.01971 . Bibcode : 2017PhRvD..96i4505A . DOI : 10.1103 / PhysRevD.96.094505 .