Strojové učení ve fyzice - Machine learning in physics
Aplikování klasických metod strojového učení na studium kvantových systémů (někdy nazývaných kvantové strojové učení) je ohniskem nově vznikající oblasti fyzikálního výzkumu. Základní příklad toho je kvantová stavová tomografie, kde se kvantový stav učí z měření.[1] Mezi další příklady patří učení Hamiltonians,[2] učení kvantových fázových přechodů,[3][4] a automatické generování nových kvantových experimentů.[5][6][7][8] Klasické strojové učení je účinné při zpracování velkého množství experimentálních nebo vypočítaných dat, aby bylo možné charakterizovat neznámý kvantový systém, díky čemuž je jeho aplikace užitečná v kontextech včetně teorie kvantové informace, vývoj kvantových technologií a návrh výpočetních materiálů. V této souvislosti jej lze použít například jako nástroj k interpolaci předem vypočítaných interatomových potenciálů[9] nebo přímo řešit Schrödingerova rovnice s variační metoda.[10]
Aplikace strojového učení na fyziku
Hlučná data
Schopnost experimentálně řídit a připravovat stále složitější kvantové systémy s sebou přináší rostoucí potřebu přeměnit velké a hlučné datové soubory na smysluplné informace. Toto je problém, který již byl rozsáhle studován v klasickém prostředí, a následně lze mnoho existujících technik strojového učení přirozeně přizpůsobit tak, aby účinněji řešily experimentálně relevantní problémy. Například, Bayesian metody a koncepty algoritmické učení lze plodně aplikovat na řešení kvantové klasifikace stavů,[11] Hamiltonovské učení,[12] a charakterizace neznámého unitární transformace.[13][14] Další problémy, které byly tímto přístupem vyřešeny, jsou uvedeny v následujícím seznamu:
- Identifikace přesného modelu dynamiky kvantového systému prostřednictvím rekonstrukce Hamiltonian;[15][16][17]
- Extrahování informací o neznámých stavech;[18][19][20][11][21][1]
- Učení neznámých unitárních transformací a měření;[13][14]
- Inženýrství kvantových bran z qubitových sítí s párovými interakcemi, využívající časově závislé[22] nebo nezávislé[23] Hamiltonians.
- Zlepšení přesnosti extrakce fyzikálních pozorovatelností z absorpčních obrazů ultrachladných atomů (degenerovaný plyn Fermi) generováním ideálního referenčního rámce.[24]
Vypočítaná data bez šumu
Kvantové strojové učení lze také použít k dramatickému urychlení predikce kvantových vlastností molekul a materiálů.[25] To může být užitečné pro výpočetní návrh nových molekul nebo materiálů. Některé příklady zahrnují
- Interpolace interatomových potenciálů;[26]
- Odvození molekulárních atomizačních energií prostor chemických sloučenin;[27]
- Přesné povrchy potenciální energie s omezenými Boltzmannovými stroji;[28]
- Automatické generování nových kvantových experimentů;[5][6]
- Řešení mnohočlenné, statické a časově závislé Schrödingerovy rovnice;[10]
- Identifikace fázových přechodů ze spletených spekter;[29]
- Generování schémat adaptivní zpětné vazby pro kvantová metrologie a kvantová tomografie.[30][31]
Variační obvody
Variační obvody jsou skupinou algoritmů, které využívají trénink založený na parametrech obvodu a objektivní funkci.[32] Variační obvody se obecně skládají z klasického zařízení komunikujícího vstupní parametry (náhodné nebo předem vycvičené parametry) do kvantového zařízení spolu s klasickým Matematická optimalizace funkce. Tyto obvody jsou velmi silně závislé na architektuře navrhovaného kvantového zařízení, protože úpravy parametrů se upravují pouze na základě klasických komponent v zařízení.[33] Ačkoli je aplikace v oblasti kvantového strojového učení značně infantilní, má neuvěřitelně vysoký příslib efektivnějšího generování efektivních optimalizačních funkcí.
Podepsat problém
Techniky strojového učení lze použít k nalezení lepšího množství integrace pro integrály cesty, aby se předešlo problému se znaménkem.[34]
Viz také
- Kvantové výpočty
- Kvantové strojové učení
- Kvantový algoritmus pro lineární systémy rovnic
- Kvantové žíhání
- Kvantová neurální síť
Reference
- ^ A b Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (květen 2018). "Neuronová síť kvantová stavová tomografie". Fyzika přírody. 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. (06.07.2012). "Robustní online Hamiltonovské učení". New Journal of Physics. 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh ... 14j3013G. doi:10.1088/1367-2630/14/10/103013.
- ^ Broecker, Peter; Assaad, Fakher F .; Trebst, Simon (03.07.2017). "Rozpoznávání kvantové fáze prostřednictvím strojového učení bez dozoru". arXiv:1707.00663 [kond. mat. str-el ].
- ^ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identifikace kvantových fázových přechodů pomocí Adversarial Neural Networks". Fyzický přehled B. 97 (13): 134109. arXiv:1710.08382. Bibcode:2018PhRvB..97m4109H. doi:10.1103 / PhysRevB.97.134109. ISSN 2469-9950.
- ^ A b Krenn, Mario (01.01.2016). "Automatizované hledání nových kvantových experimentů". Dopisy o fyzické kontrole. 116 (9): 090405. arXiv:1509.02749. Bibcode:2016PhRvL.116i0405K. doi:10.1103 / PhysRevLett.116.090405. PMID 26991161.
- ^ A b Knott, Paul (2016-03-22). "Vyhledávací algoritmus pro kvantové stavové inženýrství a metrologii". New Journal of Physics. 18 (7): 073033. arXiv:1511.05327. Bibcode:2016NJPh ... 18g3033K. doi:10.1088/1367-2630/18/7/073033.
- ^ Dunjko, Vedran; Briegel, Hans J. (2018-06-19). „Strojové učení a umělá inteligence v kvantové doméně: přehled nedávného pokroku“. Zprávy o pokroku ve fyzice. 81 (7): 074001. Bibcode:2018RPPh ... 81g4001D. doi:10.1088 / 1361-6633 / aab406. hdl:1887/71084. ISSN 0034-4885. PMID 29504942.
- ^ Melnikov, Alexey A .; Nautrup, Hendrik Poulsen; Krenn, Mario; Dunjko, Vedran; Tiersch, Markus; Zeilinger, Anton; Briegel, Hans J. (1221). „Aktivní učící stroj se učí vytvářet nové kvantové experimenty“. Sborník Národní akademie věd. 115 (6): 1221–1226. arXiv:1706.00868. doi:10.1073 / pnas.1714936115. ISSN 0027-8424. PMC 5819408. PMID 29348200.
- ^ Behler, Jörg; Parrinello, Michele (02.04.2007). „Zobecněná reprezentace neuronových sítí povrchů vysokodimenzionální potenciální energie“. Dopisy o fyzické kontrole. 98 (14): 146401. Bibcode:2007PhRvL..98n6401B. doi:10.1103 / PhysRevLett.98.146401. PMID 17501293.
- ^ A b Carleo, Giuseppe; Troyer, Matthias (09.02.2017). „Řešení kvantového problému mnoha těl pomocí umělých neuronových sítí“. Věda. 355 (6325): 602–606. arXiv:1606.02318. Bibcode:2017Sci ... 355..602C. doi:10.1126 / science.aag2302. PMID 28183973.
- ^ A b Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). „Kvantové učení bez kvantové paměti“. Vědecké zprávy. 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). „Kvantové Hamiltonovské učení využívající nedokonalé kvantové zdroje“. Fyzický přehled A. 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103 / physreva.89.042314. hdl:10453/118943.
- ^ A b Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). "Optimální kvantové učení unitární transformace". Fyzický přehled A. 81 (3): 032324. arXiv:0903.0543. Bibcode:2010PhRvA..81c2324B. doi:10.1103 / PhysRevA.81.032324.
- ^ A b Jeongho; Junghee Ryu, Bang; Yoo, Seokwon; Pawłowski, Marcin; Lee, Jinhyoung (2014). "Strategie pro návrh kvantových algoritmů za pomoci strojového učení". New Journal of Physics. 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. (03.10.2012). "Robustní online Hamiltonovské učení". New Journal of Physics. 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). „Hamiltonovské učení a certifikace využívající kvantové zdroje“. Dopisy o fyzické kontrole. 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. (2014-04-17). „Kvantové Hamiltonovské učení pomocí nedokonalých kvantových zdrojů“. Fyzický přehled A. 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103 / PhysRevA.89.042314. hdl:10453/118943. ISSN 1050-2947.
- ^ Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). "Kvantová shoda šablon". Fyzický přehled A. 64 (2): 022317. arXiv:quant-ph / 0102020. Bibcode:2001PhRvA..64b2317S. doi:10.1103 / PhysRevA.64.022317.
- ^ Sasaki, Masahide (2002). "Kvantové učení a univerzální stroj kvantové shody". Fyzický přehled A. 66 (2): 022303. arXiv:quant-ph / 0202173. Bibcode:2002PhRvA..66b2303S. doi:10.1103 / PhysRevA.66.022303.
- ^ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (09.07.2015). „Kvantové učení koherentních stavů“. Kvantová technologie EPJ. 2 (1): 17. arXiv:1410.8700. doi:10.1140 / epjqt / s40507-015-0030-4. ISSN 2196-0763.
- ^ Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (02.11.2018). "Učení neznámých čistých kvantových stavů". Fyzický přehled A. 98 (5): 052302. arXiv:1805.06580. Bibcode:2018PhRvA..98e2302L. doi:10.1103 / PhysRevA.98.052302.
- ^ Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (2016-11-16). „Design High-Fidelity Single-Shot Three-Qubit Gates: a Machine Learning Approach“. Byla provedena fyzická kontrola. 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. 7. 2016). „Učení kvantové brány v sítích qubit: brána Toffoli bez řízení závislého na čase“. npj Kvantové informace. 2: 16019. Bibcode:2016npjQI ... 216019B. doi:10.1038 / npjqi.2016.19.
- ^ Ness, Gal; Vainbaum, Anastasiya; Shkedrov, Constantine; Florshaim, Yanay; Sagi, Yoav (06.07.2020). "Jednorázové absorpční zobrazování ultrachladných atomů pomocí hloubkového učení". Byla provedena fyzická kontrola. 14: 014011. arXiv:2003.01643. doi:10.1103 / PhysRevApplied.14.014011.
- ^ von Lilienfeld, O. Anatole (04.04.2018). „Kvantové strojové učení v prostoru chemických sloučenin“. Angewandte Chemie International Edition. 57 (16): 4164–4169. doi:10.1002 / anie.201709686. PMID 29216413.
- ^ Bartok, Albert P .; Payne, Mike C .; Risi, Kondor; Csanyi, Gabor (2010). „Gaussovské aproximační potenciály: přesnost kvantové mechaniky bez elektronů“ (PDF). Dopisy o fyzické kontrole. 104 (13): 136403. arXiv:0910.1019. Bibcode:2010PhRvL.104m6403B. doi:10.1103 / PhysRevLett.104.136403. PMID 20481899.
- ^ Rupp, Matthias; Tkatchenko, Alexandre; Muller, Klaus-Robert; von Lilienfeld, O. Anatole (31.01.2012). „Rychlé a přesné modelování energií molekulární atomizace pomocí strojového učení“. Dopisy o fyzické kontrole. 355 (6325): 602. arXiv:1109.2618. Bibcode:2012PhRvL.108e8301R. doi:10.1103 / PhysRevLett.108.058301. PMID 22400967.
- ^ Xia, Rongxin; Kais, Sabre (10.10.2018). „Kvantové strojové učení pro výpočty elektronických struktur“. Příroda komunikace. 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). Msgstr "Přechody fází učení záměnou". Fyzika přírody. 13 (5): 435. arXiv:1610.02048. Bibcode:2017NatPh..13..435V. doi:10.1038 / nphys4037.
- ^ Hentschel, Alexander (01.01.2010). "Strojové učení pro přesná kvantová měření". Dopisy o fyzické kontrole. 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. 12. 2018). "Adaptivní kvantová stavová tomografie s neurálními sítěmi". arXiv:1812.06693 [kvant. ph ].
- ^ „Variační obvody - dokumentace kvantového strojového učení 0.7.1“. qmlt.readthedocs.io. Citováno 2018-12-06.
- ^ Schuld, Maria (06.06.2018). „Quantum Machine Learning 1.0“. XanaduAI. Citováno 2018-12-07.
- ^ Alexandru, Andrei; Bedaque, Paulo F .; Lamm, Henry; Lawrence, Scott (2017). „Deep Learning Beyond Lefschetz Thimbles“. Fyzický přehled D. 96 (9): 094505. arXiv:1709.01971. Bibcode:2017PhRvD..96i4505A. doi:10.1103 / PhysRevD.96.094505.