✖


Jump to content

Машинное обучение в физике

Эта статья о классическом машинном обучении квантовых систем. Информацию о машинном обучении, улучшенном квантовыми вычислениями, см. в разделе « Обучение квантовых машин» .
Часть серии статей о
Квантовая механика
Уравнение Шрёдингера
Фон
Основы
Эксперименты
Составы
Уравнения
Интерпретации
Расширенные темы
Ученые

Применение классических методов машинного обучения к изучению квантовых систем находится в центре новой области физических исследований. Базовым примером этого является томография квантовых состояний , где квантовое состояние изучается в результате измерений. [1] Другие примеры включают изучение гамильтонианов, [2] [3] изучение квантовых фазовых переходов , [4] [5] и автоматически генерировать новые квантовые эксперименты. [6] [7] [8] [9] Классическое машинное обучение эффективно при обработке больших объемов экспериментальных или расчетных данных с целью характеристики неизвестной квантовой системы, что делает его применение полезным в таких контекстах, как квантовая теория информации , разработка квантовых технологий и проектирование вычислительных материалов. В этом контексте его можно использовать, например, как инструмент для интерполяции заранее рассчитанных межатомных потенциалов. [10] или непосредственное решение уравнения Шрёдингера методом вариационным . [11]

Применение машинного обучения в физике [ править ]

Зашумленные данные [ править ]

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 постановке, и, следовательно, многие существующие методы машинного обучения могут быть естественным образом адаптированы для более эффективного решения экспериментально важных проблем. Например, байесовские методы и концепции алгоритмического обучения могут быть плодотворно применены для классификации квантовых состояний. [12] гамильтоново обучение, [13] и характеристика неизвестного унитарного преобразования . [14] [15] Другие проблемы, которые были решены с помощью этого подхода, приведены в следующем списке:

  • Определение точной модели динамики квантовой системы посредством реконструкции 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 парными взаимодействиями с использованием нестационарных [23] или независимый [24] Гамильтонианы.
  • Повышение точности извлечения физических наблюдаемых из изображений поглощения ультрахолодных атомов (вырожденного ферми-газа) путем создания идеальной системы отсчета. [25]

Рассчитанные и очищенные от помех данные [ править ]

Квантовое машинное обучение также можно применить для значительного ускорения предсказания квантовых свойств молекул и материалов. [26] Это может быть полезно для вычислительного проектирования новых молекул или материалов. Некоторые примеры включают в себя

  • Интерполяционные межатомные потенциалы; [27]
  • Определение энергий молекулярной атомизации во всем пространстве химических соединений ; [28]
  • Точные поверхности потенциальной энергии с помощью ограниченных машин Больцмана; [29]
  • Автоматическая генерация новых квантовых экспериментов; [6] [7]
  • Решение многочастичного, статического и нестационарного уравнения Шрёдингера; [11]
  • Идентификация фазовых переходов по спектрам запутанности; [30]
  • Создание схем адаптивной обратной связи для квантовой метрологии и квантовой томографии . [31] [32]

Вариационные схемы [ править ]

Вариационные схемы — это семейство алгоритмов, которые используют 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 функции математической оптимизации . Эти схемы очень сильно зависят от архитектуры предлагаемого квантового устройства, поскольку настройки параметров регулируются исключительно на основе классических компонентов устройства. [34] Хотя приложение довольно инфантильно в области квантового машинного обучения, оно имеет невероятно большие перспективы для более эффективного создания эффективных функций оптимизации.

Проблема со знаком [ править ]

Методы машинного обучения можно использовать для поиска лучшего многообразия интегрирования для интегралов по путям, чтобы избежать проблемы со знаками. [35]

Гидродинамика [ править ]

Этот раздел представляет собой отрывок из книги «Глубокое обучение § Уравнения в частных производных» . [ редактировать ]
Нейронные сети, основанные на физике, использовались для решения уравнений в частных производных как в прямых, так и в обратных задачах на основе данных. [36] Одним из примеров является реконструкция потока жидкости, определяемая уравнениями Навье-Стокса . Использование нейронных сетей, основанных на физике, не требует часто дорогостоящего создания сетки, CFD . на котором полагаются традиционные методы [37] [38]

открытия предсказания и Физические

См. Также: Лабораторная робототехника.
Иллюстрация того, как ИИ изучает базовую фундаментальную физическую концепцию «неизменяемости». [39]

Сообщалось, что система глубокого обучения изучает интуитивную физику на основе визуальных данных (виртуальной трехмерной среды) на основе неопубликованного подхода, вдохновленного исследованиями зрительного познания у младенцев. [40] [39] Другие исследователи разработали алгоритм машинного обучения, который может обнаруживать наборы основных переменных различных физических систем и предсказывать будущую динамику систем на основе видеозаписей их поведения. [41] [42] В будущем, возможно, их можно будет использовать для автоматизации открытия физических законов сложных систем. [41] Помимо открытий и предсказаний, изучение фундаментальных аспектов физического мира по типу «чистого листа» может иметь и другие применения, такие как улучшение адаптивного и общего искусственного интеллекта . [ необходимы дополнительные ссылки ] В частности, предыдущие модели машинного обучения были «узкоспециализированными и не имели общего понимания мира». [40]

См. также [ править ]

Ссылки [ править ]

  1. ^ Jump up to: Перейти обратно: а б Торлаи, Джакомо; Маццола, Гульельмо; Карраскилья, Хуан; Тройер, Матиас; Мелько, Роджер; Карлео, Джузеппе (май 2018 г.). «Нейросетевая томография квантового состояния». Физика природы . 14 (5): 447–450. arXiv : 1703.05334 . Бибкод : 2018NatPh..14..447T . дои : 10.1038/s41567-018-0048-5 . ISSN   1745-2481 . S2CID   125415859 .
  2. ^ Кори, генеральный директор; Вибе, Натан; Ферри, Кристофер; Гранад, Кристофер Э. (6 июля 2012 г.). «Надежное онлайн-гамильтонова обучение». Новый журнал физики . 14 (10): 103013. arXiv : 1207.1655 . Бибкод : 2012NJPh...14j3013G . дои : 10.1088/1367-2630/14/10/103013 . S2CID   9928389 .
  3. ^ Цао, Чэньфэн; Хоу, Ши-Яо; Цао, Нинпин; Цзэн, Бэй (10 февраля 2020 г.). «Обучение с учителем реконструкции гамильтониана на основе локальных измерений собственных состояний» . Физический журнал: конденсированное вещество . 33 (6): 064002. arXiv : 2007.05962 . дои : 10.1088/1361-648x/abc4cf . ISSN   0953-8984 . ПМИД   33105109 . S2CID   220496757 .
  4. ^ Брокер, Питер; Ассаад, Фахер Ф.; Требст, Саймон (3 июля 2017 г.). «Распознавание квантовой фазы с помощью машинного обучения без учителя». arXiv : 1707.00663 [ cond-mat.str-el ].
  5. ^ Уэмбели, Патрик; Дофин, Александр; Виттек, Питер (2018). «Идентификация квантовых фазовых переходов с помощью состязательных нейронных сетей». Физический обзор B . 97 (13): 134109. arXiv : 1710.08382 . Бибкод : 2018PhRvB..97m4109H . дои : 10.1103/PhysRevB.97.134109 . ISSN   2469-9950 . S2CID   125593239 .
  6. ^ Jump up to: Перейти обратно: а б Кренн, Марио (01 января 2016 г.). «Автоматический поиск новых квантовых экспериментов». Письма о физических отзывах . 116 (9): 090405. arXiv : 1509.02749 . Бибкод : 2016PhRvL.116i0405K . doi : 10.1103/PhysRevLett.116.090405 . ПМИД   26991161 . S2CID   20182586 .
  7. ^ Jump up to: Перейти обратно: а б Нотт, Пол (22 марта 2016 г.). «Алгоритм поиска для квантовой инженерии и метрологии». Новый журнал физики . 18 (7): 073033. arXiv : 1511.05327 . Бибкод : 2016NJPh...18g3033K . дои : 10.1088/1367-2630/18/7/073033 . S2CID   2721958 .
  8. ^ Дунько, Ведран; Бригель, Ханс Дж (19 июня 2018 г.). «Машинное обучение и искусственный интеллект в квантовой области: обзор недавнего прогресса». Отчеты о прогрессе в физике . 81 (7): 074001. arXiv : 1709.02779 . Бибкод : 2018РПФ...81г4001Д . дои : 10.1088/1361-6633/aab406 . hdl : 1887/71084 . ISSN   0034-4885 . ПМИД   29504942 . S2CID   3681629 .
  9. ^ Мельников Алексей А.; Наутруп, Хендрик Поульсен; Кренн, Марио; Дунько, Ведран; Тирш, Маркус; Цайлингер, Антон; Бригель, Ганс Й. (1221). «Машина активного обучения учится проводить новые квантовые эксперименты» . Труды Национальной академии наук . 115 (6): 1221–1226. arXiv : 1706.00868 . дои : 10.1073/pnas.1714936115 . ISSN   0027-8424 . ПМК   5819408 . ПМИД   29348200 .
  10. ^ Белер, Йорг; Парринелло, Микеле (2 апреля 2007 г.). «Обобщенное нейронное представление многомерных поверхностей потенциальной энергии». Письма о физических отзывах . 98 (14): 146401. Бибкод : 2007PhRvL..98n6401B . doi : 10.1103/PhysRevLett.98.146401 . ПМИД   17501293 .
  11. ^ Jump up to: Перейти обратно: а б Карлео, Джузеппе; Тройер, Матиас (09 февраля 2017 г.). «Решение квантовой задачи многих тел с помощью искусственных нейронных сетей». Наука . 355 (6325): 602–606. arXiv : 1606.02318 . Бибкод : 2017Sci...355..602C . дои : 10.1126/science.aag2302 . ПМИД   28183973 . S2CID   206651104 .
  12. ^ Jump up to: Перейти обратно: а б Я чувствую, Гаэль; Кальсамилья, Джон; Муньос-Тапия, Рауль; Баган, Эмилио (2012). «Квантовое обучение без квантовой памяти» . Научные отчеты . 2 : 708. arXiv : 1106.2742 . Бибкод : 2012НатСР...2Э.708С . дои : 10.1038/srep00708 . ПМЦ   3464493 . ПМИД   23050092 .
  13. ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, Дэвид (2014). «Квантовое гамильтоновое обучение с использованием несовершенных квантовых ресурсов». Физический обзор А. 89 (4): 042314. arXiv : 1311.5269 . Бибкод : 2014PhRvA..89d2314W . дои : 10.1103/physreva.89.042314 . hdl : 10453/118943 . S2CID   55126023 .
  14. ^ Jump up to: Перейти обратно: а б Бисио, Алессандро; Чирибелла, Джулио; Д'Ариано, Джакомо Мауро; Факкини, Стефано; Перинотти, Паоло (2010). «Оптимальное квантовое обучение унитарному преобразованию». Физический обзор А. 81 (3): 032324. arXiv : 0903.0543 . Бибкод : 2010PhRvA..81c2324B . дои : 10.1103/PhysRevA.81.032324 . S2CID   119289138 .
  15. ^ Jump up to: Перейти обратно: а б Чонхо; Чонхи Рю, Бан; Ю, Соквон; Павловский, Марцин; Ли, Джинхён (2014). «Стратегия разработки квантовых алгоритмов с помощью машинного обучения». Новый журнал физики . 16 (1): 073017. arXiv : 1304.2169 . Бибкод : 2014NJPh...16a3017K . дои : 10.1088/1367-2630/16/1/013017 . S2CID   54494244 .
  16. ^ Гранад, Кристофер Э.; Ферри, Кристофер; Вибе, Натан; Кори, генеральный директор (3 октября 2012 г.). «Надежное онлайн-гамильтонова обучение». Новый журнал физики . 14 (10): 103013. arXiv : 1207.1655 . Бибкод : 2012NJPh...14j3013G . дои : 10.1088/1367-2630/14/10/103013 . ISSN   1367-2630 . S2CID   9928389 .
  17. ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, генеральный директор (2014). «Гамильтонианское обучение и сертификация с использованием квантовых ресурсов». Письма о физических отзывах . 112 (19): 190501. arXiv : 1309.0876 . Бибкод : 2014PhRvL.112s0501W . doi : 10.1103/PhysRevLett.112.190501 . ISSN   0031-9007 . ПМИД   24877920 . S2CID   39126228 .
  18. ^ Вибе, Натан; Гранад, Кристофер; Ферри, Кристофер; Кори, Дэвид Г. (17 апреля 2014 г.). «Квантовое гамильтонианское обучение с использованием несовершенных квантовых ресурсов». Физический обзор А. 89 (4): 042314. arXiv : 1311.5269 . Бибкод : 2014PhRvA..89d2314W . дои : 10.1103/PhysRevA.89.042314 . hdl : 10453/118943 . ISSN   1050-2947 . S2CID   55126023 .
  19. ^ Сасаки, Мадахиде; Карлини, Альберто; Джожа, Ричард (2001). «Квантовое сопоставление шаблонов». Физический обзор А. 64 (2): 022317. arXiv : quant-ph/0102020 . Бибкод : 2001PhRvA..64b2317S . дои : 10.1103/PhysRevA.64.022317 . S2CID   43413485 .
  20. ^ Сасаки, Масахидэ (2002). «Квантовое обучение и универсальная квантовая машина сопоставления». Физический обзор А. 66 (2): 022303. arXiv : quant-ph/0202173 . Бибкод : 2002PhRvA..66b2303S . дои : 10.1103/PhysRevA.66.022303 . S2CID   119383508 .
  21. ^ Я чувствую, Гаэль; Густа, Мадлен; Теперь Херардо (9 июля 2015 г.). «Квантовое изучение когерентных состояний». Квантовые технологии EPJ . 2 (1): 17. arXiv : 1410,8700 . doi : 10.1140/epjqt/s40507-015-0030-4 . ISSN   2196-0763 . S2CID   6980007 .
  22. ^ Ли, Сан Мин; Ли, Джинхён; Банг, Чонхо (2 ноября 2018 г.). «Изучение неизвестных чистых квантовых состояний». Физический обзор А. 98 (5): 052302. arXiv : 1805.06580 . Бибкод : 2018PhRvA..98e2302L . дои : 10.1103/PhysRevA.98.052302 . S2CID   119095806 .
  23. ^ Захединежад, Эхсан; Гош, Джойдип; Сандерс, Барри К. (16 ноября 2016 г.). «Проектирование высокоточных одноразовых трехкубитных вентилей: подход машинного обучения». Применена физическая проверка . 6 (5): 054005. arXiv : 1511.08862 . Бибкод : 2016PhRvP...6e4005Z . doi : 10.1103/PhysRevApplied.6.054005 . ISSN   2331-7019 . S2CID   7299645 .
  24. ^ Банки, Леонардо; Панкотти, Никола; Бозе, Сугато (19 июля 2016 г.). «Обучение квантовых вентилей в сетях кубитов: вентиль Тоффоли без управления, зависящего от времени» . npj Квантовая информация . 2 : 16019. Бибкод : 2016npjQI...216019B . дои : 10.1038/npjqi.2016.19 . hdl : 11858/00-001M-0000-002C-AA64-F .
  25. ^ Несс, Гал; Вайнбаум, Анастасия; Шкедров Константин; Флоршайм, Янай; Саги, Йоав (06 июля 2020 г.). «Визуализация поглощения ультрахолодных атомов за одну экспозицию с использованием глубокого обучения». Применена физическая проверка . 14 (1): 014011. arXiv : 2003.01643 . Бибкод : 2020PhRvP..14a4011N . doi : 10.1103/PhysRevApplied.14.014011 . S2CID   211817864 .
  26. ^ Лилиенфельд, О. Анатоль (9 апреля 2018 г.). «Квантовое машинное обучение в пространстве химических соединений». Международное издание «Прикладная химия» . 57 (16): 4164–4169. дои : 10.1002/anie.201709686 . ПМИД   29216413 .
  27. ^ Барток, Альберт П.; Пейн, Майк С.; Ризи, Кондор; Чаньи, Габор (2010). «Потенциалы гауссовского приближения: точность квантовой механики без электронов» (PDF) . Письма о физических отзывах . 104 (13): 136403. arXiv : 0910.1019 . Бибкод : 2010PhRvL.104m6403B . doi : 10.1103/PhysRevLett.104.136403 . ПМИД   20481899 . S2CID   15918457 .
  28. ^ Рупп, Матиас; Ткаченко, Александр; Мюллер, Клаус-Роберт ; фон Лилиенфельд, О. Анатоль (31 января 2012 г.). «Быстрое и точное моделирование энергии молекулярного распыления с помощью машинного обучения». Письма о физических отзывах . 355 (6325): 602. arXiv : 1109.2618 . Бибкод : 2012PhRvL.108e8301R . doi : 10.1103/PhysRevLett.108.058301 . ПМИД   22400967 . S2CID   321566 .
  29. ^ Ся, Жунсинь; Кейс, Сэйбер (10 октября 2018 г.). «Квантовое машинное обучение для расчета электронных структур» . Природные коммуникации . 9 (1): 4195. arXiv : 1803.10296 . Бибкод : 2018NatCo...9.4195X . дои : 10.1038/s41467-018-06598-z . ПМК   6180079 . ПМИД   30305624 .
  30. ^ ван Ньювенбург, Эверт; Лю, Е-Хуа; Хубер, Себастьян (2017). «Изучение фазовых переходов путем растерянности». Физика природы . 13 (5): 435. arXiv : 1610.02048 . Бибкод : 2017NatPh..13..435В . дои : 10.1038/nphys4037 . S2CID   119285403 .
  31. ^ Хентшель, Александр (1 января 2010 г.). «Машинное обучение для точных квантовых измерений». Письма о физических отзывах . 104 (6): 063603. arXiv : 0910.0762 . Бибкод : 2010PhRvL.104f3603H . doi : 10.1103/PhysRevLett.104.063603 . ПМИД   20366821 . S2CID   14689659 .
  32. ^ Квек, Ихуэй; Форт, Станислав; Нг, Хуэй Хун (17 декабря 2018 г.). «Адаптивная томография квантового состояния с нейронными сетями». arXiv : 1812.06693 [ квант-ph ].
  33. ^ «Вариационные схемы — документация Quantum Machine Learning Toolbox 0.7.1» . qmlt.readthedocs.io . Проверено 6 декабря 2018 г.
  34. ^ Шульд, Мария (12 июня 2018 г.). «Квантовое машинное обучение 1.0» . КсанадуАИ . Проверено 7 декабря 2018 г.
  35. ^ Александру, Андрей; Бедак, Пауло Ф.; Ламм, Генри; Лоуренс, Скотт (2017). «Глубокое обучение за пределами наперстков Лефшеца». Физический обзор D . 96 (9): 094505. arXiv : 1709.01971 . Бибкод : 2017PhRvD..96i4505A . doi : 10.1103/PhysRevD.96.094505 . S2CID   119074823 .
  36. ^ Раисси, М.; Пердикарис, П.; Карниадакис, GE (01 февраля 2019 г.). «Нейронные сети, основанные на физике: система глубокого обучения для решения прямых и обратных задач, включающих нелинейные уравнения в частных производных» . Журнал вычислительной физики . 378 : 686–707. Бибкод : 2019JCoPh.378..686R . дои : 10.1016/j.jcp.2018.10.045 . ISSN   0021-9991 . ОСТИ   1595805 . S2CID   57379996 .
  37. ^ Мао, Чжипин; Джагтап, Амея Д.; Карниадакис, Джордж Эм (01 марта 2020 г.). «Нейронные сети, основанные на физике, для высокоскоростных потоков» . Компьютерные методы в прикладной механике и технике . 360 : 112789. Бибкод : 2020CMAME.360k2789M . дои : 10.1016/j.cma.2019.112789 . ISSN   0045-7825 . S2CID   212755458 .
  38. ^ Раисси, Мазиар; Яздани, Алиреза; Карниадакис, Джордж Эм (28 февраля 2020 г.). «Скрытая механика жидкости: изучение полей скорости и давления на основе визуализации потока» . Наука . 367 (6481): 1026–1030. Бибкод : 2020Sci...367.1026R . дои : 10.1126/science.aaw4741 . ПМК   7219083 . ПМИД   32001523 .
  39. ^ Jump up to: Перейти обратно: а б Пилото, Луис С.; Вайнштейн, Ари; Батталья, Питер; Ботвиник, Мэтью (11 июля 2022 г.). «Интуитивное обучение физике в модели глубокого обучения, вдохновленной психологией развития» . Природа человеческого поведения . 6 (9): 1257–1267. дои : 10.1038/s41562-022-01394-8 . ISSN   2397-3374 . ПМЦ   9489531 . ПМИД   35817932 .
  40. ^ Jump up to: Перейти обратно: а б «ИИ DeepMind изучает физику, просматривая бессмысленные видео» . Новый учёный . Проверено 21 августа 2022 г.
  41. ^ Jump up to: Перейти обратно: а б Фельдман, Андрей (11 августа 2022 г.). «Физик-искусственник, разгадывающий законы природы» . Новости передовой науки . Проверено 21 августа 2022 г.
  42. ^ Чен, Боюань; Хуанг, Куанг; Рагхупати, Сунанд; Чандратрейя, Ишаан; Ду, Цян; Липсон, Ход (июль 2022 г.). «Автоматическое обнаружение фундаментальных переменных, скрытых в экспериментальных данных». Природа вычислительной науки . 2 (7): 433–442. дои : 10.1038/s43588-022-00281-6 . ISSN   2662-8457 . ПМИД   38177869 . S2CID   251087119 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Machine_learning_in_physics&oldid=1223685891"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: caf2bc769e1853ad5cc18856e8ba102f__1715613180
URL1:https://arc.ask3.ru/arc/aa/ca/2f/caf2bc769e1853ad5cc18856e8ba102f.html
Заголовок, (Title) документа по адресу, URL1:
Machine learning in physics - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)