Μηχανική μάθηση στην φυσική
Η εφαρμογή κλασικών μεθόδων μηχανικής μάθησης στη μελέτη κβαντικών συστημάτων είναι το επίκεντρο μιας αναδυόμενης περιοχής της έρευνας της φυσικής. Ένα βασικό παράδειγμα αυτού είναι η τομογραφία κβαντικής κατάστασης, όπου μια κβαντική κατάσταση μαθαίνεται από τη μέτρηση. [1] Άλλα παραδείγματα περιλαμβάνουν εκμάθηση Hamiltonians, [2] [3] εκμάθηση μεταπτώσεων κβαντικής φάσης, [4] [5] και την αυτόματη δημιουργία νέων κβαντικών πειραμάτων. [6] [7] [8] [9] Η κλασική μηχανική μάθηση είναι αποτελεσματική στην επεξεργασία μεγάλου όγκου πειραματικών ή υπολογισμένων δεδομένων για να χαρακτηρίσει ένα άγνωστο κβαντικό σύστημα, καθιστώντας την εφαρμογή του χρήσιμη σε περιβάλλοντα όπως η θεωρία κβαντικών πληροφοριών, η ανάπτυξη κβαντικών τεχνολογιών και ο σχεδιασμός υπολογιστικών υλικών. Σε αυτό το πλαίσιο, μπορεί να χρησιμοποιηθεί για παράδειγμα ως εργαλείο παρεμβολής προ-υπολογισμένων διατομικών δυναμικών [10] ή απευθείας επίλυσης της εξίσωσης Schrödinger με μια μεταβλητή μέθοδο . [11]
Παραπομπές[Επεξεργασία | επεξεργασία κώδικα]
- ↑ Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). «Neural-network quantum state tomography» (στα αγγλικά). Nature Physics 14 (5): 447–450. doi:. ISSN 1745-2481. Bibcode: 2018NatPh..14..447T.
- ↑ Cory, D. G.; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (2012-07-06). «Robust Online Hamiltonian Learning» (στα αγγλικά). New Journal of Physics 14 (10): 103013. doi:. Bibcode: 2012NJPh...14j3013G.
- ↑ Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (2020-02-10). «Supervised learning in Hamiltonian reconstruction from local measurements on eigenstates» (στα αγγλικά). Journal of Physics: Condensed Matter 33 (6): 064002. doi:. ISSN 0953-8984. PMID 33105109. https://doi.org/10.1088/1361-648X/abc4cf.
- ↑ Broecker, Peter. «Quantum phase recognition via unsupervised machine learning». MISSING LINK..
- ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). «Identifying Quantum Phase Transitions with Adversarial Neural Networks». Physical Review B 97 (13): 134109. doi:. ISSN 2469-9950. Bibcode: 2018PhRvB..97m4109H.
- ↑ Krenn, Mario (2016-01-01). «Automated Search for new Quantum Experiments». Physical Review Letters 116 (9): 090405. doi:. PMID 26991161. Bibcode: 2016PhRvL.116i0405K.
- ↑ Knott, Paul (2016-03-22). «A search algorithm for quantum state engineering and metrology». New Journal of Physics 18 (7): 073033. doi:. Bibcode: 2016NJPh...18g3033K.
- ↑ Dunjko, Vedran; Briegel, Hans J (2018-06-19). «Machine learning & artificial intelligence in the quantum domain: a review of recent progress». Reports on Progress in Physics 81 (7): 074001. doi:. ISSN 0034-4885. PMID 29504942. Bibcode: 2018RPPh...81g4001D.
- ↑ 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» (στα αγγλικά). Proceedings of the National Academy of Sciences 115 (6): 1221–1226. doi:. ISSN 0027-8424. PMID 29348200.
- ↑ Behler, Jörg; Parrinello, Michele (2007-04-02). «Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces». Physical Review Letters 98 (14): 146401. doi:. PMID 17501293. Bibcode: 2007PhRvL..98n6401B.
- ↑ Carleo, Giuseppe; Troyer, Matthias (2017-02-09). «Solving the quantum many-body problem with artificial neural networks». Science 355 (6325): 602–606. doi:. PMID 28183973. Bibcode: 2017Sci...355..602C.