ویکی‌پدیا

یادگیری ماشین در فیزیک

این مقاله درمورد یادگیری ماشینی کلاسیک سیستم‌های کوانتومی است. برای یادگیری ماشینی که توسط محاسبات کوانتومی تقویت شده‌است به لینک (یادگیری ماشین کوانتومی) مراجعه کنید. به کار بردن راه و روش‌های کلاسیک یادگیری ماشینی برای مطالعهٔ سیستم‌های کوانتومی مرکز توجه یک بخش تازه تأسیس از تحقیقات یا پژوهش‌های فیزیک است.

یک مثال ابتدایی و ساده، تصویر برداری حالت کوانتومی است. جایی که یک حالت کوانتومی از اندازه‌گیری حاصل می‌شود.[۱] مثال‌های دیگر شامل یادگیری هامیلتونی،[۲][۳] یادگیری انتقال فاز کوانتومی[۴][۵] و تولید خودکار آزمایش‌های کوانتومی جدید است.[۶][۷][۸][۹] یادگیری ماشینی کلاسیک در پردازش مقادیر زیادی از داده‌های آزمایشی یا محاسبه شده به منظور توصیف کردن یک سیستم کوانتومی ناشناخته اثربخش است. و همچنین کاربرد آن را در زمینه‌هایی از جمله:نظریه اطلاعات کوانتومی، توسعه فناوری‌های کوانتومی و طراحی مواد محاسباتی مفید می‌کند. برای مثال در این زمینه می‌تواند به عنوان ابزاری برای درون یابی پتانسیل‌های بین اتمی از قبل محاسبه شده[۱۰] یا حل مستقیم معادله شرودینگر با روش تغییرات استفاده شود.[۱۱]

اطلاعات شلوغ ویرایش

توانایی برای کنترل تجربی و آماده‌سازی پیش از پیش سیستم‌های کوانتومی پیچیده، باعث نیاز روزافزون برای تبدیل مجموعه اطلاعات بزرگ و شلوغ به اطلاعات معنا دار می‌شود. این مشکلی است که از قبل به‌طور گسترده در زمینه کلاسیک مورد مطالعه قرار گرفته‌است و در نتیجه بسیاری از تکنیک‌های یادگیری ماشینی موجود می‌توانند به‌طور طبیعی برای رسیدگی کارآتر به مشکلات تجربی مرتبط مناسب باشند. برای مثال روش‌های بیزی و مفاهیم یادگیری الگوریتمی می‌توانند برای مقابله با طبقه‌بندی حالت کوانتومی،[۱۲] یادگیری هامیلتونی[۱۳] و توصیف تبدیل واحد ناشناخته به‌طور مفید به کار برده شوند.[۱۴][۱۵]

مشکلات دیگری که با این روش حل شده‌اند در لیست زیر آورده شده‌است.

  • شناسایی یک مدل صحیح برای دینامیک یک سیستم کوانتومی از طریق بازسازی هامیلتونی.[۱۶][۱۷][۱۸]
  • استخراج اطلاعات درمورد حالت‌های ناشناخته.[۱۹][۲۰][۲۱][۲۲][۲۳][۲۴]
  • یادگیری تبدیلات و اندازه‌گیری واحدهای ناشناخته.[۲۵][۲۶]
  • مهندسی گیت‌های کوانتومی از شبکه‌های کیوبیت با برهم کنش دوگانه با استفاده از هامیلتونی‌های وابسته به زمان[۲۷] یا مستقل از زمان.[۲۸]

اطلاعات محاسبه شده و بدون خش یا پارازیت ویرایش

همچنین یادگیری ماشین کوانتومی می‌تواند برای افزایش چشمگیر پیش‌بینی ویژگی‌های کوانتومی مولکول‌ها و مواد[۲۹] به کار برده شود. این می‌تواند برای طراحی محاسباتی مولکول‌ها یا مواد جدید کمک کننده و مفید باشد. برخی از مثال‌ها عبارتند از:

  • درون یابی پتانسیل‌های بین اتمی.[۳۰]
  • استنتاج انرژی‌های ریزسازی مولکولی در سراسر فضای ترکیب شیمیایی.[۳۱]
  • سطوح انرژی پتانسیل دقیق با ماشین‌های بولتزمن محدود شده.[۳۲]
  • تولید خودکار آزمایش‌های کوانتومی جدید.[۳۳][۳۴]
  • حل معادله شرودینگر چند جسم ساکن و وابسته به زمان.[۳۵]
  • تشخیص تغییر فاز از طیف درهم تنیدگی.[۳۶]
  • ایجاد روش‌های بازخورد سازگار برای مترولوژی کوانتومی و توموگرافی (تصویربرداری) کوانتومی.[۳۷][۳۸]

منابع ویرایش

  1. ↑ Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). "Neural-network quantum state tomography". Nature Physics.
  2. ↑ Cory, D. G. ; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (2012-07-06). "Robust Online Hamiltonian Learning". New Journal of Physics.
  3. ↑ Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (2020-02-10)
  4. ↑ Broecker, Peter; Assaad, Fakher F. ; Trebst, Simon (2017-07-03). "Quantum phase recognition via unsupervised machine learning"
  5. ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identifying Quantum Phase Transitions with Adversarial Neural Networks". Physical Review B.
  6. ↑ Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405
  7. ↑ Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18
  8. ↑ Dunjko, Vedran; Briegel, Hans J (2018-06-19). "Machine learning & artificial intelligence in the quantum domain: a review of recent progress"
  9. ↑ Melnikov, Alexey A. ; Nautrup, Hendrik Poulsen; Krenn, Mario; Dunjko, Vedran; Tiersch, Markus; Zeilinger, Anton; Briegel, Hans J. (1221).
  10. ↑ Behler, Jörg; Parrinello, Michele (2007-04-02). "Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces". Physical Review Letters. 98
  11. ↑ Carleo, Giuseppe; Troyer, Matthias (2017-02-09). "Solving the quantum many-body problem with artificial neural networks"
  12. ↑ Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012)
  13. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). "Quantum Hamiltonian learning using imperfect quantum resources". Physical Review A. 89 (4): 042314.
  14. ↑ Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). "Optimal quantum learning of a unitary transformation". Physical Review A. 81 (3): 032324
  15. ↑ Jeongho; Junghee Ryu, Bang; Yoo, Seokwon; Pawłowski, Marcin; Lee, Jinhyoung (2014). "A strategy for quantum algorithm design assisted by machine learning". New Journal of Physics. 16 (1): 073017
  16. ↑ Granade, Christopher E. ; Ferrie, Christopher; Wiebe, Nathan; Cory, D. G. (2012-10-03). "Robust Online Hamiltonian Learning". New Journal of Physics. 14 (10): 103013.
  17. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, D. G. (2014). "Hamiltonian Learning and Certification Using Quantum Resources". Physical Review Letters. 112 (19): 190501
  18. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (2014-04-17). "Quantum Hamiltonian Learning Using Imperfect Quantum Resources". Physical Review A. 89 (4): 042314
  19. ↑ Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). "Quantum Template Matching". Physical Review A. 64 (2): 02231
  20. ↑ Sasaki, Masahide (2002). "Quantum learning and universal quantum matching machine". Physical Review A. 66 (2): 022303
  21. ↑ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (2015-07-09). "Quantum learning of coherent states". EPJ Quantum Technology. 2 (1): 17
  22. ↑ Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). "Quantum learning without quantum memory". Scientific Reports. 2: 708.
  23. ↑ Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2018-11-02). "Learning unknown pure quantum states". Physical Review A. 98 (5): 052302.
  24. ↑ Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). "Neural-network quantum state tomography". Nature Physics. 14 (5): 447–450.
  25. ↑ Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). "Optimal quantum learning of a unitary transformation". Physical Review A. 81 (3): 032324.
  26. ↑ Jeongho; Junghee Ryu, Bang; Yoo, Seokwon; Pawłowski, Marcin; Lee, Jinhyoung (2014). "A strategy for quantum algorithm design assisted by machine learning". New Journal of Physics. 16 (1): 073017
  27. ↑ Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (2016-11-16). "Designing High-Fidelity Single-Shot Three-Qubit Gates: A Machine Learning Approach". Physical Review Applied. 6 (5): 054005
  28. ↑ Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (2016-07-19).
  29. ↑ von Lilienfeld, O. Anatole (2018-04-09). "Quantum Machine Learning in Chemical Compound Space". Angewandte Chemie International Edition. 57 (16): 4164–4169
  30. ↑ Bartok, Albert P. ; Payne, Mike C. ; Risi, Kondor; Csanyi, Gabor (2010)
  31. ↑ Rupp, Matthias; Tkatchenko, Alexandre; Müller, Klaus-Robert; von Lilienfeld, O. Anatole (2012-01-31). "Fast and Accurate Modeling of Molecular Atomization Energies With Machine Learning". Physical Review Letters. 355 (6325): 602
  32. ↑ Xia, Rongxin; Kais, Sabre (2018-10-10)
  33. ↑ Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405.
  34. ↑ Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18 (7): 073033.
  35. ↑ Carleo, Giuseppe; Troyer, Matthias (2017-02-09). "Solving the quantum many-body problem with artificial neural networks". Science. 355 (6325): 602–606
  36. ↑ van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastian (2017). "Learning phase transitions by confusion". Nature Physics. 13 (5): 435.
  37. ↑ Hentschel, Alexander (2010-01-01). "Machine Learning for Precise Quantum Measurement". Physical Review Letters. 104 (6): 063603
  38. ↑ Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (2018-12-17). "Adaptive Quantum State Tomography with Neural Networks"
برگرفته از «https://fa.wikipedia.org/w/index.php?title=یادگیری_ماشین_در_فیزیک&oldid=38293309»