Вікіпедія

Машинне навчання у фізиці

Ця стаття про класичне машинне навчання квантових систем. Про машинне навчання, посилене квантовими обчисленнями див. Квантове машинне навчання.

Машинне навчання у фізиці — застосування класичних методів машинного навчання для вивчення квантових систем. Є основою нової галузі досліджень фізики. Основним прикладом цього є квантова томографія[en], де квантовий стан стає відомим за допомогою вимірювання[1]. Інші приклади включають вивчення гамільтоніанів[2][3], вивчення квантових фазових переходів[4][5] і автоматичне створення нових квантових експериментів[6][7][8][9]. Класичне машинне навчання є ефективним при обробці великих обсягів експериментальних або розрахункових даних з метою схарактеризувати невідому квантову систему, що робить його застосування корисним у таких контекстах, як квантова теорія інформації, розробка квантових технологій і дизайн обчислювальних матеріалів. У цьому контексті його можна використовувати, наприклад, як інструмент для інтерполяції попередньо розрахованих міжатомних потенціалів[10] або безпосереднього вирішення рівняння Шредінгера за допомогою варіаційного методу[11].

Застосування машинного навчання до фізики

ред.

Зашумлені дані

ред.

Здатність експериментально контролювати та готувати дедалі складніші квантові системи тягне за собою зростаючу потребу перетворювати великі та зашумлені набори даних у значущу інформацію. Це проблема вже була широко вивчена в класичних умовах і тому багато існуючих методів машинного навчання можуть бути природним чином адаптовані для більш ефективного вирішення експериментально значущих проблем. Наприклад, байєсівські методи та концепції алгоритмічного навчання[en] можуть бути продуктивно застосовані для вирішення квантової класифікації станів[12], Гамільтонівського навчання[13] та характеристики невідомого унітарного перетворення[14][15]. Інші проблеми, які було вирішено за допомогою цього підходу, наведено в наступному списку:

  • Ідентифікація точної моделі динаміки квантової системи за допомогою реконструкції гамільтоніана[16][17][18];
  • Витяг інформації про невідомі стани[19][20][21][12][22][1];
  • Вивчення невідомих одиничних перетворень і вимірювань[14][15];
  • Розробка квантових воріт із мереж кубітів з попарними взаємодіями, використовуючи залежні[23] або незалежні[24] від часу Гамільтоніани.
  • Підвищення точності вилучення фізичних спостережуваних із зображень поглинання ультрахолодних атомів (виродженого газу Фермі) шляхом створення ідеальної системи відліку[25].

Розраховані дані та дані без шуму

ред.

Квантове машинне навчання також може бути застосоване для значного прискорення передбачення квантових властивостей молекул і матеріалів[26]. Це може бути корисним для обчислювального дизайну нових молекул або матеріалів. Деякі приклади включають

  • Інтерполяцію міжатомних потенціалів[27];
  • Визначення енергій молекулярної атомізації в просторі хімічних сполук[en][28];
  • Точні поверхні потенційної енергії з обмеженими машинами Больцмана[29];
  • Автоматичну генерацію нових квантових експериментів[6][7];
  • Розв'язування статичного та залежного від часу рівняння Шредінгера багатьох тіл[11];
  • Ідентифікацію фазових переходів за спектрами заплутаності[30];
  • Створення адаптивних схем зворотного зв'язку для квантової метрології та квантової томографії[en][31][32].

Варіаційні схеми

ред.

Варіаційні схеми — це сімейство алгоритмів, які використовують навчання на основі параметрів схеми та цільової функції[33]. Варіаційні схеми, як правило, складаються з класичного пристрою, який передає вхідні параметри (випадкові чи попередньо навчені параметри) у квантовий пристрій разом із класичною функцією математичної оптимізації. Ці схеми дуже сильно залежать від архітектури запропонованого квантового пристрою, оскільки коригування параметрів регулюється виключно на основі класичних компонентів у пристрої[34]. Хоча застосування є досить незрілим у сфері квантового машинного навчання, у варіаційних схем є досить непогані перспективи для більш ефективної генерації ефективних функцій оптимізації.

Проблема зі знаком

ред.

Методи машинного навчання можна використовувати, щоб знайти кращий різновид інтеграції для інтегралів шляхів, щоб уникнути проблеми зі знаком[35].

Гідродинаміка

ред.

Нейронні мережі, побудовані на основі фізичної інформації, використовувалися для вирішення диференціальних рівнянь із частинними похідними як у прямих, так і в обернених задачах на основі даних[36]. Одним із прикладів є реконструкція потоку рідини, керована рівняннями Нав'є-Стокса. Використання нейронних мереж, побудованих на основі фізичної інформації, не потребує зазвичай затратної генерації сітки, на яку спираються звичайні методи обчислювальної гідродинаміки[37][38].

Фізичні відкриття та передбачення

ред.
Див. також: Лабораторна робототехніка[en]
 
Ілюстрація того, як ШІ вивчає базову фундаментальну фізичну концепцію «незмінності»[39]

Повідомлялося, що система глибокого навчання вивчає інтуїтивну фізику з візуальних даних (віртуального 3D-середовища) на основі неопублікованого підходу, натхненного дослідженнями візуального пізнання у немовлят[40][39]. Інші дослідники розробили алгоритм машинного навчання, який може виявити набори основних змінних різних фізичних систем і передбачити майбутню динаміку систем на основі відеозаписів їх поведінки[41][42]. У майбутньому це може бути використано для автоматизації відкриття фізичних законів складних систем[41]. Окрім відкриттів і передбачень, тип вивчення фундаментальних аспектів фізичного світу за принципом «чистого аркуша» може мати й інші застосування, такі як покращення адаптивного та загального штучного інтелекту[джерело?]. Зокрема, попередні моделі машинного навчання були «вузькоспеціалізованими та не мали загального розуміння світу»[40].

Див. також

ред.

Примітки

ред.
  1. ↑ а б Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). Neural-network quantum state tomography. Nature Physics (англ.). 14 (5): 447—450. arXiv:1703.05334. Bibcode:2018NatPh..14..447T. doi:10.1038/s41567-018-0048-5. ISSN 1745-2481.
  2. ↑ Cory, D. G.; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (6 липня 2012). Robust Online Hamiltonian Learning. New Journal of Physics (англ.). 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh...14j3013G. doi:10.1088/1367-2630/14/10/103013.
  3. ↑ Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (10 лютого 2020). Supervised learning in Hamiltonian reconstruction from local measurements on eigenstates. Journal of Physics: Condensed Matter (англ.). 33 (6): 064002. arXiv:2007.05962. doi:10.1088/1361-648x/abc4cf. ISSN 0953-8984. PMID 33105109.
  4. ↑ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (3 липня 2017). Quantum phase recognition via unsupervised machine learning (англ.). arXiv:1707.00663 [cond-mat.str-el].
  5. ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). Identifying Quantum Phase Transitions with Adversarial Neural Networks. Physical Review B (англ.). 97 (13): 134109. arXiv:1710.08382. Bibcode:2018PhRvB..97m4109H. doi:10.1103/PhysRevB.97.134109. ISSN 2469-9950.
  6. ↑ а б Krenn, Mario (1 січня 2016). Automated Search for new Quantum Experiments. Physical Review Letters (англ.). 116 (9): 090405. arXiv:1509.02749. Bibcode:2016PhRvL.116i0405K. doi:10.1103/PhysRevLett.116.090405. PMID 26991161.
  7. ↑ а б Knott, Paul (22 березня 2016). A search algorithm for quantum state engineering and metrology. New Journal of Physics (англ.). 18 (7): 073033. arXiv:1511.05327. Bibcode:2016NJPh...18g3033K. doi:10.1088/1367-2630/18/7/073033.
  8. ↑ Dunjko, Vedran; Briegel, Hans J (19 червня 2018). Machine learning & artificial intelligence in the quantum domain: a review of recent progress. Reports on Progress in Physics (англ.). 81 (7): 074001. arXiv:1709.02779. Bibcode:2018RPPh...81g4001D. doi:10.1088/1361-6633/aab406. ISSN 0034-4885. PMID 29504942. {{cite journal}}: |hdl-access= вимагає |hdl= (довідка)
  9. ↑ 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. Proceedings of the National Academy of Sciences (англ.). 115 (6): 1221—1226. arXiv:1706.00868. doi:10.1073/pnas.1714936115. ISSN 0027-8424. PMC 5819408. PMID 29348200.
  10. ↑ Behler, Jörg; Parrinello, Michele (2 квітня 2007). Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces. Physical Review Letters (англ.). 98 (14): 146401. Bibcode:2007PhRvL..98n6401B. doi:10.1103/PhysRevLett.98.146401. PMID 17501293.
  11. ↑ а б Carleo, Giuseppe; Troyer, Matthias (9 лютого 2017). Solving the quantum many-body problem with artificial neural networks. Science (англ.). 355 (6325): 602—606. arXiv:1606.02318. Bibcode:2017Sci...355..602C. doi:10.1126/science.aag2302. PMID 28183973.
  12. ↑ а б Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). Quantum learning without quantum memory. Scientific Reports (англ.). 2: 708. arXiv:1106.2742. Bibcode:2012NatSR...2E.708S. doi:10.1038/srep00708. PMC 3464493. PMID 23050092.
  13. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). Quantum Hamiltonian learning using imperfect quantum resources. Physical Review A (англ.). 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103/physreva.89.042314.
  14. ↑ а б Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). Optimal quantum learning of a unitary transformation. Physical Review A (англ.). 81 (3): 032324. arXiv:0903.0543. Bibcode:2010PhRvA..81c2324B. doi:10.1103/PhysRevA.81.032324.
  15. ↑ а б 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 (англ.). 16 (1): 073017. arXiv:1304.2169. Bibcode:2014NJPh...16a3017K. doi:10.1088/1367-2630/16/1/013017.
  16. ↑ Granade, Christopher E.; Ferrie, Christopher; Wiebe, Nathan; Cory, D. G. (3 жовтня 2012). Robust Online Hamiltonian Learning. New Journal of Physics (англ.). 14 (10): 103013. arXiv:1207.1655. Bibcode:2012NJPh...14j3013G. doi:10.1088/1367-2630/14/10/103013. ISSN 1367-2630.
  17. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, D. G. (2014). Hamiltonian Learning and Certification Using Quantum Resources. Physical Review Letters (англ.). 112 (19): 190501. arXiv:1309.0876. Bibcode:2014PhRvL.112s0501W. doi:10.1103/PhysRevLett.112.190501. ISSN 0031-9007. PMID 24877920.
  18. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (17 квітня 2014). Quantum Hamiltonian Learning Using Imperfect Quantum Resources. Physical Review A (англ.). 89 (4): 042314. arXiv:1311.5269. Bibcode:2014PhRvA..89d2314W. doi:10.1103/PhysRevA.89.042314. ISSN 1050-2947.
  19. ↑ Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). Quantum Template Matching. Physical Review A (англ.). 64 (2): 022317. arXiv:quant-ph/0102020. Bibcode:2001PhRvA..64b2317S. doi:10.1103/PhysRevA.64.022317.
  20. ↑ Sasaki, Masahide (2002). Quantum learning and universal quantum matching machine. Physical Review A (англ.). 66 (2): 022303. arXiv:quant-ph/0202173. Bibcode:2002PhRvA..66b2303S. doi:10.1103/PhysRevA.66.022303.
  21. ↑ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (9 липня 2015). Quantum learning of coherent states. EPJ Quantum Technology (англ.). 2 (1): 17. arXiv:1410.8700. doi:10.1140/epjqt/s40507-015-0030-4. ISSN 2196-0763.
  22. ↑ Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2 листопада 2018). Learning unknown pure quantum states. Physical Review A (англ.). 98 (5): 052302. arXiv:1805.06580. Bibcode:2018PhRvA..98e2302L. doi:10.1103/PhysRevA.98.052302.
  23. ↑ Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (16 листопада 2016). Designing High-Fidelity Single-Shot Three-Qubit Gates: A Machine Learning Approach. Physical Review Applied (англ.). 6 (5): 054005. arXiv:1511.08862. Bibcode:2016PhRvP...6e4005Z. doi:10.1103/PhysRevApplied.6.054005. ISSN 2331-7019.
  24. ↑ Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (19 липня 2016). Quantum gate learning in qubit networks: Toffoli gate without time-dependent control. npj Quantum Information (англ.). 2: 16019. Bibcode:2016npjQI...216019B. doi:10.1038/npjqi.2016.19.
  25. ↑ Ness, Gal; Vainbaum, Anastasiya; Shkedrov, Constantine; Florshaim, Yanay; Sagi, Yoav (6 липня 2020). Single-exposure absorption imaging of ultracold atoms using deep learning. Physical Review Applied (англ.). 14 (1): 014011. arXiv:2003.01643. Bibcode:2020PhRvP..14a4011N. doi:10.1103/PhysRevApplied.14.014011.
  26. ↑ von Lilienfeld, O. Anatole (9 квітня 2018). Quantum Machine Learning in Chemical Compound Space. Angewandte Chemie International Edition (англ.). 57 (16): 4164—4169. doi:10.1002/anie.201709686. PMID 29216413.
  27. ↑ Bartok, Albert P.; Payne, Mike C.; Risi, Kondor; Csanyi, Gabor (2010). Gaussian approximation potentials: The accuracy of quantum mechanics, without the electrons (PDF). Physical Review Letters (англ.). 104 (13): 136403. arXiv:0910.1019. Bibcode:2010PhRvL.104m6403B. doi:10.1103/PhysRevLett.104.136403. PMID 20481899.
  28. ↑ Rupp, Matthias; Tkatchenko, Alexandre; Müller, Klaus-Robert; von Lilienfeld, O. Anatole (31 січня 2012). Fast and Accurate Modeling of Molecular Atomization Energies With Machine Learning. Physical Review Letters (англ.). 355 (6325): 602. arXiv:1109.2618. Bibcode:2012PhRvL.108e8301R. doi:10.1103/PhysRevLett.108.058301. PMID 22400967.
  29. ↑ Xia, Rongxin; Kais, Sabre (10 жовтня 2018). Quantum machine learning for electronic structure calculations. Nature Communications (англ.). 9 (1): 4195. arXiv:1803.10296. Bibcode:2018NatCo...9.4195X. doi:10.1038/s41467-018-06598-z. PMC 6180079. PMID 30305624.
  30. ↑ van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastian (2017). Learning phase transitions by confusion. Nature Physics (англ.). 13 (5): 435. arXiv:1610.02048. Bibcode:2017NatPh..13..435V. doi:10.1038/nphys4037.
  31. ↑ Hentschel, Alexander (1 січня 2010). Machine Learning for Precise Quantum Measurement. Physical Review Letters (англ.). 104 (6): 063603. arXiv:0910.0762. Bibcode:2010PhRvL.104f3603H. doi:10.1103/PhysRevLett.104.063603. PMID 20366821.
  32. ↑ Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (17 грудня 2018). Adaptive Quantum State Tomography with Neural Networks (англ.) . arXiv:1812.06693.
  33. ↑ Variational Circuits — Quantum Machine Learning Toolbox 0.7.1 documentation. qmlt.readthedocs.io (англ.). Архів оригіналу за 6 грудня 2018. Процитовано 6 грудня 2018.
  34. ↑ Schuld, Maria (12 червня 2018). Quantum Machine Learning 1.0. XanaduAI (англ.). Процитовано 7 грудня 2018.
  35. ↑ Alexandru, Andrei; Bedaque, Paulo F.; Lamm, Henry; Lawrence, Scott (2017). Deep Learning Beyond Lefschetz Thimbles. Physical Review D (англ.). 96 (9): 094505. arXiv:1709.01971. Bibcode:2017PhRvD..96i4505A. doi:10.1103/PhysRevD.96.094505.
  36. ↑ Raissi, M.; Perdikaris, P.; Karniadakis, G. E. (1 лютого 2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics (англ.). Т. 378. с. 686—707. doi:10.1016/j.jcp.2018.10.045. ISSN 0021-9991. Процитовано 17 червня 2023.
  37. ↑ Mao, Zhiping; Jagtap, Ameya D.; Karniadakis, George Em (1 березня 2020). Physics-informed neural networks for high-speed flows. Computer Methods in Applied Mechanics and Engineering (англ.). 360: 112789. Bibcode:2020CMAME.360k2789M. doi:10.1016/j.cma.2019.112789. ISSN 0045-7825. S2CID 212755458.
  38. ↑ Raissi, Maziar; Yazdani, Alireza; Karniadakis, George Em (28 лютого 2020). Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations. Science (англ.). 367 (6481): 1026—1030. Bibcode:2020Sci...367.1026R. doi:10.1126/science.aaw4741. PMC 7219083. PMID 32001523.
  39. ↑ а б Piloto, Luis S.; Weinstein, Ari; Battaglia, Peter; Botvinick, Matthew (11 липня 2022). Intuitive physics learning in a deep-learning model inspired by developmental psychology. Nature Human Behaviour (англ.). 6 (9): 1257—1267. doi:10.1038/s41562-022-01394-8. ISSN 2397-3374. PMC 9489531. PMID 35817932.
  40. ↑ а б DeepMind AI learns physics by watching videos that don't make sense. New Scientist (англ.). Процитовано 21 серпня 2022.
  41. ↑ а б Feldman, Andrey (11 серпня 2022). Artificial physicist to unravel the laws of nature. Advanced Science News (англ.). Процитовано 21 серпня 2022.
  42. ↑ Chen, Boyuan; Huang, Kuang; Raghupathi, Sunand; Chandratreya, Ishaan; Du, Qiang; Lipson, Hod (July 2022). Automated discovery of fundamental variables hidden in experimental data. Nature Computational Science (англ.). 2 (7): 433—442. doi:10.1038/s43588-022-00281-6. ISSN 2662-8457.
Отримано з https://uk.wikipedia.org/w/index.php?title=Машинне_навчання_у_фізиці&oldid=42792399