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.
| این مقاله نیازمند بررسی توسط یک متخصص است. لطفاً پارامتر دلیل یا بحث در این الگو را برای مشخصکردن مشکل مقاله استفاده کنید. (اوت ۲۰۲۲) |
یک مثال ابتدایی و ساده، تصویر برداری حالت کوانتومی است. جایی که یک حالت کوانتومی از اندازهگیری حاصل میشود.[1] مثالهای دیگر شامل یادگیری هامیلتونی،[2][3] یادگیری انتقال فاز کوانتومی[4][5] و تولید خودکار آزمایشهای کوانتومی جدید است.[6][7][8][9] 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[10] یا حل مستقیم معادله شرودینگر با روش تغییرات استفاده شود.[11]
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،[12] یادگیری هامیلتونی[13] و توصیف تبدیل واحد ناشناخته بهطور مفید به کار برده شوند.[14][15]
مشکلات دیگری که با این روش حل شدهاند در لیست زیر آورده شدهاست.
همچنین یادگیری ماشین کوانتومی میتواند برای افزایش چشمگیر پیشبینی ویژگیهای کوانتومی مولکولها و مواد[29] 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.[30]
- استنتاج انرژیهای ریزسازی مولکولی در سراسر فضای ترکیب شیمیایی.[31]
- سطوح انرژی پتانسیل دقیق با ماشینهای بولتزمن محدود شده.[32]
- تولید خودکار آزمایشهای کوانتومی جدید.[33][34]
- حل معادله شرودینگر چند جسم ساکن و وابسته به زمان.[35]
- تشخیص تغییر فاز از طیف درهم تنیدگی.[36]
- ایجاد روشهای بازخورد سازگار برای مترولوژی کوانتومی و توموگرافی (تصویربرداری) کوانتومی.[37][38]
Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (May 2018). "Neural-network quantum state tomography". Nature Physics.
Cory, D. G. ; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (2012-07-06). "Robust Online Hamiltonian Learning". New Journal of Physics.
Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (2020-02-10)
Broecker, Peter; Assaad, Fakher F. ; Trebst, Simon (2017-07-03). "Quantum phase recognition via unsupervised machine learning"
Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identifying Quantum Phase Transitions with Adversarial Neural Networks". Physical Review B.
Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405
Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18
Dunjko, Vedran; Briegel, Hans J (2018-06-19). "Machine learning & artificial intelligence in the quantum domain: a review of recent progress"
Melnikov, Alexey A. ; Nautrup, Hendrik Poulsen; Krenn, Mario; Dunjko, Vedran; Tiersch, Markus; Zeilinger, Anton; Briegel, Hans J. (1221).
Behler, Jörg; Parrinello, Michele (2007-04-02). "Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces". Physical Review Letters. 98
Carleo, Giuseppe; Troyer, Matthias (2017-02-09). "Solving the quantum many-body problem with artificial neural networks"
Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012)
Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). "Quantum Hamiltonian learning using imperfect quantum resources". Physical Review A. 89 (4): 042314.
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
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
Granade, Christopher E. ; Ferrie, Christopher; Wiebe, Nathan; Cory, D. G. (2012-10-03). "Robust Online Hamiltonian Learning". New Journal of Physics. 14 (10): 103013.
Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, D. G. (2014). "Hamiltonian Learning and Certification Using Quantum Resources". Physical Review Letters. 112 (19): 190501
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
Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). "Quantum Template Matching". Physical Review A. 64 (2): 02231
Sasaki, Masahide (2002). "Quantum learning and universal quantum matching machine". Physical Review A. 66 (2): 022303
Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (2015-07-09). "Quantum learning of coherent states". EPJ Quantum Technology. 2 (1): 17
Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). "Quantum learning without quantum memory". Scientific Reports. 2: 708.
Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2018-11-02). "Learning unknown pure quantum states". Physical Review A. 98 (5): 052302.
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.
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.
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
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
Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (2016-07-19).
von Lilienfeld, O. Anatole (2018-04-09). "Quantum Machine Learning in Chemical Compound Space". Angewandte Chemie International Edition. 57 (16): 4164–4169
Bartok, Albert P. ; Payne, Mike C. ; Risi, Kondor; Csanyi, Gabor (2010)
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
Xia, Rongxin; Kais, Sabre (2018-10-10)
Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405.
Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18 (7): 073033.
Carleo, Giuseppe; Troyer, Matthias (2017-02-09). "Solving the quantum many-body problem with artificial neural networks". Science. 355 (6325): 602–606
van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastian (2017). "Learning phase transitions by confusion". Nature Physics. 13 (5): 435.
Hentschel, Alexander (2010-01-01). "Machine Learning for Precise Quantum Measurement". Physical Review Letters. 104 (6): 063603
Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (2018-12-17). "Adaptive Quantum State Tomography with Neural Networks"