La aplicación de métodos clásicos de aprendizaje automático al estudio de sistemas cuánticos (a veces llamado aprendizaje automático cuántico ) es el foco de un área emergente de investigación en física. Un ejemplo básico de esto es la tomografía de estado cuántico , donde se aprende un estado cuántico a partir de la medición. [1] Otros ejemplos incluyen el aprendizaje de los hamiltonianos, [2] [3] el aprendizaje de las transiciones de fase cuántica, [4] [5] y la generación automática de nuevos experimentos cuánticos. [6] [7] [8] [9]El aprendizaje automático clásico es eficaz para procesar grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuántico desconocido, lo que hace que su aplicación sea útil en contextos que incluyen la teoría de la información cuántica, el desarrollo de tecnologías cuánticas y el diseño de materiales computacionales. En este contexto, se puede utilizar, por ejemplo, como una herramienta para interpolar potenciales interatómicos precalculados [10] o resolver directamente la ecuación de Schrödinger con un método variacional . [11]
Aplicaciones del aprendizaje automático a la física
Datos ruidosos
La capacidad de controlar experimentalmente y preparar sistemas cuánticos cada vez más complejos trae consigo una creciente necesidad de convertir conjuntos de datos grandes y ruidosos en información significativa. Este es un problema que ya se ha estudiado ampliamente en el entorno clásico y, en consecuencia, muchas técnicas de aprendizaje automático existentes se pueden adaptar de forma natural para abordar de manera más eficiente problemas experimentales relevantes. Por ejemplo, los métodos y conceptos bayesianos de aprendizaje algorítmico se pueden aplicar de manera fructífera para abordar la clasificación de estados cuánticos, [12] el aprendizaje hamiltoniano [13] y la caracterización de una transformación unitaria desconocida . [14] [15] Otros problemas que se han abordado con este enfoque se dan en la siguiente lista:
- Identificar un modelo preciso para la dinámica de un sistema cuántico, mediante la reconstrucción del hamiltoniano ; [16] [17] [18]
- Extraer información sobre estados desconocidos; [19] [20] [21] [12] [22] [1]
- Aprender transformaciones y medidas unitarias desconocidas; [14] [15]
- Ingeniería de puertas cuánticas a partir de redes de qubits con interacciones por pares, utilizando hamiltonianos dependientes del tiempo [23] o independientes [24] .
- Mejorar la precisión de extracción de observables físicos a partir de imágenes de absorción de átomos ultrafríos (gas Fermi degenerado), mediante la generación de un marco de referencia ideal. [25]
Datos calculados y sin ruido
El aprendizaje automático cuántico también se puede aplicar para acelerar drásticamente la predicción de propiedades cuánticas de moléculas y materiales. [26] Esto puede ser útil para el diseño computacional de nuevas moléculas o materiales. Algunos ejemplos incluyen
- Interpolar potenciales interatómicos; [27]
- Inferir energías de atomización molecular en todo el espacio de compuestos químicos ; [28]
- Superficies precisas de energía potencial con máquinas de Boltzmann restringidas; [29]
- Generación automática de nuevos experimentos cuánticos; [6] [7]
- Resolver la ecuación de Schrödinger de muchos cuerpos, estática y dependiente del tiempo; [11]
- Identificar las transiciones de fase de los espectros de entrelazamiento; [30]
- Generación de esquemas de retroalimentación adaptativa para metrología cuántica y tomografía cuántica . [31] [32]
Circuitos variacionales
Los circuitos variacionales son una familia de algoritmos que utilizan entrenamiento basado en parámetros de circuito y una función objetivo. [33] Los circuitos variacionales generalmente se componen de un dispositivo clásico que comunica parámetros de entrada (parámetros aleatorios o pre-entrenados) en un dispositivo cuántico, junto con una función de optimización matemática clásica . Estos circuitos dependen en gran medida de la arquitectura del dispositivo cuántico propuesto porque los ajustes de parámetros se ajustan únicamente en función de los componentes clásicos del dispositivo. [34] Aunque la aplicación es considerablemente infantil en el campo del aprendizaje automático cuántico, tiene una promesa increíblemente alta para generar funciones de optimización eficientes de manera más eficiente.
Problema de señal
Se pueden utilizar técnicas de aprendizaje automático para encontrar una mejor variedad de integración para las integrales de ruta a fin de evitar el problema de los signos. [35]
Ver también
- Computación cuántica
- Aprendizaje automático cuántico
- Algoritmo cuántico para sistemas lineales de ecuaciones
- Recocido cuántico
- Red neuronal cuántica
Referencias
- ^ a b Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (mayo de 2018). "Tomografía de estado cuántico de redes neuronales". Física de la naturaleza . 14 (5): 447–450. arXiv : 1703.05334 . Código Bib : 2018NatPh..14..447T . doi : 10.1038 / s41567-018-0048-5 . ISSN 1745-2481 .
- ^ Cory, DG; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (6 de julio de 2012). "Aprendizaje hamiltoniano en línea robusto". Nueva Revista de Física . 14 (10): 103013. arXiv : 1207.1655 . Código bibliográfico : 2012NJPh ... 14j3013G . doi : 10.1088 / 1367-2630 / 14/10/103013 .
- ^ Cao, Chenfeng; Hou, Shi-Yao; Cao, Ningping; Zeng, Bei (10 de febrero de 2020). "Aprendizaje supervisado en reconstrucción hamiltoniana a partir de mediciones locales en autoestados" . Revista de física: materia condensada . 33 (6): 064002. arXiv : 2007.05962 . doi : 10.1088 / 1361-648x / abc4cf . ISSN 0953-8984 .
- ^ Broecker, Peter; Assaad, Fakher F .; Trebst, Simon (3 de julio de 2017). "Reconocimiento de fase cuántica mediante aprendizaje automático no supervisado". arXiv : 1707.00663 [ cond-mat.str-el ].
- ^ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identificación de transiciones de fase cuántica con redes neuronales adversas". Physical Review B . 97 (13): 134109. arXiv : 1710.08382 . Código bibliográfico : 2018PhRvB..97m4109H . doi : 10.1103 / PhysRevB.97.134109 . ISSN 2469-9950 .
- ^ a b Krenn, Mario (1 de enero de 2016). "Búsqueda automatizada de nuevos experimentos cuánticos". Cartas de revisión física . 116 (9): 090405. arXiv : 1509.02749 . Código Bibliográfico : 2016PhRvL.116i0405K . doi : 10.1103 / PhysRevLett.116.090405 . PMID 26991161 .
- ^ a b Knott, Paul (22 de marzo de 2016). "Un algoritmo de búsqueda para la ingeniería del estado cuántico y la metrología". Nueva Revista de Física . 18 (7): 073033. arXiv : 1511.05327 . Código bibliográfico : 2016NJPh ... 18g3033K . doi : 10.1088 / 1367-2630 / 18/7/073033 .
- ^ Dunjko, Vedran; Briegel, Hans J (19 de junio de 2018). "Aprendizaje automático e inteligencia artificial en el dominio cuántico: una revisión del progreso reciente". Informes sobre avances en física . 81 (7): 074001. Código Bibliográfico : 2018RPPh ... 81g4001D . doi : 10.1088 / 1361-6633 / aab406 . hdl : 1887/71084 . ISSN 0034-4885 . PMID 29504942 .
- ^ Melnikov, Alexey A .; Nautrup, Hendrik Poulsen; Krenn, Mario; Dunjko, Vedran; Tiersch, Markus; Zeilinger, Anton; Briegel, Hans J. (1221). "La máquina de aprendizaje activo aprende a crear nuevos experimentos cuánticos" . Actas de la Academia Nacional de Ciencias . 115 (6): 1221-1226. arXiv : 1706.00868 . doi : 10.1073 / pnas.1714936115 . ISSN 0027-8424 . PMC 5819408 . PMID 29348200 .
- ^ Behler, Jörg; Parrinello, Michele (2 de abril de 2007). "Representación generalizada de redes neuronales de superficies de energía potencial de alta dimensión". Cartas de revisión física . 98 (14): 146401. Código Bibliográfico : 2007PhRvL..98n6401B . doi : 10.1103 / PhysRevLett.98.146401 . PMID 17501293 .
- ^ a b Carleo, Giuseppe; Troyer, Matthias (9 de febrero de 2017). "Resolver el problema cuántico de muchos cuerpos con redes neuronales artificiales". Ciencia . 355 (6325): 602–606. arXiv : 1606.02318 . Código bibliográfico : 2017Sci ... 355..602C . doi : 10.1126 / science.aag2302 . PMID 28183973 .
- ^ a b Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). "Aprendizaje cuántico sin memoria cuántica" . Informes científicos . 2 : 708. arXiv : 1106.2742 . Código Bibliográfico : 2012NatSR ... 2E.708S . doi : 10.1038 / srep00708 . PMC 3464493 . PMID 23050092 .
- ^ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). "Aprendizaje cuántico hamiltoniano utilizando recursos cuánticos imperfectos". Physical Review A . 89 (4): 042314. arXiv : 1311.5269 . Código Bibliográfico : 2014PhRvA..89d2314W . doi : 10.1103 / physreva.89.042314 . hdl : 10453/118943 .
- ^ a b Bisio, Alessandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (2010). "Aprendizaje cuántico óptimo de una transformación unitaria". Physical Review A . 81 (3): 032324. arXiv : 0903.0543 . Código bibliográfico : 2010PhRvA..81c2324B . doi : 10.1103 / PhysRevA.81.032324 .
- ^ a b Jeongho; Junghee Ryu, Bang; Yoo, Seokwon; Pawłowski, Marcin; Lee, Jinhyoung (2014). "Una estrategia para el diseño de algoritmos cuánticos asistida por aprendizaje automático". Nueva Revista de Física . 16 (1): 073017. arXiv : 1304.2169 . Código bibliográfico : 2014NJPh ... 16a3017K . doi : 10.1088 / 1367-2630 / 16/1/013017 .
- ^ Granade, Christopher E .; Ferrie, Christopher; Wiebe, Nathan; Cory, Director General (3 de octubre de 2012). "Aprendizaje hamiltoniano en línea robusto". Nueva Revista de Física . 14 (10): 103013. arXiv : 1207.1655 . Código bibliográfico : 2012NJPh ... 14j3013G . doi : 10.1088 / 1367-2630 / 14/10/103013 . ISSN 1367-2630 .
- ^ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, DG (2014). "Certificación y aprendizaje hamiltoniano utilizando recursos cuánticos". Cartas de revisión física . 112 (19): 190501. arXiv : 1309.0876 . Código Bibliográfico : 2014PhRvL.112s0501W . doi : 10.1103 / PhysRevLett.112.190501 . ISSN 0031-9007 . PMID 24877920 .
- ^ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (17 de abril de 2014). "Aprendizaje cuántico hamiltoniano utilizando recursos cuánticos imperfectos". Physical Review A . 89 (4): 042314. arXiv : 1311.5269 . Código Bibliográfico : 2014PhRvA..89d2314W . doi : 10.1103 / PhysRevA.89.042314 . hdl : 10453/118943 . ISSN 1050-2947 .
- ^ Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). "Coincidencia de plantillas cuánticas". Physical Review A . 64 (2): 022317. arXiv : quant-ph / 0102020 . Código bibliográfico : 2001PhRvA..64b2317S . doi : 10.1103 / PhysRevA.64.022317 .
- ^ Sasaki, Masahide (2002). "Aprendizaje cuántico y máquina de emparejamiento cuántico universal". Physical Review A . 66 (2): 022303. arXiv : quant-ph / 0202173 . Código bibliográfico : 2002PhRvA..66b2303S . doi : 10.1103 / PhysRevA.66.022303 .
- ^ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (9 de julio de 2015). "Aprendizaje cuántico de estados coherentes". Tecnología cuántica EPJ . 2 (1): 17. arXiv : 1410.8700 . doi : 10.1140 / epjqt / s40507-015-0030-4 . ISSN 2196-0763 .
- ^ Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2 de noviembre de 2018). "Aprendizaje de estados cuánticos puros desconocidos". Physical Review A . 98 (5): 052302. arXiv : 1805.06580 . Código Bibliográfico : 2018PhRvA..98e2302L . doi : 10.1103 / PhysRevA.98.052302 .
- ^ Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (16 de noviembre de 2016). "Diseño de puertas de tres Qubit de disparo único de alta fidelidad: un enfoque de aprendizaje automático". Revisión física aplicada . 6 (5): 054005. arXiv : 1511.08862 . Código Bibliográfico : 2016PhRvP ... 6e4005Z . doi : 10.1103 / PhysRevApplied.6.054005 . ISSN 2331-7019 .
- ^ Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (19 de julio de 2016). "Aprendizaje de puerta cuántica en redes qubit: puerta Toffoli sin control dependiente del tiempo" . npj Quantum Information . 2 : 16019. Código Bibliográfico : 2016npjQI ... 216019B . doi : 10.1038 / npjqi.2016.19 .
- ^ Ness, Gal; Vainbaum, Anastasiya; Shkedrov, Constantine; Florshaim, Yanay; Sagi, Yoav (6 de julio de 2020). "Imágenes de absorción de exposición única de átomos ultrafríos mediante aprendizaje profundo". Revisión física aplicada . 14 : 014011. arXiv : 2003.01643 . doi : 10.1103 / PhysRevApplied.14.014011 .
- ^ von Lilienfeld, O. Anatole (9 de abril de 2018). "Aprendizaje automático cuántico en el espacio compuesto químico". Angewandte Chemie International Edition . 57 (16): 4164–4169. doi : 10.1002 / anie.201709686 . PMID 29216413 .
- ^ Bartok, Albert P .; Payne, Mike C .; Risi, Kondor; Csanyi, Gabor (2010). "Potenciales de aproximación gaussianos: la precisión de la mecánica cuántica, sin los electrones" (PDF) . Cartas de revisión física . 104 (13): 136403. arXiv : 0910.1019 . Código Bibliográfico : 2010PhRvL.104m6403B . doi : 10.1103 / PhysRevLett.104.136403 . PMID 20481899 .
- ^ Rupp, Matthias; Tkatchenko, Alexandre; Muller, Klaus-Robert; von Lilienfeld, O. Anatole (31 de enero de 2012). "Modelado rápido y preciso de energías de atomización molecular con aprendizaje automático". Cartas de revisión física . 355 (6325): 602. arXiv : 1109.2618 . Código Bibliográfico : 2012PhRvL.108e8301R . doi : 10.1103 / PhysRevLett.108.058301 . PMID 22400967 .
- ^ Xia, Rongxin; Kais, Sabre (10 de octubre de 2018). "Aprendizaje automático cuántico para cálculos de estructuras electrónicas" . Comunicaciones de la naturaleza . 9 (1): 4195. arXiv : 1803.10296 . Código bibliográfico : 2018NatCo ... 9.4195X . doi : 10.1038 / s41467-018-06598-z . PMC 6180079 . PMID 30305624 .
- ^ van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastián (2017). "Transiciones de fase de aprendizaje por confusión". Física de la naturaleza . 13 (5): 435. arXiv : 1610.02048 . Bibcode : 2017NatPh..13..435V . doi : 10.1038 / nphys4037 .
- ^ Hentschel, Alexander (1 de enero de 2010). "Aprendizaje automático para la medición cuántica precisa". Cartas de revisión física . 104 (6): 063603. arXiv : 0910.0762 . Código Bibliográfico : 2010PhRvL.104f3603H . doi : 10.1103 / PhysRevLett.104.063603 . PMID 20366821 .
- ^ Quek, Yihui; Fuerte, Stanislav; Ng, Hui Khoon (17 de diciembre de 2018). "Tomografía de estado cuántica adaptativa con redes neuronales". arXiv : 1812.06693 [ quant-ph ].
- ^ "Circuitos variacionales - documentación de la caja de herramientas de aprendizaje automático cuántico 0.7.1" . qmlt.readthedocs.io . Consultado el 6 de diciembre de 2018 .
- ^ Schuld, María (12 de junio de 2018). "Aprendizaje automático cuántico 1.0" . XanaduAI . Consultado el 7 de diciembre de 2018 .
- ^ Alexandru, Andrei; Bedaque, Paulo F .; Lamm, Henry; Lawrence, Scott (2017). "Aprendizaje profundo más allá de los dedales de Lefschetz". Physical Review D . 96 (9): 094505. arXiv : 1709.01971 . Código bibliográfico : 2017PhRvD..96i4505A . doi : 10.1103 / PhysRevD.96.094505 .