Машинне навчання у фізиці

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].

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].

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 — 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.

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

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].

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].

• Квантові обчислення
• Квантова нейронна мережа