물리 기계 학습

에 관한 일련의 기사의 일부
양자역학
${\displaystyle i\hbar {\frac t} \psi (t) \rangle = {H} \psi (t) \rangle }$ 슈뢰딩거 방정식
서론 용어집 역사
배경 고전 역학 구 양자론 브라켓 표기법 해밀턴식 방해다
기초 상보성 데코히렌스 얽힘 에너지 레벨 측정. 비국소성 양자수 주 중첩 대칭 터널링 불확실성 파동 함수 접다
실험 벨 부등식 데이비슨-게르머 더블 슬릿 엘리추르-바이드만 프랑크-헤르츠 레깃-가르그 부등식 마흐-젠더 포퍼 양자 지우개 선택 지연 슈뢰딩거의 고양이 스턴-게라크 휠러의 지연 선택
제제 개요 하이젠베르크 상호 작용 매트릭스 위상 공간 슈뢰딩거 Sum-over-History(경로 적분)
방정식 디락 클라인-고든 파울리 리드버그 슈뢰딩거
해석 개요 베이지안 일관성 있는 이력 코펜하겐 브로이쾅 앙상블 숨김 변수 현지의 다세계 객관적 붕괴 양자 논리 관계형 트랜잭션
상세 토픽 상대론적 양자역학 양자장론 양자정보과학 양자 컴퓨팅 양자 카오스 밀도 매트릭스 산란 이론 양자통계역학 양자 기계 학습
과학자 아하로노프 벨 베테 블래킷 블로치 쾅 보어 태어난 보스 드 브로글리 콤프턴 디락 데이비슨 데비 에렌페스트 아인슈타인 에버렛 폭 페르미 파인만 글라우버 거츠빌러 하이젠베르크 힐베르트 조던 크래머스 파울리 새끼 양 란다우 라우에 모즐리 밀리칸 온네스 플랑크 라비 라만 리드버그 슈뢰딩거 시몬스 솜메르펠트 폰 노이만 와일 빈 위그너 지만 자이링거
v t

양자 시스템 연구에 고전적인 기계 학습 방법을 적용하는 것은 물리학 연구의 새로운 영역의 초점이다.이것의 기본적인 예는 양자 상태를 ^[1]측정에서 학습하는 양자 상태 단층 촬영이다.다른 예로는 해밀턴어 ^[2][3]학습, 양자 위상 ^[4][5]전이 학습, 새로운 양자 ^[6][7][8][9]실험 자동 생성 등이 있습니다.고전적인 기계 학습은 알려지지 않은 양자 시스템을 특징짓기 위해 많은 양의 실험 또는 계산된 데이터를 처리하는 데 효과적이며, 양자 정보 이론, 양자 기술 개발 및 계산 재료 설계를 포함한 맥락에서 그 응용을 유용하게 만든다.이러한 맥락에서, 그것은 예를 들어 미리 계산된 원자간^[10] 전위를 보간하는 도구로서 사용될 수 있고, 또는 변분법을 ^[11]사용하여 슈뢰딩거 방정식을 직접 푸는 도구로서 사용될 수 있다.

기계 학습을 물리학에 적용

노이즈가 많은 데이터

점점 더 복잡해지는 양자 시스템을 실험적으로 제어하고 준비할 수 있는 능력은 크고 시끄러운 데이터 세트를 의미 있는 정보로 전환해야 하는 필요성을 증가시킵니다.이는 이미 고전적인 환경에서 광범위하게 연구된 문제이며, 결과적으로 기존의 많은 기계 학습 기법이 실험적으로 관련된 문제를 보다 효율적으로 다루기 위해 자연스럽게 적응될 수 있다.예를 들어, 알고리즘 학습의 베이지안 방법 및 개념은 양자 ^[12]상태 분류, 해밀턴 학습 ^[13]및 알려지지 않은 유니터리 ^[14][15]변환의 특성화에 효과적으로 적용될 수 있다.이 접근방식으로 해결된 기타 문제는 다음과 같습니다.

• 해밀턴의 ^[16][17][18]재구성을 통해 양자 시스템의 역학에 대한 정확한 모델 식별
• 알 수 없는 ^{[19][20][21][12][22][1]}상태에 대한 정보 추출
• 알려지지 않은 단일 변환 및 ^[14][15]측정 학습
• 시간^[23] 의존형 또는 독립형^[24] 해밀턴형을 사용하여 쌍방향 상호작용을 하는 큐비트네트워크로부터의 양자 게이트 엔지니어링
• 이상적인 기준 ^[25]프레임 생성에 의해 초콜드 원자(퇴화 페르미 가스)의 흡수 화상으로부터 물리 관측물의 추출 정밀도를 향상시킨다.

계산된 노이즈 없는 데이터

양자 기계 학습은 또한 분자와 물질의 ^[26]양자 특성 예측을 극적으로 가속화하는 데 적용될 수 있다.이것은 새로운 분자 또는 물질의 컴퓨터 설계에 도움이 될 수 있습니다.예를 들어 다음과 같습니다.

• 원자간 ^[27]전위 보간
• 화합물 ^[28]공간 전체에 걸쳐 분자 원자화 에너지를 추론한다.
• 제한된 볼츠만 ^[29]기계로 정확한 위치 에너지 표면
• 새로운 양자 ^[6][7]실험의 자동 생성
• 다체, 정적 및 시간 의존형 슈뢰딩거 ^[11]방정식을 푼다.
• 얽힘 ^[30]스펙트럼으로부터의 위상 전이 확인.
• 양자 도량형 및 양자 단층 ^[31][32]촬영을 위한 적응형 피드백 체계 생성.

가변 회로

가변회로는 회로 파라미터와 ^[33]목적함수에 기초한 트레이닝을 이용하는 알고리즘 패밀리입니다.변동회로는 일반적으로 입력 파라미터(랜덤 또는 사전훈련된 파라미터)를 양자디바이스에 전달하는 고전적인 디바이스와 고전적인 수학적 최적화 함수로 구성됩니다.파라미터 조정은 디바이스 ^[34]내의 고전적인 컴포넌트만을 기반으로 조정되기 때문에 이들 회로는 제안된 양자 디바이스의 아키텍처에 매우 크게 의존합니다.이 애플리케이션은 양자 기계 학습 분야에서 상당히 유치하지만, 효율적인 최적화 함수를 보다 효율적으로 생성할 수 있는 매우 높은 가능성을 가지고 있다.

부호 문제

머신러닝 기술은 부호 ^[35]문제를 피하기 위해 경로 적분을 위한 통합의 더 나은 다지관을 찾기 위해 사용될 수 있다.

유체 역학

「 」를 참조해 주세요.

• 양자 컴퓨팅
• 양자 기계 학습
• 방정식의 선형 시스템을 위한 양자 알고리즘
• 양자 어닐링
• 양자 신경망

레퍼런스