La aplicación de los métodos clásicos de (aprendizaje automático) al estudio de los sistemas cuánticos (a veces llamado aprendizaje automático cuántico) es el foco de un área emergente de la investigación en física. Un ejemplo básico de esto es la , donde un (estado cuántico) es aprendido a partir de la medición. Otros ejemplos incluyen el aprendizaje de los (hamiltonianos),[1] el aprendizaje de las transiciones de fase cuántica,[2][3] y la generación automática de nuevos experimentos cuánticos.[4][5][6][7] El aprendizaje automático clásico es efectivo en el procesamiento de grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuántico desconocido, haciendo su aplicación útil en contextos que incluyen la (teoría de información cuántica), el desarrollo de tecnologías cuánticas, y el diseño de materiales computacionales.
Aplicaciones del aprendizaje automático en la física
Datos corruptos
La capacidad de controlar y preparar experimentalmente sistemas cuánticos cada vez más complejos conlleva una creciente necesidad de convertir grandes conjuntos de datos corruptos en información significativa. Este es un problema que ya ha sido estudiado extensamente en el entorno clásico, y en consecuencia, muchas técnicas de (aprendizaje de máquinas) existentes pueden ser adaptadas de forma natural para abordar de forma más eficiente los problemas experimentalmente relevantes. Por ejemplo, los métodos (bayesianos) y los conceptos de aprendizaje algorítmico pueden aplicarse de forma fructífera para abordar la clasificación de estados cuánticos,[8] el aprendizaje (hamiltoniano),[9] y la caracterización de una (transformación unitaria) desconocida.[10][11] 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, a través de la reconstrucción del (hamiltoniano);[12][13][14]
- Extracción de información sobre estados desconocidos;[15][16][8][17][18]
- Aprendizaje de transformaciones y medidas unitarias desconocidas;[10][11]
- Ingeniería de puertas cuánticas de redes de qubits con interacciones en pares, usando (Hamiltonianos) dependientes del tiempo[19] o independientes.[20]
Datos calculados sin corrupción
El aprendizaje de máquinas cuánticas también puede aplicarse para acelerar drásticamente la predicción de las propiedades cuánticas de las moléculas y los materiales.[21] Esto puede ser útil para el diseño computacional de nuevas moléculas o materiales. Algunos ejemplos incluyen:
- Interpolación de los potenciales interatómicos;[22]
- Inferir las energías de atomización molecular a través del espacio de los compuestos químicos;[23]
- Superficies de (energía potencial) precisas con máquinas Boltzmann limitadas;[24]
- Generación automática de nuevos experimentos cuánticos;[5][6]
- Resolución de la (ecuación de Schrödinger) de muchos cuerpos, estática y dependiente del tiempo;[25]
- Identificar las transiciones de fase de los espectros de entrelazamiento;[26]
- Generación de esquemas de retroalimentación adaptativos para la metrología y la tomografía cuántica.[27][28]
Circuitos variacionales
Los circuitos variacionales son una familia de algoritmos que utilizan el entrenamiento basado en los parámetros del circuito y una función objetiva.[29] Los circuitos variacionales se componen generalmente de un dispositivo clásico que comunica los parámetros de entrada (parámetros aleatorios o pre-entrenados) en un dispositivo cuántico, junto con una función de (optimización matemática) clásica. Estos circuitos son muy dependientes de la arquitectura del dispositivo cuántico propuesto porque los ajustes de los parámetros se ajustan basándose únicamente en los componentes clásicos del dispositivo.[30] Aunque la aplicación es considerablemente infantil en el campo del aprendizaje de máquinas cuánticas, tiene una promesa increíblemente alta de generar más eficientemente funciones de optimización eficientes.
Ve también
- (Informática cuántica)
- (Aprendizaje de máquina cuántica)
- (Algoritmo cuántico para sistemas lineales de ecuaciones)
- (Algoritmo del temple cuántico)
- (Red neuronal cuántica)
Referencias
- Cory, D. G.; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (6 de julio de 2012). Robust Online Hamiltonian Learning (en inglés). (doi):10.1088/1367-2630/14/10/103013.
- Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (3 de julio de 2017). «Quantum phase recognition via unsupervised machine learning». arXiv:1707.00663 [cond-mat]. Consultado el 24 de enero de 2020.
- Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). «Identifying Quantum Phase Transitions with Adversarial Neural Networks». Physical Review B 97 (13): 134109. ISSN 2469-9950. (arXiv):1710.08382. (doi):10.1103/PhysRevB.97.134109.
- Dunjko, Vedran; Briegel, Hans J (19 de junio de 2018). «Machine learning & artificial intelligence in the quantum domain: a review of recent progress». Reports on Progress in Physics 81 (7): 074001. ISSN 0034-4885. (PMID) 29504942. (doi):10.1088/1361-6633/aab406.
- Krenn, Mario (1 de enero de 2016). «Automated Search for new Quantum Experiments». Physical Review Letters 116 (9): 090405. (Bibcode):2016PhRvL.116i0405K. (PMID) 26991161. (arXiv):1509.02749. (doi):10.1103/PhysRevLett.116.090405.
- Knott, Paul (22 de marzo de 2016). «A search algorithm for quantum state engineering and metrology». New Journal of Physics 18 (7): 073033. (Bibcode):2016NJPh...18g3033K. (arXiv):1511.05327. (doi):10.1088/1367-2630/18/7/073033.
- 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 (en inglés) 115 (6): 1221-1226. ISSN 0027-8424. (PMC) 5819408. (PMID) 29348200. (arXiv):1706.00868. (doi):10.1073/pnas.1714936115.
- Sentís, Gael; Calsamiglia, John; Muñoz-Tapia, Raúl; Bagan, Emilio (2012). «Quantum learning without quantum memory». Scientific Reports 2: 708. (Bibcode):2012NatSR...2E.708S. (PMC) 3464493. (PMID) 23050092. (arXiv):1106.2742. (doi):10.1038/srep00708.
- Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (17 de abril de 2014). «Quantum Hamiltonian Learning Using Imperfect Quantum Resources». Physical Review A 89 (4): 042314. ISSN 1050-2947. (doi):10.1103/PhysRevA.89.042314. Consultado el 24 de enero de 2020.
- 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. (Bibcode):2010PhRvA..81c2324B. (arXiv):0903.0543. (doi):10.1103/PhysRevA.81.032324.
- 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. (Bibcode):2014NJPh...16a3017K. (arXiv):1304.2169. (doi):10.1088/1367-2630/16/1/013017.
- Granade, Christopher E.; Ferrie, Christopher; Wiebe, Nathan; Cory, D. G. (3 de octubre de 2012). «Robust Online Hamiltonian Learning». New Journal of Physics 14 (10): 103013. (Bibcode):2012NJPh...14j3013G. ISSN 1367-2630. (arXiv):1207.1655. (doi):10.1088/1367-2630/14/10/103013.
- Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, D. G. (2014). «Hamiltonian Learning and Certification Using Quantum Resources». Physical Review Letters 112 (19): 190501. (Bibcode):2014PhRvL.112s0501W. ISSN 0031-9007. (PMID) 24877920. (arXiv):1309.0876. (doi):10.1103/PhysRevLett.112.190501.
- Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David G. (17 de abril de 2014). «Quantum Hamiltonian Learning Using Imperfect Quantum Resources». Physical Review A 89 (4): 042314. (Bibcode):2014PhRvA..89d2314W. ISSN 1050-2947. (arXiv):1311.5269. (doi):10.1103/PhysRevA.89.042314.
- Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (9 de julio de 2015). «Quantum learning of coherent states». EPJ Quantum Technology (en inglés) 2 (1): 17. ISSN 2196-0763. (arXiv):1410.8700. (doi):10.1140/epjqt/s40507-015-0030-4.
- Sasaki, Masahide (2002). «Quantum learning and universal quantum matching machine». Physical Review A 66 (2): 022303. (Bibcode):2002PhRvA..66b2303S. (arXiv):quant-ph/0202173. (doi):10.1103/PhysRevA.66.022303.
- Lee, Sang Min; Lee, Jinhyoung; Bang, Jeongho (2 de noviembre de 2018). «Learning unknown pure quantum states». Physical Review A (en inglés) 98 (5): 052302. (arXiv):1805.06580. (doi):10.1103/PhysRevA.98.052302.
- Sasaki, Madahide; Carlini, Alberto; Jozsa, Richard (2001). «Quantum Template Matching». Physical Review A 64 (2): 022317. (Bibcode):2001PhRvA..64b2317S. (arXiv):quant-ph/0102020. (doi):10.1103/PhysRevA.64.022317.
- Zahedinejad, Ehsan; Ghosh, Joydip; Sanders, Barry C. (16 de noviembre de 2016). «Designing High-Fidelity Single-Shot Three-Qubit Gates: A Machine Learning Approach». Physical Review Applied 6 (5): 054005. (Bibcode):2016PhRvP...6e4005Z. ISSN 2331-7019. (arXiv):1511.08862. (doi):10.1103/PhysRevApplied.6.054005.
- Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (19 de julio de 2016). «Quantum gate learning in qubit networks: Toffoli gate without time-dependent control». 2: 16019. (Bibcode):2016npjQI...216019B. (doi):10.1038/npjqi.2016.19.
- von Lilienfeld, O. Anatole (9 de abril de 2018). «Quantum Machine Learning in Chemical Compound Space». Angewandte Chemie International Edition 57 (16): 4164-4169. (PMID) 29216413. (doi):10.1002/anie.201709686.
- Bartok, Albert P.; Payne, Mike C.; Risi, Kondor; Csanyi, Gabor (2010). «Gaussian approximation potentials: The accuracy of quantum mechanics, without the electrons». Physical Review Letters 104 (13): 136403. (PMID) 20481899. (doi):10.1103/PhysRevLett.104.136403.
- Rupp, Matthias; Tkatchenko, Alexandre; Muller, Klaus-Robert; von Lilienfeld, O. Anatole (31 de enero de 2012). «Fast and Accurate Modeling of Molecular Atomization Energies With Machine Learning». Physical Review Letters 355 (6325): 602. (Bibcode):2012PhRvL.108e8301R. (PMID) 22400967. (arXiv):1109.2618. (doi):10.1103/PhysRevLett.108.058301.
- Xia, Rongxin; Kais, Sabre (10 de octubre de 2018). «Quantum machine learning for electronic structure calculations». Nature Communications 9 (1): 4195. (PMC) 6180079. (PMID) 30305624. (doi):10.1038/s41467-018-06598-z.
- Carleo, Giuseppe; Troyer, Matthias (9 de febrero de 2017). «Solving the quantum many-body problem with artificial neural networks». Science 355 (6325): 602-606. (Bibcode):2017Sci...355..602C. (PMID) 28183973. (arXiv):1606.02318. (doi):10.1126/science.aag2302.
- van Nieuwenburg, Evert; Liu, Ye-Hua; Huber, Sebastian (2017). «Learning phase transitions by confusion». Nature Physics 13 (5): 435. (Bibcode):2017NatPh..13..435V. (arXiv):1610.02048. (doi):10.1038/nphys4037.
- Hentschel, Alexander (1 de enero de 2010). «Machine Learning for Precise Quantum Measurement». Physical Review Letters 104 (6): 063603. (Bibcode):2010PhRvL.104f3603H. (PMID) 20366821. (arXiv):0910.0762. (doi):10.1103/PhysRevLett.104.063603.
- Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (17 de diciembre de 2018). «Adaptive Quantum State Tomography with Neural Networks». .
- . qmlt.readthedocs.io. Archivado desde el original el 6 de diciembre de 2018. Consultado el 6 de diciembre de 2018.
- Schuld, Maria (12 de junio de 2018). «Quantum Machine Learning 1.0». XanaduAI. Consultado el 7 de diciembre de 2018.
wikipedia, wiki, leyendo, leer, libro, biblioteca, español, española, descargar, gratis, descargar gratis, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, imagen, música, canción, película, libro, juego, juegos, móvil, teléfono, android, ios, apple, teléfono móvil, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, ordenador