fbpx
Wikipedia

Aprendizaje automático en física

Agosto 26, 2021

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 tomografía de estado cuántico, 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

Referencias

  1. 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. 
  2. 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. 
  3. 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. 
  4. 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. 
  5. ↑ 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. 
  6. ↑ 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. 
  7. 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. 
  8. ↑ 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. 
  9. 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. 
  10. ↑ 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. 
  11. ↑ 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. 
  12. 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. 
  13. 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. 
  14. 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. 
  15. 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. 
  16. 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. 
  17. 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. 
  18. 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. 
  19. 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. 
  20. Banchi, Leonardo; Pancotti, Nicola; Bose, Sougato (19 de julio de 2016). «Quantum gate learning in qubit networks: Toffoli gate without time-dependent control». npj Quantum Information 2: 16019. Bibcode:2016npjQI...216019B. doi:10.1038/npjqi.2016.19. 
  21. 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. 
  22. 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. 
  23. 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. 
  24. 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. 
  25. 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. 
  26. 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. 
  27. 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. 
  28. Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (17 de diciembre de 2018). «Adaptive Quantum State Tomography with Neural Networks». arXiv:1812.06693  [quant-ph]. 
  29. . qmlt.readthedocs.io. Archivado desde el original el 6 de diciembre de 2018. Consultado el 6 de diciembre de 2018. 
  30. Schuld, Maria (12 de junio de 2018). «Quantum Machine Learning 1.0». XanaduAI. Consultado el 7 de diciembre de 2018. 
  •   Datos: Q83512991

Agosto 26, 2021
aprendizaje, automático, física, aplicación, métodos, clásicos, aprendizaje, automático, estudio, sistemas, cuánticos, veces, llamado, aprendizaje, automático, cuántico, foco, área, emergente, investigación, física, ejemplo, básico, esto, tomografía, estado, c. La aplicacion de los metodos clasicos de aprendizaje automatico al estudio de los sistemas cuanticos a veces llamado aprendizaje automatico cuantico es el foco de un area emergente de la investigacion en fisica Un ejemplo basico de esto es la tomografia de estado cuantico donde un estado cuantico es aprendido a partir de la medicion Otros ejemplos incluyen el aprendizaje de los hamiltonianos 1 el aprendizaje de las transiciones de fase cuantica 2 3 y la generacion automatica de nuevos experimentos cuanticos 4 5 6 7 El aprendizaje automatico clasico es efectivo en el procesamiento de grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuantico desconocido haciendo su aplicacion util en contextos que incluyen la teoria de informacion cuantica el desarrollo de tecnologias cuanticas y el diseno de materiales computacionales Indice 1 Aplicaciones del aprendizaje automatico en la fisica 1 1 Datos corruptos 1 2 Datos calculados sin corrupcion 1 3 Circuitos variacionales 2 Ve tambien 3 ReferenciasAplicaciones del aprendizaje automatico en la fisica EditarDatos corruptos Editar La capacidad de controlar y preparar experimentalmente sistemas cuanticos cada vez mas complejos conlleva una creciente necesidad de convertir grandes conjuntos de datos corruptos en informacion significativa Este es un problema que ya ha sido estudiado extensamente en el entorno clasico y en consecuencia muchas tecnicas de aprendizaje de maquinas existentes pueden ser adaptadas de forma natural para abordar de forma mas eficiente los problemas experimentalmente relevantes Por ejemplo los metodos bayesianos y los conceptos de aprendizaje algoritmico pueden aplicarse de forma fructifera para abordar la clasificacion de estados cuanticos 8 el aprendizaje hamiltoniano 9 y la caracterizacion de una transformacion 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 dinamica de un sistema cuantico a traves de la reconstruccion del hamiltoniano 12 13 14 Extraccion de informacion sobre estados desconocidos 15 16 8 17 18 Aprendizaje de transformaciones y medidas unitarias desconocidas 10 11 Ingenieria de puertas cuanticas de redes de qubits con interacciones en pares usando Hamiltonianos dependientes del tiempo 19 o independientes 20 Datos calculados sin corrupcion Editar El aprendizaje de maquinas cuanticas tambien puede aplicarse para acelerar drasticamente la prediccion de las propiedades cuanticas de las moleculas y los materiales 21 Esto puede ser util para el diseno computacional de nuevas moleculas o materiales Algunos ejemplos incluyen Interpolacion de los potenciales interatomicos 22 Inferir las energias de atomizacion molecular a traves del espacio de los compuestos quimicos 23 Superficies de energia potencial precisas con maquinas Boltzmann limitadas 24 Generacion automatica de nuevos experimentos cuanticos 5 6 Resolucion de la ecuacion de Schrodinger de muchos cuerpos estatica y dependiente del tiempo 25 Identificar las transiciones de fase de los espectros de entrelazamiento 26 Generacion de esquemas de retroalimentacion adaptativos para la metrologia y la tomografia cuantica 27 28 Circuitos variacionales Editar Los circuitos variacionales son una familia de algoritmos que utilizan el entrenamiento basado en los parametros del circuito y una funcion objetiva 29 Los circuitos variacionales se componen generalmente de un dispositivo clasico que comunica los parametros de entrada parametros aleatorios o pre entrenados en un dispositivo cuantico junto con una funcion de optimizacion matematica clasica Estos circuitos son muy dependientes de la arquitectura del dispositivo cuantico propuesto porque los ajustes de los parametros se ajustan basandose unicamente en los componentes clasicos del dispositivo 30 Aunque la aplicacion es considerablemente infantil en el campo del aprendizaje de maquinas cuanticas tiene una promesa increiblemente alta de generar mas eficientemente funciones de optimizacion eficientes Ve tambien EditarInformatica cuantica Aprendizaje de maquina cuantica Algoritmo cuantico para sistemas lineales de ecuaciones Algoritmo del temple cuantico Red neuronal cuanticaReferencias Editar Cory D G Wiebe Nathan Ferrie Christopher Granade Christopher E 6 de julio de 2012 Robust Online Hamiltonian Learning en ingles 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 amp 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 a b 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 a b 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 ingles 115 6 1221 1226 ISSN 0027 8424 PMC 5819408 PMID 29348200 arXiv 1706 00868 doi 10 1073 pnas 1714936115 a b Sentis Gael Calsamiglia John Munoz Tapia Raul 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 a b 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 a b Jeongho Junghee Ryu Bang Yoo Seokwon Pawlowski 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 Sentis Gael Guţă Mădălin Adesso Gerardo 9 de julio de 2015 Quantum learning of coherent states EPJ Quantum Technology en ingles 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 ingles 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 npj Quantum Information 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 arXiv 1812 06693 quant ph Variational Circuits Quantum Machine Learning Toolbox 0 7 1 documentation 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 Datos Q83512991Obtenido de https es wikipedia org w index php title Aprendizaje automatico en fisica amp oldid 129376186, 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