Usuario:BrayanCas1998/ Aprendizaje de máquinas en física

De Wikipedia, la enciclopedia libre

La aplicación de los métodos clásicos de aprendizaje de máquinas al estudio de los sistemas cuánticos (a veces llamado aprendizaje de máquinas cuánticas) es el foco de un área emergente de la 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. Otros ejemplos incluyen el aprendizaje de los Hamiltonianos, el aprendizaje de las transiciones de fase cuántica y la generación automática de nuevos experimentos cuánticos. El aprendizaje clásico de máquinas es efectivo en el procesamiento de grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuántico desconocido, haciendo 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.


Aplicaciones de aprendizaje automatizado en la física[editar]

Datos ruidosos[editar]

La habilidad de controlar experimentalmente y preparar sistemas cuánticos cada vez más complejos trae consigo una creciente necesidad de convertir grandes y ruidosos conjuntos de datos 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, el aprendizaje hamiltoniano y la caracterización de una transformación unitaria desconocida.[1]​[2]​[3]​[4]​ Otros problemas que se han abordado con este enfoque se indican en la siguiente lista:

  • Identificando un modelo cuidadoso para la dinámica de un sistema cuántico, a través de la reconstrucción del hamiltoniano;[5]​[6]​[7]​
  • Extrayendo información en estados desconocidos;[8]​[9]​[10]​[1]​[11]​
  • Aprendiendo transformaciones unitarias desconocidas y medidas;[3]​[4]​
  • Ingeniería de puertas cuánticas de qubit redes con pairwise interacciones, utilizando el tiempo dependiente o independiente Hamiltonians.[12]​[13]​

Datos calculados y sin ruidos[editar]

Aprendizaje de máquina cuántica también puede ser aplicado a dramáticamente acelerar la predicción de propiedades cuánticas de moléculas y materiales.[14]​ Esto puede ser útil para el diseño computacional de materiales o moléculas nuevos. Algunos ejemplos incluyen

  • Interpolating interatomic Potenciales;[15]​
  • Infiriendo energías de atomización molecular durante espacio compuesto químico;[16]​
  • Superficies de energía potenciales cuidadosas con restringidos Boltzmann máquinas;[17]​
  • Generación automática de experimentos cuánticos nuevos;[18]​[19]​
  • Solucionando el muchos-cuerpo, estático y tiempo-Schrödinger dependiente ecuación;[20]​
  • Identificando transiciones de fase de entanglement spectra;[21]​
  • Generando adaptive esquemas de retroalimentación para metrología cuántica y tomografía cuántica.[22]​[23]​

Circuitos Varacionales[editar]

Variational Los circuitos son una familia de algoritmos qué utilizar la formación basó encima parámetros de circuito y una función objetiva.[24]​ Variational Los circuitos son generalmente compuestos de un dispositivo clásico parámetros de entrada comunicante (aleatorios o pre-entrenó parámetros) a un dispositivo cuántico, junto con una función de optimización Matemática clásica. Estos circuitos son muy fuertemente dependientes en la arquitectura del dispositivo cuántico propuesto porque ajustamientos de parámetro son ajustó basado sólo en los componentes clásicos dentro del dispositivo.[25]​ Aunque la aplicación es considerablemente infantile en el campo de aprendizaje de máquina cuántica, ha increíblemente promesa alta para más efficiently generando funciones de optimización eficaz.

Ve también[editar]

Referencias[editar]

  1. ↑ a b 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. 
  2. ↑ Wiebe, Nathan; Granade, Christopher; Ferrie, Christopher; Cory, David (2014). «Quantum Hamiltonian learning using imperfect quantum resources». Physical Review A 89 (4): 042314. Bibcode:2014PhRvA..89d2314W. arXiv:1311.5269. doi:10.1103/physreva.89.042314. 
  3. ↑ 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. 
  4. ↑ a b 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. 
  5. ↑ 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. 
  6. ↑ 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. 
  7. ↑ 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. 
  8. ↑ 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. 
  9. ↑ 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. 
  10. ↑ 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. 
  11. ↑ 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. 
  12. ↑ 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. 
  13. ↑ 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. 
  14. ↑ 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. 
  15. ↑ 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. 
  16. ↑ 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. 
  17. ↑ 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. 
  18. ↑ 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. 
  19. ↑ 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. 
  20. ↑ 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. 
  21. ↑ 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. 
  22. ↑ 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. 
  23. ↑ Quek, Yihui; Fort, Stanislav; Ng, Hui Khoon (2018-12-17). «Adaptive Quantum State Tomography with Neural Networks». MISSING LINK.. 
  24. ↑ «Variational Circuits — Quantum Machine Learning Toolbox 0.7.1 documentation». qmlt.readthedocs.io. Consultado el 6 de diciembre de 2018. 
  25. ↑ Schuld, Maria (12 de junio de 2018). «Quantum Machine Learning 1.0». XanaduAI. Consultado el 7 de diciembre de 2018. 

[[Categoría:Tecnologías emergentes]] [[Categoría:Informática teórica]] [[Categoría:Informática cuántica]] [[Categoría:Aprendizaje automático]]

Obtenido de «https://es.wikipedia.org/w/index.php?title=Usuario:BrayanCas1998/_Aprendizaje_de_máquinas_en_física&oldid=129921697»