内容简介：当量子纠缠遇到神经网络，物理学家将打开新世界的大门
机器学习正在人工智能领域掀起革命， 毫无疑问，它已经在现代科技中确立了自己的地位。从自动驾驶汽车、语音识别到古老的棋盘游戏，围绕机器学习展开的一系列研发和应用正在为各个领域带来新变化。
现在，这一利器要在物理学家手里大显身手了，他们要用神经网络去探索神秘莫测的量子物理世界。来自联合量子研究所（Joint Quantum Institute，JQI）和马里兰大学凝聚态理论研究中心（Condensed Matter Theory Center，CMTC）的研究人员们展示了如何利用神经网络描述多个量子系统。 发表在 近期《 Physical Review X 》的一篇论文中。
论文的第一作者，JQI 博士后研究员邓东灵说：“如果我们要解决量子问题，我们首先需要找到一个高效的表达形式，而这正是神经网络所能提供的。”论文作者还包括 JQI 研究院的 Sankar Das Sarma和复旦大学物理学家李晓鹏。
物理学家有很多种描述量子系统的方式，其中典型的一种是使用概率来表达系统处于不同量子态的可能性。但是，随着量子粒子数量的增加，从数值模拟中提取特性或对系统进行预测变得越来越困难。主流观点认为，量子纠缠效应（一种粒子间奇特的量子相关关系）往往难以与某种算法准确匹配。
在论文中，他们所使用的神经网络能够高效地表达含有大量量子纠缠的量子系统，相比过去的方法有较大的改进。
这次研究的成果还不仅限于此。Das Sarma 表示，该研究不仅提供了高度纠缠量子态的高效表达，还提供了应用机器学习 工具 解决具有相互作用的量子多体问题的新方法，而这种问题在过去是难以解决的。
研究团队特别研究了两组不同的神经网络，第一组叫做“可见神经元”（the visible neurons），用以表达真实的量子粒子，比如在光学晶格中的原子。考虑到不同粒子间的相互作用，研究者使用了第二组神经元——“隐藏神经元”（the hidden neurons）——与可见神经元相连。这种连接能够获取真实粒子间的物理相互作用。
他们为每个连接指定一个数值，并且在数学运算上忽略被隐藏的神经元，就能够简单表达许多有趣的量子态，包括一些具有拓扑特征或者拥有复杂量子纠缠的状态.
不过，这些神经网络仍不完美。邓东灵补充说：“这种方法在有限的范围内有效，还不能提供通用的高效表达。”
版权声明
本文仅代表作者观点，不代表百度立场。
阅读量： 0
0
0
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 下一个牛顿会是AI物理学家吗？
- 美国华裔物理学家张首晟去世 生前最后一次公开发言谈了天使粒子和区块链
- 神经网络 – 序列预测LSTM神经网络落后
- 神经网络历史以及浅析神经网络与感知机
- 【神经网络】11行Python代码实现的神经网络
- 常见的五种神经网络（三）：循环神经网络（上篇）
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
