نویسندگان مقاله:
Juan Carrasquilla
Vector Institute for Artificial Intelligence, MaRS Centre, Toronto, ON, Canada M5G 1M1 and Department of Physics and Astronomy, University of Waterloo, Ontario, N2L 3G1, Canada
تاریخ و محل انتشار: August 21, 2020 ,Advances in Physics
ماده کوانتومی، حوزه تحقیقاتی است که فازهای ماده با ویژگی های ذاتاً کوانتمو مکانیکی را مورد مطالعه قرار می دهد. این حوزه موضوعات متنوعی را از فیزیک ماده چگال سخت، علم مواد و مکانیک آماری گرفته تا اطلاعات کوانتومی، گرانش کوانتومی و شبیه سازی های عددی در مقیاس بزرگ را در بر می گیرد. به تازگی، توجه محققان علاقه مند به ماده کوانتومی و سیستم های کوانتومی کاملاً همبسته به الگوریتم های اساسی یادگیری ماشین مدرن معطوف شده است. در اینجا ما به بررسی اجمالی در مورد توسعه و سازگارسازی ایده های یادگیری ماشین در پیشبرد تحقیقات در زمینه ماده کوانتومی پرداخته می شود، ایده هایی مثل؛ الگوریتم های تشخیص دهنده حالت های متداول و توپولوژیکی ماده در یک داده تجربی مصنوعی، بازنمایی حالت های کوانتومی از منظر شبکه های عصبی، کاربرد آنها در شبیه سازی و کنترل سیستم های کوانتومی. ما در مورد دورنمای تحولاتی که در تلاقی یادگیری ماشین و فیزیک کوانتوم بس ذره ای پدید خواهد آمد، بحث می کنیم.
کلید واژه ها: سیستم های کوانتومی کاملاً همبسته ؛ یادگیری ماشین
مقدمه:
یادگیری ماشین الگوریتم ها و مدل های آماری را مطالعه می کند که رایانه ها برای انجام وظایف بدون دستورالعمل های صریح استفاده می کنند. امروزه، بسیاری از وجوه اجتماعی، مثل؛ جستجوی وب، دستیاران شخصی مجازی، پیش بینی های ترافیک، شناسایی چهره در شبکه های اجتماعی، فیلتر کردن محتوا در وب سایت های تجاری، فیلتر هرزنامه ایمیل، ترجمه زبان، تشخیص تقلب آنلاین و غیره که به طور چشمگیری رو به افزایش است، بواسطه فناوری یادگیری ماشین قدرتمند می شوند. می توان منشاء چنین پیشرفت های تکنولوژیکی را تا حد زیادی به پیشرفت های هوش مصنوعی، به ویژه موارد مبتنی بر یادگیری عمیق، که در آن داده ها از طریق ترکیب متوالی چندین لایه غیرخطی پردازش می شوند ، نسبت داد. یادگیری عمیق با پیشرفت های چشمگیر در زمینه های مختلف از بینایی کامپیوتری و پردازش زبان طبیعی تا کاربردهای علمی مانند کشف دارو و تاشدگی پروتئین، به به کارگیری هوش مصنوعی سرعت بخشیده است. اخیراً، دانشمندان حوزه فیزیک ماده چگال، اطلاعات کوانتومی، فیزیک آماری و فیزیک اتمی- مولکولی و نوری با هدف پیشرفت در تحقیقات ماده کوانتومی توجه خود را به الگوریتم هایی معطوف کرده اند که پایه و اساس یادگیری ماشین مدرن است.
این خیز علاقه محققان بر پیوند میان سیستم های کاملاً همبسته و یادگیری ماشین تا حدی بواسطه وجود نقاط مشترک در ساختار مسائل شکل می گیرد که این زمینه های به ظاهر نامرتبط به آن حمله می کنند. به عنوان مثال ، پیچیدگی مرتبط با مطالعه رفتار جمعی سیستم های بس ذره ای در اندازه ی فضای حالت، منعکس می شود که با تعداد ذرات، به صورت نمایی رشد می کند. به همین ترتیب ، “معضل بعدیت” هم تأثیر گذار است، مثل؛ بینایی کامپیوتری و پردازش زبان طبیعی، جایی که اندازه ی فضایی که تصاویر و جملات در آن بطور نمایی و به ترتیب با تعداد پیکسل ها، و کلمات به طور تصاعدی رشد می کند. فراتر از بعدیت، سیستم های بس ذره ای، و همچنین سیستم های مورد علاقه در یادگیری ماشین، همبستگی ها و تقارن هایی با ساختار کاملاً مشابه را به نمایش می گذارند. یک نمونه برجسته از این را می توان در زبان طبیعی، تصاویر طبیعی و موسیقی مشاهده کرد، همه این ها همبستگی های قانون-توان واپاشیده را نشان می دهند که مشابه سیستم بس ذره ای (کلاسیک یا کوانتومی) تنظیم شده در نقطه بحرانی آن است ، که همبستگی های مکانی واپاشیده شدن با قانون توان را نشان می دهد [12]. در همین راستا ، تصویب یک مجموعه مشترک تقارن ها به طور همزمان درک ما از سیستم های کوانتومی را غنی می سازد [13] و پیچیدگی محاسباتی و نمونه ای برخی وظایف یادگیری را ساده می کند [14،15]. همه این ساختارهای مشترک نشان می دهند که قدرت و مقیاس پذیری معماری و الگوریتم های یادگیری ماشین مدرن به طور طبیعی برای کاربرد در سیستم های فیزیکی مناسب هستند، بخصوص برای کمک به انجام کارهای مختلف در سیستم های کاملاً همبسته، ماده کوانتومی، اطلاعات و محاسبات کوانتومی، و فیزیک آماری.
همه این ساختارهای مشترک نشان می دهد که توان و مقیاس پذیری معماری و الگوریتم های یادگیری ماشین مدرن به طور طبیعی برای برنامه های کاربردی در سیستم های فیزیکی ، به ویژه برای کمک به انجام کارهای مختلف در سیستم های کاملاً همبسته ، ماده کوانتومی ، اطلاعات و محاسبات کوانتومی و آماری کاملاً مناسب است. در اینجا ما پیشرفت های اخیر در توسعه و پذیرش تکنیک های یادگیری ماشین برای پیشرفت تحقیقات در این زمینه ها را مرور می کنیم. این بررسی کوتاه با مقدمه ای بسیار مختصر در مورد ایده های اساسی و ضروری در یادگیری ماشین آغاز می شود اما به جزئیات فنی و روش شناسی پرداخته نمی شود.
پس از معرفی مختصر ایده های اصلی در یادگیری ماشین، با ذکر منابع، زیر ساختار این بررسی با در نظر داشتن روندهای تحقیقاتی درهم تنیده شده تهیه شده است:
- یادگیری ماشین در شبیه سازی فرمیون های کاملاً همبسته
- فازهای یادگیری ماشینی ماده در داده های شبیه سازی شده و تجربی
- حالت های کوانتومی شبکه عصبی و کاربردهای آن ها
- شتاب یادگیری ماشین شبیه سازی مونت کارلو
- اطلاعات کوانتومی، کنترل کوانتومی و محاسبات کوانتومی _ فیزیک کوانتوم الهام گرفته شده از یادگیری ماشین
امروزه فرصتی خاص برای تحقیقات بر روی سیستمهای کوانتومی کاملاً همبسته با توجه به فرصتهای فراوان ناشی از هوش مصنوعی و محاسبات کوانتوم فراهم شده است که به امیدبخش ترین الگوهای محاسبات تبدیل شده اند. هوش مصنوعی با فرصت های نیرو بخش، ایده ها و اعمال تحقیقاتی، با پتانسیل بالا برای تأثیر بر تحقیقات فیزیک محاسباتی و تجربی با هیاهوی فراوان به پیش می رود. ما در مطالعه سیستمهای کاملاً همبسته و ماده کوانتومی فقط آغاز پذیرش یادگیری ماشین را مشاهده می کنیم. امید ما این است که محققان حوزه ماده چگال، اطلاعات کوانتومی، فیزیک اتمی- مولکولی و نوری و حوزه های علمی مرتبط در یک اقدام تحقیقاتی مداوم بر روی موضوع تلاقی یادگیری ماشین و حوزه وسیع فیزیک کوانتوم، نتایج هیجان انگیزی را به ارمغان خواهند آورد.
این مقاله را به طور کامل می توانید در لینک زیر مطالعه کنید.
اولین باشید که نظر می دهید