删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

理论物理所在量子物理与机器学习研究方面取得进展

本站小编 Free考研/2020-05-27

闂備胶鎳撻悺銊╁礉閹烘梹瀚婚柣鏃傚劋鐎氭岸鏌涘▎宥呭姎闁轰讲鏅犻幃璺衡槈鏉堚晛甯ㄧ紓浣介哺缁诲牆鐣峰璺哄耿闁哄洢鍨婚崣鎰版煟閻樺弶鎼愬褌绮欓崺銏ゆ嚃閳哄倸鐨梺鍛婃处閸撴岸鎮橀幇鐗堚拺闁告挆鍐у闁汇埄鍨伴顓熺閸涘﹥缍囨い鎰╁灩楠炲姊洪崗鐓庡姢闁搞垼灏妵鎰版晸閿燂拷40%闂備礁婀辩划顖炲礉閺嶎厼鍨傛慨妯块哺鐏忓孩鎱ㄥΟ鍨厫閻忓浚浜弻銊モ槈閾忣偄顏�
闂備浇顫夋禍浠嬪礉瀹€鈧划璇差吋閸ャ劌鐨┑顔角归崺鏍焊椤忓牊鐓涘璺猴工閺嗙喐绻涙径妯哄籍濠碘剝鎸冲畷鎺戔攽閹邦剚顔曞┑鐐差嚟婵绱為埀顒勬煏閸℃鏆g€规洩缍侀、娑㈡倷閳轰椒澹曞┑顔矫壕顓犵不閺嶎灐鐟扳堪閸曨偆顑勬繛瀵稿Т閻楀繒妲愰弮鍫濈闁绘ê鐏氶幆锝夋⒒娓氬洤浜濋柡灞诲妿濞嗐垽鎮欑€电硶鏋栭梺缁樺灦钃遍柟鐤含缁辨帡寮埀顒勬偡閿旂偓鏆滅憸鐗堝笧瀹撲線鏌涢…鎴濇珮闁告艾鎳庨湁闁兼祴鏅涜ⅴ闂侀€炲苯澧梺鑺ュ⒊P濠电偞娼欓崥瀣嚌妤e啫绠熼柟鎯版閻忚櫕绻濋崹顐e暗缂佲偓婢舵劖鐓熼柍褜鍓欐俊浠嬫煕閳哄倻娲撮柡灞芥噹椤繂鐣烽崶鈺冩毇闂佽崵濮村ú銈堛亹閻愬搫鑸规い鎺戝€归崑姗€鏌曟繛褍瀚弳鐘绘⒑閸涘﹤绗掓俊顐f濡懘鍩¢崨顔惧弰闂佺粯鍔﹂崜娆愬緞瀹ュ鐓欓悗娑欋缚婢ь剟鏌熼惂鍝ョМ妤犵偛閰f俊鐑藉Ω閵夛妇浜峰┑鐐村灦濮婄懓顭垮鈧獮鍐ㄎ旈崨顔芥珫閻庡厜鍋撻柛鎰劤濞堢偓绻涚€电ǹ顎撶紓宥佸亾闂侀潧妫楅崯鎾箠閵忕姷鏆嬮柡澶庢硶閹拷40%闂備礁婀辩划顖炲礉閺嶎厼鍨傛慨妯挎硾杩濋梺绋挎湰缁诲秹宕甸敃鈧湁闁绘瑥鎳愮粔顒勬煏閸℃鏆熼柟宄扮秺椤㈡ê鈹戦崶褜浼嗛梻浣告惈閻楁粓宕滃☉銏″仧妞ゆ牗绋撻々鐑芥偣娴e摜锛嶇紒澶婄仢闇夋繝褏濮撮崯顖炲箚閸岀偞鐓ユ繛鎴炃圭€氱増绻涢悡搴☆劉缂佸倸绉归、鏇㈠閻樼數袣9闂備胶顢婇崺鏍綘闂侀€炲苯澧柛濠冩倐閹啴濮€閵堝懐顦梺绯曞墲濞茬喖鎮¢埡鍛拺闁告挆鍐у闁汇埄鍨遍幐铏繆鐎涙ɑ濯撮悷娆忓闂傤垶姊虹涵鍛牚闁稿骸宕湁婵せ鍋撻柟顔ㄥ洤鐐婇柍鍝勫暞閹綁姊洪幐搴b槈闁兼椿鍨甸妵鎰板磼閻愯尙顦梺鍝勵槹椤戞瑩宕濋崨瀛樼厸鐎规挻鍝庨崐銈夊疮閸儲鐓曠憸搴g矙韫囨稑鐒垫い鎴e劵閸忓本绻涢崨顐㈠闁诡垱妫冮弫鍐╂媴缁嬭法浠梻浣告啞閻ㄦ粍鎷呴幓鎺嶅婵炶揪缍侀弲鑼姳閹惰姤鐓曟俊銈勭閹兼悂鏌嶈閸忔稓绮堟担鍦洸闁哄洨鍠撻埞宥夊箳閹惰棄鐒垫い鎴濈仢閸婃構缂傚倷绀侀張顒€顪冮挊澹╂盯宕稿Δ鈧繚婵炶揪缍€濞咃綁宕i埀顒佺箾閹寸偞鐓ョ紒銊︽そ閸┾偓妞ゆ垶瀵х粊浼存煟椤忓懏灏﹂柟顔芥そ閺佹劙宕堕埡鍌涘劘闂備礁鎲¢懝鍓р偓姘煎墴婵$敻宕堕鍌氱ウ闂佸憡鍔栬ぐ鍐煀闁秵鐓忛柛鈽嗗幗鐎氾拷
无监督的生成模型是机器学习和人工智能的重要课题和研究前沿,也被认为是通用人工智能的基础。历史上物理学为生成型学习提供了很多思想源泉,著名的玻尔兹曼机就来自于统计物理中的伊辛模型和相关的反伊辛问题。最近,中国科学院理论物理研究所张潘副研究员及合作者从量子物理的玻恩诠释中获得启发,用量子波函数的概率幅模平方来描述经典数据的概率分布,建立了一个新颖的非监督学习模型——玻恩学习机(Born Machine)。该成果已在线发表于世界知名物理学期刊Physical Review X: https://journals.aps.org/prx/abstract/10.1103/PhysRevX.8.031012
  生成模型的研究重点是如何从给定的数据集合中学习到数据的联合概率分布,以及如何从学习到的概率分布中高效地生成新的样本。张潘及合作者提出将数据的联合分布概率编码成量子多体态的概率幅的模平方。进一步地,他们提出在经典计算机上使用矩阵乘积态(Matrix Product States)来模拟学习的过程。矩阵乘积态的参数,即张量网络的张量元,可以通过类似密度矩阵重整化群(Density Matrix Renormalization Group)的算法进行学习,最终形成一个具有泛化能力的生成模型。这个学习算法结合了量子物理与机器学习各自的优点:它不仅可以利用GPU高效地学习到模型参数,还可以利用张量网络的灵活性动态地调节模型表达能力。此外,与传统的基于统计物理的生成模型(例如玻尔兹曼机)相比,玻恩学习机还具备直接生成无关联样本的强大能力,从而可以高效地生成新的数据。
  基于量子态的概率生成模型融合了量子物理与机器学习的思想,是一个崭新的研究领域。玻恩学习机借助量子态内禀的概率解释及其强大的表达能力,意在为机器学习和人工智能提供更为先进的生成模型和学习算法。此外,这类模型在量子信息处理,量子计算以及多体物理中具有应用潜力。展望将来,最令人兴奋的前景应该会是在一台量子计算机上实现玻恩学习机,从而以全新的方法进行概率型的学习和建模。张潘及合作者的这项工作使用张量网络模拟了量子计算机的运行,向无监督的量子机器学习迈进了一步。
  此项工作由中科院理论物理研究所张潘副研究员和北京大学物理学院本科生韩兆宇,王峻,中科院物理研究所副研究员王磊,研究员范桁合作完成。此项工作得到中国科学院理论物理前沿重点实验室的资助。
  下图:作用在一副MNIST图片上的矩阵乘积态以及它的纠缠谱。
    
闁诲孩顔栭崰鎺楀磻閹剧粯鈷戞い鎰剁悼椤e弶绻濋埀顒勫箥椤旀儳宕ュ┑顔筋殘椤︾硽闂備焦瀵х粙鎺楁儗椤斿墽鍗氶悗娑欋缚閳绘棃鏌涢妷銏℃珦婵炲吋宀搁弻銈夊级閸喗娈堕梺缁樼墱閸庛倗绮欐径鎰闁肩⒈鍓涢幊婵嬫煟閻樺弶澶勭€规洘锕㈤敐鐐碘偓锝庡亾缁憋綁鏌熸潏楣冩妞ゆ挾鎳撻妴鎺戭潩閾忣偆銆婂┑鐘亾闁告稑鐡ㄩ弲顒勬倶閻愭彃鈷旀俊灞傚姂閺岋繝宕奸銏犲箰缂備焦顨呴ˇ闈涚暦濮橆叏绱eù锝勮娴煎洭姊洪崨濠傜瑨婵☆偅绻堥獮鎰板醇閺囩喐娅栨繛杈剧秬濞咃綁宕″⿰鍫熷€甸柣銏犵仛閸も偓闂佹悶鍔嶇换鍕垝鐠囧弬鏃傗偓锝庡墰閿涳拷
547闂備礁婀遍。浠嬪磻閹剧粯鈷掗柛鏇楁櫅閻忣亪鏌eΔ鈧柊锝夊箠閹捐绀冩い蹇撴閻撴盯姊洪崗鍏肩凡闁哥噥鍋勯悾鐑芥晸閿燂拷1130缂傚倷绀侀ˇ顖滅矓閻㈢鍋撻崹顐g殤闁逞屽墲椤鍠婂澶婃辈闁逞屽墴閺屸剝寰勭€n亜顫庡┑鐐茬墛閸ㄥ灝鐣烽敓鐘茬鐟滃繒绮欓崶鈺冪<濠㈣泛锕︽晥闂佸憡菧閸婃牜缂撻挊澹╂棃宕担瑙勭槣闂佸湱鍘ч悺銊╁箰閸洖鐒垫い鎴炲缁佺増銇勯銏╁剱闁挎稒鍔欓獮瀣敍濠婂拋妲锋繝鐢靛仦閸ㄥ綊寮粙妫电儤绻濋崶銊ユ闁哄鐗滈崑鎺楀吹閺冨牊鐓忛柛鈩冩礉閸忓瞼绱掗鍏夊亾鐡掍浇顫夐幆鏂库槈閹烘垳澹曟繛杈剧悼閺咁偄危閸儲鐓曢柟鐑樻尰閸嬬娀鏌嶈閸忔稓娆㈠璺洪棷濡わ絽鍟幊姘扁偓骞垮劚閸熺娀宕戦幘瀛樺闁绘垶锚閳ь剛鍋熼埀顒冾潐閹爼宕曢鐐茬劦妞ゆ垼鍎婚崗灞俱亜閹惧瓨鍊愰柟顔肩埣瀹曢亶骞囬妸銉ゅ婵炶揪绲炬禍鑺ョ閿曗偓闇夐柛蹇曞帶閹兼悂鏌嶈閸忔稑霉閸ヮ剙纾奸柕濠忕畱椤曡鲸鎱ㄥΟ绋垮姉闁稿鎸婚幏鍛喆閸曨剛鏆氶梻浣哄帶瀵儼銇愰崘顏嗙处濡わ絽鍟崑鐘绘煕閳╁啫濮€闁稿鎸婚幏鍛存偪椤栨艾绠戦梻浣告惈閸婄ǹ煤閵忋倕鐒垫い鎴炲缁佹澘顭跨憴鍕磳鐎殿喚鏁婚、娑樜熷畡棰佸婵炶揪缍€椤鎮¢埀顒勬⒒閸屾艾鈧粙顢欐繝鍕潟闁割偅娲栫粻缁樸亜閹炬潙顥氶柛瀣尰閹峰懘宕烽婧惧亾婵犲洦鍊垫繛鎴濈枃缁€瀣煃瑜滈崗娑氱矆娴h桨鐒婇柟娈垮枓閸嬫挸鈽夌€圭姷顦伴梺閫炲苯鍘告繛鏉戞喘椤㈡﹢宕妷褌绗夊┑掳鍊撻悞锔捐姳濮樿埖鐓忛柛鈩冩礈椤︼妇鈧湱枪椤嘲鐣烽敐鍥︽勃闁稿本顨呮禍鎯归敐鍛暈闁告洟绠栭弻锝夋倷閸欏妫戦梺閫炲苯鍘搁柣鎺炵畵瀵剟宕掑锝嗙參濠殿喚鎳撳ú鐘诲磻閹惧瓨濯撮柛娑橈攻閸f悂鏌f惔銏犲枙閻犳劗鍠栭崺鈧い鎴炲椤﹂绱撳鍜佸剶闁硅櫕鐗犻幊鐘活敆閸愮偓钑夌紓鍌欑劍閸愬骞忛敓锟�28缂傚倷绶¢崑澶愵敋瑜旈、妤呮偄閾忓湱鐓嬮梺瑙勬儗閸ㄥ磭澹曢敓锟�
相关话题/概率 物理