Aprendizaje automático en física

La aplicación de métodos de aprendizaje automático (ML) (incluido el aprendizaje profundo ) al estudio de sistemas cuánticos es un área emergente de investigación en física. Un ejemplo básico de esto es la tomografía de estados cuánticos , donde un estado cuántico se aprende a partir de la medición. ^[1] Otros ejemplos incluyen el aprendizaje de hamiltonianos, ^{[2] [3] el aprendizaje de} transiciones de fase cuánticas , ^{[4] [5]} y la generación automática de nuevos experimentos cuánticos. ^{[6] [7] [8] [9]} El ML es eficaz para procesar grandes cantidades de datos experimentales o calculados con el fin de caracterizar un sistema cuántico desconocido, lo que hace que su aplicación sea útil en contextos que incluyen la teoría de la información cuántica , el desarrollo de tecnología cuántica y el diseño de materiales computacionales. En este contexto, por ejemplo, se puede utilizar como una herramienta para interpolar potenciales interatómicos precalculados , ^[10] o resolver directamente la ecuación de Schrödinger con un método variacional . ^[11]

La capacidad de controlar y preparar experimentalmente sistemas cuánticos cada vez más complejos trae consigo una creciente necesidad de convertir conjuntos de datos grandes y ruidosos en información significativa. Este es un problema que ya se ha estudiado ampliamente en el entorno clásico y, en consecuencia, muchas técnicas de aprendizaje automático existentes se pueden adaptar de forma natural para abordar de manera más eficiente problemas experimentalmente relevantes. Por ejemplo, los métodos bayesianos y los conceptos de aprendizaje algorítmico se pueden aplicar de manera fructífera para abordar la clasificación de estados cuánticos, ^[12] el aprendizaje hamiltoniano ^[13] y la caracterización de una transformación unitaria desconocida . ^{[14] [15]} Otros problemas que se han abordado con este enfoque se detallan en la siguiente lista:

• Identificación de un modelo preciso para la dinámica de un sistema cuántico, a través de la reconstrucción del hamiltoniano ; ^{[16] [17] [18]}
• Extracción de información sobre estados desconocidos; ^{[19] [20] [21] [12] [22] [1]}
• Aprendizaje de transformaciones y mediciones unitarias desconocidas; ^{[14] [15]}
• Ingeniería de puertas cuánticas a partir de redes de qubits con interacciones por pares, utilizando hamiltonianos dependientes del tiempo ^[23] o independientes ^{[24] .}
• Mejora de la precisión de extracción de observables físicos a partir de imágenes de absorción de átomos ultrafríos (gas de Fermi degenerado), mediante la generación de un marco de referencia ideal. ^[25]

El aprendizaje automático cuántico también se puede aplicar para acelerar drásticamente la predicción de propiedades cuánticas de moléculas y materiales. ^[26] Esto puede ser útil para el diseño computacional de nuevas moléculas o materiales. Algunos ejemplos incluyen

• Interpolación de potenciales interatómicos; ^[27]
• Inferir energías de atomización molecular en todo el espacio de compuestos químicos ; ^[28]
• Superficies de energía potencial precisas con máquinas de Boltzmann restringidas; ^[29]
• Generación automática de nuevos experimentos cuánticos; ^{[6] [7]}
• Solución de la ecuación de Schrödinger de muchos cuerpos, estática y dependiente del tiempo; ^[11]
• Identificación de transiciones de fase a partir de espectros de entrelazamiento; ^[30]
• Generación de esquemas de retroalimentación adaptativos para metrología cuántica y tomografía cuántica . ^{[31] [32]}

Los circuitos variacionales son una familia de algoritmos que utilizan un entrenamiento basado en parámetros de circuito y una función objetivo. ^[33] Los circuitos variacionales generalmente se componen de un dispositivo clásico que comunica parámetros de entrada (parámetros aleatorios o preentrenados) a un dispositivo cuántico, junto con una función de optimización matemática clásica . Estos circuitos dependen en gran medida de la arquitectura del dispositivo cuántico propuesto porque los ajustes de parámetros se ajustan únicamente en función de los componentes clásicos dentro del dispositivo. ^[34] Aunque la aplicación es considerablemente infantil en el campo del aprendizaje automático cuántico, tiene una promesa increíblemente alta para generar funciones de optimización eficientes de manera más eficiente.

Se pueden utilizar técnicas de aprendizaje automático para encontrar una mejor variedad de integración para integrales de trayectoria con el fin de evitar el problema del signo. ^[35]

Se informó que un sistema de aprendizaje profundo aprende física intuitiva a partir de datos visuales (de entornos virtuales en 3D) basándose en un enfoque inédito inspirado en estudios de cognición visual en bebés. ^{[40] [39]} Otros investigadores han desarrollado un algoritmo de aprendizaje automático que podría descubrir conjuntos de variables básicas de varios sistemas físicos y predecir la dinámica futura de los sistemas a partir de grabaciones de video de su comportamiento. ^{[41] [42]} En el futuro, es posible que esto pueda usarse para automatizar el descubrimiento de leyes físicas de sistemas complejos. ^[41] Más allá del descubrimiento y la predicción, el aprendizaje de tipo "pizarra en blanco" de aspectos fundamentales del mundo físico puede tener otras aplicaciones, como mejorar la inteligencia artificial general adaptativa y amplia . ^{[ cita(s) adicional(es) necesaria(s) ]} En específico, los modelos de aprendizaje automático anteriores eran "altamente especializados y carecían de una comprensión general del mundo". ^[40]

• Computación cuántica
• Aprendizaje automático cuántico
• Recocido cuántico
• Red neuronal cuántica
• Algoritmo HHL