本文探讨了机器学习在科学研究中的潜力,使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现,自主学习创造了多种纠缠态并提高了实现效率,提出了机器在未来研究中具有更加创造性的可能。
Jun, 2017
本文介绍了应用于物理学领域的计算机辅助设计方法,着重阐述一种高效拓扑搜索方法用于设计新的复杂量子实验,并通过优化和机器学习技术提出了加速未来实验或理念发现的可能性。
Feb, 2020
人工智能的代码生成语言模型在量子物理实验领域发现了新的设计规则,为机器辅助科学理解提供了重要的工具。
Jun, 2024
利用小型光子量子计算机成功实现 2、4、8 维向量的有监督和无监督机器学习分类,这为利用量子计算机处理高维向量提供了新的可能性。
Sep, 2014
本研究通过机器学习方法,实验性地构造了一个量子态分类器,能够识别量子态可分离性,此方法能有效地学习和分类量子态,并不需要获取完整的量子态信息。同时本研究表明,通过添加神经网络的隐藏层,可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路,并代表了机器学习在量子信息处理领域的应用进展。
Dec, 2017
我们从计算复杂性的角度对实验量子物理学进行了系统研究,定义了量子算法测量 (QUALMs) 框架,用于研究量子多体物理学中的两个重要实验问题,并显示在使用实验样品的相干性 (空间和时间) 时,相较于分别访问每个实验样本的标准情况,可以实现可证明的指数加速。因此,我们的研究表明,量子计算机可以提供一种新的指数优势:量子实验的资源消耗获得指数级的节省。
Jan, 2021
这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据,并可以有效地分类一系列的量子相,在量子实验中可以通过构建经典影像来预测系统的多种属性。
Jun, 2021
本研究中,我们提出了两种量子算法用于机器学习问题的处理,即量子变分分类器和量子核估计器,并在超导处理器上实现了这两种算法,为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。
Apr, 2018
利用 Grover 和 Deutsch-Josza 两个基础量子算法,研究如何通过输出测量来推断在一定时间内,简单的神经网络(适用于生物和人工网络)是否会继续支持动态活动,或者其动态是否会停止。
Mar, 2024
本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性,并使用量子哈密顿基模型的方法进行产生建模,证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中,我们将学习到的哈密顿量用于异常检测,表明不同样本类型一旦被视为量子多体系统,就可以形成不同的动力行为。利用这些特征来量化样本类型之间的差异。我们的研究结果表明,设计用于场论计算的方法可以在机器学习应用中加以利用,以将理论方法应用于数据分析技术。
Nov, 2022