本文提出了一种基于深度张量神经网络(DTNN)的方法,可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析,此方法可以用于预测分子的原子能和局部化学势,同位素能和分子的电子结构,为揭示复杂的量子化学体系提供了新的突破。
Sep, 2016
简单介绍了神经网络和深度学习的基础知识,以及它们在量子领域中的应用,重点关注于强化学习和量子信息处理机对机器学习加速的应用。
Jan, 2021
采用深度神经网络可以同时预测量子态的多个特性,并可通过局部测量来推断多体量子系统的全局特性,用于识别对称保护拓扑态和发现不同相之间的未知边界。
Oct, 2023
通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度,通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案,能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性,为解决量子多体问题提供了新的强有力的工具。
Jun, 2016
本文研究了基于神经网络的方法,能够预测量子系统的演化轨迹,同时提取系统哈密顿量,测量算符和物理参数。该方法可用于噪声表征,参数估计,反馈和优化量子控制。
Nov, 2018
在深度学习和量子计算领域的交叉研究中,量子神经网络、量子卷积网络和量子启发式经典深度学习算法被提出并得到广泛关注。本文综述了该领域各种研究的技术贡献、优点和相似之处。同时,作者简要介绍了最近在量子启发式经典深度学习算法以及在自然语言处理中的应用取得的进展。
May, 2020
本文主要讨论了量子神经网络(Quantum Neural Networks)在监督学习任务中的不同结构和编码策略,并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能,以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。
Jun, 2022
量子机器学习与经典机器学习中的核方法有相似之处,本研究探索了将经典神经网络与量子退火机连接的设置,并模拟了其在分类问题上的性能,发现加入小型量子退火机并不能显著提高性能。
Aug, 2023
本研究利用 Hamilton 力学来为神经网络提供更好的归纳偏差,使其能够在自我监督的状态下学习并遵守物理中的守恒定律;研究表明我们的模型在能量守恒等问题上具有更快的训练速度和更好的泛化性能,并且是一个完全可逆的时间模型。
Jun, 2019
研究物理启发的神经网络的诱导偏差及其应用。表明与常规认识相反,通过直接建模加速度避免人工坐标系的人工复杂性,而不是辛结构或能量守恒,改善了 HNN 的广义性能。在实际中,通过放松这些模型的诱导偏差,可以在能量守恒系统上匹配或超过其性能,同时显著提高非守恒系统上的性能。作者将这种方法扩展到通用 Mujoco 环境的转换模型构建中,展示了我们的模型可以适当地平衡诱导偏差与需求灵活性,从而实现基于模型的控制。
Feb, 2022