Машинне навчання у фізиці — застосування класичних методів машинного навчання для вивчення квантових систем. Є основою нової галузі досліджень фізики. Основним прикладом цього є квантова томографія[en], де квантовий стан стає відомим за допомогою вимірювання[1]. Інші приклади включають вивчення гамільтоніанів[2][3], вивчення квантових фазових переходів[4][5] і автоматичне створення нових квантових експериментів[6][7][8][9]. Класичне машинне навчання є ефективним при обробці великих обсягів експериментальних або розрахункових даних з метою схарактеризувати невідому квантову систему, що робить його застосування корисним у таких контекстах, як квантова теорія інформації, розробка квантових технологій і дизайн обчислювальних матеріалів. У цьому контексті його можна використовувати, наприклад, як інструмент для інтерполяції попередньо розрахованих міжатомних потенціалів[10] або безпосереднього вирішення рівняння Шредінгера за допомогою варіаційного методу[11].
Здатність експериментально контролювати та готувати дедалі складніші квантові системи тягне за собою зростаючу потребу перетворювати великі та зашумлені набори даних у значущу інформацію. Це проблема вже була широко вивчена в класичних умовах і тому багато існуючих методів машинного навчання можуть бути природним чином адаптовані для більш ефективного вирішення експериментально значущих проблем. Наприклад, байєсівські методи та концепції алгоритмічного навчання[en] можуть бути продуктивно застосовані для вирішення квантової класифікації станів[12], Гамільтонівського навчання[13] та характеристики невідомого унітарного перетворення[14][15]. Інші проблеми, які було вирішено за допомогою цього підходу, наведено в наступному списку:
Квантове машинне навчання також може бути застосоване для значного прискорення передбачення квантових властивостей молекул і матеріалів[26]. Це може бути корисним для обчислювального дизайну нових молекул або матеріалів. Деякі приклади включають
Варіаційні схеми — це сімейство алгоритмів, які використовують навчання на основі параметрів схеми та цільової функції[33]. Варіаційні схеми, як правило, складаються з класичного пристрою, який передає вхідні параметри (випадкові чи попередньо навчені параметри) у квантовий пристрій разом із класичною функцією математичної оптимізації. Ці схеми дуже сильно залежать від архітектури запропонованого квантового пристрою, оскільки коригування параметрів регулюється виключно на основі класичних компонентів у пристрої[34]. Хоча застосування є досить незрілим у сфері квантового машинного навчання, у варіаційних схем є досить непогані перспективи для більш ефективної генерації ефективних функцій оптимізації.
Методи машинного навчання можна використовувати, щоб знайти кращий різновид інтеграції для інтегралів шляхів, щоб уникнути проблеми зі знаком[35].
Нейронні мережі, побудовані на основі фізичної інформації, використовувалися для вирішення диференціальних рівнянь із частинними похідними як у прямих, так і в обернених задачах на основі даних[36]. Одним із прикладів є реконструкція потоку рідини, керована рівняннями Нав'є-Стокса. Використання нейронних мереж, побудованих на основі фізичної інформації, не потребує зазвичай затратної генерації сітки, на яку спираються звичайні методи обчислювальної гідродинаміки[37][38].
Повідомлялося, що система глибокого навчання вивчає інтуїтивну фізику з візуальних даних (віртуального 3D-середовища) на основі неопублікованого підходу, натхненного дослідженнями візуального пізнання у немовлят[40][39]. Інші дослідники розробили алгоритм машинного навчання, який може виявити набори основних змінних різних фізичних систем і передбачити майбутню динаміку систем на основі відеозаписів їх поведінки[41][42]. У майбутньому це може бути використано для автоматизації відкриття фізичних законів складних систем[41]. Окрім відкриттів і передбачень, тип вивчення фундаментальних аспектів фізичного світу за принципом «чистого аркуша» може мати й інші застосування, такі як покращення адаптивного та загального штучного інтелекту[джерело?]. Зокрема, попередні моделі машинного навчання були «вузькоспеціалізованими та не мали загального розуміння світу»[40].
{{cite journal}}
|hdl-access=
|hdl=