Привет Алисы . 🔮
Админу очень хотелось затронуть тему квантовой механники но не очень хотелось взрывать вам мозг ибо вы мне еще нужны🙃

Но вот отосительо недавно вышло исследование как обычное машинное обучение может помочь в кванотовой мехаике 🧬. И я хочу кратко рассказать о нем (матерьял будет особенно не полный и без многих тех подробностей для лучшего понимание ознакомьтесь с статьей ниже) . Оно делиться на две части , 1) без тех деталей 2) чуть чуть сними .
Погнали !

Часть 1) Сатруктура без тех подробностей

Обычные комьтеры это хорошо . Но часто нам трудно пердмставить как они помогут нам в квантовой механнике , а квантовые комьютреы появятся хоть и относительно скоро но пока что их нет .
Увы уже сейчас люди, создающие новые квантовые состояния в лаборатории, могут быть не в состоянии их понять их.

Но машинным обучением можно плучить классические данные, чтобы объяснить, что происходит и более глубоко понять квантовую механику.
В данной работе опираются на классический теневой формализм и разработать классические алгоритмы машинного обучения с полиномиальным временем для квантовых задач .
Мы затроним прогнозированию классических квантовых состояний. А именно семейство
Гамильтонианы, где гамильтониан H(x) гладко зависит от m вещественных параметров (обозначаемых x).
ИИ обучается на наборе обучающих данных, состоящих из выборочных значений x, каждое из которых сопровождается соответствующая классическая тень для основного состояния p(x) H(x). Эти обучающие данные могут быть получены либо в классической симуляции, либо с помощью мох любимых квантовых экспериментов.

На этапе прогнозирования алгоритм ИИ прогнозирует классическое представление p(x) для новых значений x, отличных от значений в обучающих данных. Основное состояние
затем свойства могут быть оценены с использованием предсказанного классического представления.
Этот алгоритм обучения эффективен при условии, что свойства основного состояния, которые необходимо предсказать, не изменяются не меняются слишком быстро как функция x
Действительно, достаточные верхние границы на градиент,и могут быть получены для любого семейства гамильтонианов в любом конечном пространственном измерении, если интересующее нас свойство представляет собой матожидание суммы нескольких наблюдаемых тел.
Эффективное преобразование квантового состояния в классическое.
Классическая тень квантового состояния, построенная путем измерения очень небольшого числа копий состояния, может быть использована для предсказания многих свойств состояния со строгой гарантией производительности гарантией .
После обучения на данных, полученных в квантовых экспериментах, классическая модель ИИ прогнозирует классическое представление основного состояния p(x) гамильтониана H(x) для параметров x, охватывающих всю фазу.
Такое представление позволяет получить оценки свойств p(x), избегая необходимости проводить классических вычислений или квантовые эксперименты.
После обучения ИИ получает классическое представление квантового состояния и предсказывает фазу, из которой было взято состояние
взято. Для предсказания основных состояний, ИИ получает p(x) для каждого значения x, отобранного во время обучения. Для предсказания квантовых фаз материи обучающие данные состоят из классических
представления квантовых состояний, сопровождаемых метками, идентифицирующими фазу, к которой принадлежит каждое состояние с малой средней ошибкой, где объем обучающих данных и классическое время вычислений полиномиальны
m и линейны по размеру системы..
фууух надеюсь понятно .
Грубо говоря мы взяли данные из квантовых опытов и обочли ии для дальнейшего изучения .🔆
На этом первый этап закончен и думаю что мы можем перейти к более тех-части
#quantum_mechanics #neural_networks