[论文解读] Modern applications of machine learning in quantum sciences

Anna Dawid, Julian Arnold+27 more|arXiv (Cornell University)|Apr 8, 2022

Quantum Computing Algorithms and Architecture被引用 68

一句话总结

对机器学习方法在量子科学中的应用进行全面概览，包括深度学习、核方法和可微分编程，用于相位分类、态表示和量子电路优化等任务。该书还涵盖生成模型和在量子情境中的统计ML等专业主题。

ABSTRACT

In this book, we provide a comprehensive introduction to the most recent advances in the application of machine learning methods in quantum sciences. We cover the use of deep learning and kernel methods in supervised, unsupervised, and reinforcement learning algorithms for phase classification, representation of many-body quantum states, quantum feedback control, and quantum circuits optimization. Moreover, we introduce and discuss more specialized topics such as differentiable programming, generative models, statistical approach to machine learning, and quantum machine learning.

研究动机与目标

• 介绍将机器学习应用于量子科学的最新进展。
• 调查在量子问题中使用的监督学习、无监督学习和强化学习技术。
• 讨论多体量子态的表示及量子电路的优化。
• 突出量子情境中如可微分编程、生成模型以及统计ML方法等专门主题。

提出的方法

• 对量子科学中的机器学习当前文献和方法进行综述与综合。
• 按学习范式（监督、无监督、强化）和应用对ML技术进行分类。
• 讨论使用ML表征量子态和量子电路优化。
• 解释在量子ML中如可微分编程和生成建模等前沿主题。

实验结果

研究问题

• RQ1 在量子系统中，哪些ML方法最适合用于相位分类和态表示？
• RQ2 ML方法如何用于量子反馈控制和电路优化？
• RQ3 可微分编程和生成模型在量子机器学习中扮演何种角色？
• RQ4 在量子情境中支持ML的统计视角和方法有哪些？

主要发现

• 本书汇总了跨越多种ML范式的量子科学中的ML应用的最新进展。
• 它涵盖利用ML技术的相位分类、态表示、量子反馈控制和电路优化。
• 在量子ML背景下讨论了如可微分编程、生成模型和统计方法等专门主题。
• 将生成模型和可微分编程作为量子ML研究的有前景方向。
• 该研究为进入量子科学ML领域的研究人员提供了全面的参考。