[논문 리뷰] Modern applications of machine learning in quantum sciences

Anna Dawid, Julian Arnold외 27명|arXiv (Cornell University)|2022. 04. 08.

Quantum Computing Algorithms and Architecture인용 수 68

한 줄 요약

기계 학습 방법이 양자 과학 전반에 어떻게 적용되는지에 대한 포괄적인 개요이며, 딥 러닝, 커널 방법, differentiable programming을 포함하며 위상 분류, 상태 표현, 양자 회로 최적화와 같은 작업에 사용됩니다. 이 책은 또한 생성 모델 및 양자 맥 context에서의 ML에 대한 통계적 접근과 같은 전문 주제를 다룹니다.

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.

연구 동기 및 목표

• 양자 과학에 기계 학습을 적용하는 최신 연구 동향을 소개한다.
• 양자 문제에서 감독 학습, 비감독 학습, 강화 학습 기법을 조사한다.
• 다체 양자 상태 표현과 양자 회로 최적화에 대해 논의한다.
• 양자 맥락에서의 differentiable programming, 생성 모델, 통계적 ML 접근법과 같은 전문 주제를 강조한다.

제안 방법

• 양자 과학을 위한 ML의 현재 문헌 및 방법의 조사와 종합.
• 학습 패러다임(감독/비감독/강화 학습) 및 응용에 따른 ML 기법의 분류.
• ML을 이용한 양자 상태 표현 및 양자 회로 최적화에 대한 논의.
• 양자 ML에서의 미분 가능 프로그래밍 및 생성 모델링과 같은 고급 주제에 대한 설명.

실험 결과

연구 질문

• RQ1 양자 시스템에서 위상 분류 및 상태 표현에 가장 효과적인 ML 접근법은 무엇인가?
• RQ2 ML 방법은 양자 피드백 제어 및 회로 최적화에 어떻게 활용될 수 있는가?
• RQ3 양자 머신러닝에서 미분 가능 프로그래밍과 생성 모델은 어떤 역할을 하는가?
• RQ4 양자 맥 context에서 ML을 뒷받침하는 통계적 관점과 방법론은 무엇인가?

주요 결과

• 이 책은 여러 ML 패러다임에 걸친 양자 과학에의 ML 응용의 현재 발전을 집계한다.
• 위상 분류, 상태 표현, 양자 피드백 제어 및 회로 최적화를 ML 기법으로 다룬다.
• 미분 가능 프로그래밍, 생성 모델, 통계적 접근법과 같은 전문 주제가 양자 ML 맥 context에서 논의된다.
• 생성 모델과 미분 가능 프로그래밍은 양자 ML 연구의 유망한 방향으로 제시된다.
• 이 작업은 양자 과학에서 ML에 진입하는 연구자들을 위한 포괄적인 참고 자료로 작용한다.