搜索

x
专题

更多 
领域
文章类型

机器学习与物理

机器学习与物理专题编者按
DOI: 10.7498/aps.70.140101
          机器学习, 尤其是深度学习, 在很多方面取得了令人瞩目的成就, 是当前科学技术领域最为热门、发展最快的方向之一. 其与物理的结合是最近几年新兴的交叉前沿领域, 受到了广泛关注. 一方面, 运用机器学习的方法可以解决一些复杂的、传统方法很难或无法解决的物理问题; 另一方面, 物理中的一些概念、理论和方法也可以用于研究机器学习. 二者的交叉融通带来了新的机遇与挑战,将极大地促进两个领域的发展.
        本专题邀请了若干活跃在该新兴领域的专家撰稿, 重点介绍机器学习与物理交叉方向的部分国际前沿课题和最新研究进展. 内容涵盖了量子人工智能中的对抗学习, 量子生成模型, 基于波动与扩散的机器学习, 自动微分, 绝热量子算法设计, 量子机器学习中的编码与初态制备, 以及基于自旋体系的量子机器学习实验进展等.
       希望本专题能够帮助读者了解机器学习与物理交叉方向的研究内容, 基本思想与方法, 最新进展情况, 以及面临的挑战与机遇. 同时, 也希望这个专题能够激发读者的兴趣, 吸引更多的研究人员加入到此交叉领域的研究中.
客座编辑:邓东灵 清华大学
物理学报.2021, 70(14).
量子人工智能中的对抗学习
沈培鑫, 蒋文杰, 李炜康, 鲁智德, 邓东灵
2021, 70 (14): 140302. doi: 10.7498/aps.70.20210789
摘要 +
量子人工智能是一个探究人工智能与量子物理交叉的领域: 一方面人工智能的方法和技术可以用来解决量子科学中的问题; 另一方面, 量子计算的发展也可能为人工智能, 尤其是机器学习, 提供新的范式, 极大促进人工智能的发展. 然而, 量子机器学习和经典学习系统对于对抗样本同样具有脆弱性: 在原始数据样本上添加精心制作的微小扰动将很可能导致系统做出错误的预测. 本文介绍经典与量子对抗机器学习的基本概念、原理、以及最新进展. 首先从经典和量子两个方面介绍对抗学习, 通过二维经典伊辛模型和三维手征拓扑绝缘体的对抗样本揭示出经典机器学习在识别物质相时的脆弱性, 同时利用手写字体的对抗样本直观展示出量子分类器的脆弱性. 随后从理论层面上分别阐述经典与量子的“没有免费午餐”定理, 并探讨了量子分类器的普适对抗样本. 最后, 分析并讨论了相应的防御策略. 量子人工智能中对抗学习的研究揭示了量子智能系统潜在的风险以及可能的防御策略, 将对未来量子技术与人工智能的交叉产生深刻影响.
量子生成模型
孙太平, 吴玉椿, 郭国平
2021, 70 (14): 140304. doi: 10.7498/aps.70.20210930
摘要 +
近年来, 很多基于生成模型的机器学习算法, 如生成对抗网络、玻尔兹曼机、自编码器等, 在数据生成、概率模拟等方面有广泛的应用. 另一方面, 融合量子计算和经典机器学习的量子机器学习算法也不断被提出. 特别地, 量子生成模型作为量子机器学习的分支, 目前已有很多进展. 量子生成算法是一类量子-经典混合算法, 算法中引入参数量子线路, 通过执行参数线路得到损失函数及其梯度, 然后通过经典的优化算法来优化求解, 从而完成对应的生成任务. 与经典生成模型相比, 量子生成模型通过参数线路将数据流映射到高维希尔伯特空间, 在高维空间中学习数据的特征, 从而在一些特定问题上超越经典生成模型. 在中等规模含噪声的量子体系下, 量子生成模型是一类有潜力实现量子优势的量子机器学习算法.
基于自旋体系的量子机器学习实验进展
田宇, 林子栋, 王翔宇, 车良宇, 鲁大为
2021, 70 (14): 140305. doi: 10.7498/aps.70.20210684
摘要 +
机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域, 然而其运算能力在一定程度上受到经典计算机算力的制约. 近年来, 随着量子技术的高速发展, 量子计算加速的机器学习在诸多量子体系中进行了初步实验验证, 并在某些特定问题上展示出了超越经典算法的优势. 本文主要介绍两类典型的自旋体系—核磁共振体系和金刚石氮空位色心体系, 并回顾近年来量子机器学习在这两类体系上的一些代表性实验工作.
机器学习辅助绝热量子算法设计
林键, 叶梦, 朱家纬, 李晓鹏
2021, 70 (14): 140306. doi: 10.7498/aps.70.20210831
摘要 +
量子计算在近十年取得了长足的进展. 随着量子调控技术达到前所未有的高度, 包括超导量子比特、光量子器件、原子系综等在内的量子实验平台都进入到了崭新的时代. 目前在特定计算任务上超越经典的量子计算优势也已经被报道. 其中一种可以有效运用可控量子器件的计算方案是采用绝热量子计算. 绝热量子计算中算法的选择与研究至关重要, 其将直接决定量子计算优势是否能够最大限度地被挖掘. 本综述主要介绍近期机器学习在绝热量子算法设计方面的应用, 并讲述该计算架构在3-SAT和Grover搜索等问题上的应用. 通过与未经机器学习优化设计的绝热量子算法对比, 研究表明机器学习方法的应用可以极大提高绝热量子算法的计算效率.
量子态制备及其在量子机器学习中的前景
赵健, 陈昭昀, 庄希宁, 薛程, 吴玉椿, 郭国平
2021, 70 (14): 140307. doi: 10.7498/aps.70.20210958
摘要 +
经典计算机的运算能力依赖于芯片单位面积上晶体管的数量, 其发展符合摩尔定律. 未来随着晶体管的间距接近工艺制造的物理极限, 经典计算机的运算能力将面临发展瓶颈. 另一方面, 机器学习的发展对计算机的运算能力的需求却快速增长, 计算机的运算能力和需求之间的矛盾日益突出. 量子计算作为一种新的计算模式, 比起经典计算, 在一些特定算法上有着指数加速的能力, 有望给机器学习提供足够的计算能力. 用量子计算来处理机器学习任务时, 首要的一个基本问题就是如何将经典数据有效地在量子体系中表示出来. 这个问题称为态制备问题. 本文回顾态制备的相关工作, 介绍目前提出的多种态制备方案, 描述这些方案的实现过程, 总结并分析了这些方案的复杂度. 最后对态制备这个方向的研究工作做了一些展望.
基于波动与扩散物理系统的机器学习
陈江芷, 杨晨温, 任捷
2021, 70 (14): 144204. doi: 10.7498/aps.70.20210879
摘要 +
物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注, 尤其是在波动系统和扩散系统中. 本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用, 综述了波动系统和扩散系统中的机器学习研究, 介绍了部分最新研究成果. 文中首先讨论了监督学习的波动系统实现, 包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算. 接着, 文中继续讨论了受扩散系统启发的机器学习算法, 如基于扩散动力学的分类算法, 基于热扩散的数据挖掘和信息过滤, 以及基于群体扩散的搜索优化等. 波动系统以其天然的并行性、高效、低能耗等优势, 通过丰富的波动力学和波动物理现象进行计算或算法模拟, 正成为机器学习的新型物理载体. 扩散系统中的物理机制可以启发构建高效的机器学习算法, 用于复杂系统和物理学研究中的分类、优化等问题. 期望通过对波动、扩散物理系统与机器学习内在联系的讨论, 能够为开发物理启发的新算法和硬件实现甚至软硬一体化带来抛砖引玉的启示.
自动微分及其在物理模拟中的应用
刘金国, 许开来
2021, 70 (14): 149402. doi: 10.7498/aps.70.20210813
摘要 +
自动微分是利用计算机自动化求导的技术, 最近几十年因为它在机器学习研究中的应用而被很多人了解. 如今越来越多的科学工作者意识到, 高效、自动化的求导可以为很多科学问题的求解提供新的思路, 其中自动微分在物理模拟中的应用尤为重要, 而且具有挑战性. 物理系统的可微分模拟可以帮助解决混沌理论、电磁学、地震学、海洋学等领域中的很多重要问题, 但又因为其对计算时间和空间的苛刻要求而对自动微分技术本身提出了挑战. 本文回顾了将自动微分技术运用到物理模拟中的几种方法, 并横向对比它们在计算时间、空间和精度方面的优势和劣势. 这些自动微分技术包括伴随状态法, 前向自动微分, 后向自动微分, 以及可逆计算自动微分.