Exposé de Giuseppe Carleo (EPFL) dans le cadre du Séminaire Digital Humanities / Artificial Intelligence (DHAI).
The theoretical description of several complex quantum phenomena fundamentally relies on many-particle wave functions and our ability to represent and manipulate them. Variational methods in quantum mechanics aim at compact descriptions of many-body wave functions in terms of parameterised ansatz states, and are at present living exciting transformative developments informed by ideas developed in machine learning. In this presentation I will discuss variational representations of quantum states based on artificial neural networks [1] and their use in approximately solving the Schrödinger equation. I will further highlight the general representation properties of such states, the crucial role of physical symmetries, as well as the connection with other known representations based on tensor networks [2]. Finally, I will discuss how some classic ideas in machine learning, such as the Natural Gradient, are being used and re-purposed in quantum computing applications [3].
[1] Carleo and Troyer, Science 365, 602 (2017)
[2] Sharir, Shashua, and Carleo, arXiv:2103.10293 (2021)
[3] Stokes, Izaac, Killoran, and Carleo, Quantum 4, 269 (2020)
Traduction
Apprentissage des solutions de l'équation de Schrödinger avec des réseaux neuronaux à états quantiques
La description théorique de plusieurs phénomènes quantiques complexes est essentiellement basée sur des fonctions d'onde avec de nombreuses particules et notre capacité à les représenter et à les manipuler. Les méthodes de variation en mécanique quantique visent à des descriptions compactes des fonctions d'onde multi-corps sous la forme d'états de départ paramétrés et vivent actuellement des développements transformateurs passionnants qui sont façonnés par des idées d'apprentissage automatique. Dans cette présentation, je discuterai des variations d'états quantiques basés sur des réseaux de neurones artificiels [1] et de leur utilisation pour la solution approximative de l'équation de Schrödinger. Je soulignerai plus loin les propriétés générales de représentation de tels états, le rôle crucial des symétries physiques et la connexion avec d'autres représentations connues basées sur des réseaux tensoriels [2]. Enfin, je discuterai de la manière dont certaines idées classiques d'apprentissage automatique, telles que le gradient naturel, sont utilisées et redéfinies dans les applications de calcul quantique [3].
[1] Carleo and Troyer, Science 365, 602 (2017)
[2] Sharir, Shashua, and Carleo, arXiv:2103.10293 (2021)
[3] Stokes, Izaac, Killoran, and Carleo, Quantum 4, 269 (2020)
Catégories: Séminaire Digital Humanities / Artificial Intelligence
Mot-clés : Physique quantique, algorithme, mécanique quantique, apprentissage automatique
Voir aussi
|
|
École polytechnique fédérale de Lausanne ‐ EPFL
Physicien
Plus sur cet auteur
Voir la fiche de l'auteur
Cursus :
Giuseppe Carleo est un physicien de renommée mondiale dans le domaine des systèmes quantiques à plusieurs corps.
Il a entre autres mis au point un logiciel de machine learning, qui permet à un ordinateur «d’apprendre» l’état quantique d’un système physique complexe sur la base d’observations expérimentales et de prédire les résultats de mesures hypothétiques. Ses recherches d’avant-garde ont déjà eu un impact scientifique remarquable dans ce secteur porteur d’avenir.
Il a rejoint l'EPFL en tant que professeur assistant, à la tête d'un groupe de recherche axé sur la science quantique computationnelle.
Cliquer ICI pour fermerDernière mise à jour : 11/06/2021
Tous droits réservés
@ 2011 ENS