机器学习在量子信息与其他物理中的应用

发布时间：2021-11-24 17:26

　　机器学习是利用概率论、统计学等知识,结合最新的计算机技术,通过大量数据或其他经验自动改进计算机算法的研究,在图像分类、时序预测、自我调控等方面取得了诸多进展。量子机器学习是机器学习和量子信息领域的结合学科,包括将使用量子计算加速机器学习方法,或者使用传统方法解决量子物理领域的难题两方面。本文对后一类方法进行了探索,并探索了机器学习在其他物理问题中的应用。快速高效的传递量子信息对于实现可扩展的量子计算至关重要,其中一维自旋链上的量子态传输是量子信息领域中的热点问题。经典方法研究中有诸多方法,但皆有些许不足。增强学习是机器学习中的一种,可以在无需人类标注数据的情况下自主学习,寻找针对特定问题的调控方案。本文通过引入增强学习和另一种经典机器学习手段,提出了无需含时调控和包含含时调控的两种量子态学习方案,并且在速度和准确率上均超过了原有结果。量子纠缠是量子信息与量子计算中重要的资源。然而即使在小型系统,例如2-3量子比特的情况下,将纠缠态与可分态进行区分依然是非常困难、需要消耗大量资源的过程。本文通过引入人工搭建的神经网络,在两比特情况下证明了机器学习的分类能力。卷积神经网络作为神经网络的一种... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

纠缠见证的区分范围种是引入非线性函数，将超平面投影至高维，在更高维度空间实现线性分类；另

哈尔滨工业大学理学硕士学位论文a)通过组合多个纠缠见证，我们可以提升整体分类器的能力b)一个神经元连接可以被认为是一个贝尔不等式.c)带有隐藏层的神经网络可以视作是多个修正贝尔不等式的组合以取得更强的分类能力。d)在特殊态类型中，机器学习修正贝尔不等式复合的适用范围比原有CHSH不等式向前推了一大步。图2-2神经网络与修正贝尔不等式组合[35]-15-

分判定上的两个结果，分别为 2 量子比特纠缠分类和 3 量子比特纠缠分类。2.3.1 全连接神经网络介绍全连接神经网络（full connected neural network）作为神经网络中的基础版本，即使在后续各种千奇百怪的深度神经学习网络结构中依然占据着一席之地，包括卷积神经网络（convolution neural network）和递归神经网络（recursion neural network）中也不乏它们的身影。实际上，上一节介绍的修正贝尔不等式组合就是一个全连接神经网络的例子。通常来说，一个全连接神经网络包含三个部分，即输入层，隐藏层和输出层，而在每层之间由线性变换进行连接，同时每层则进行单独的非线性变换以获得强

【参考文献】：
期刊论文
[1]应用机器学习技术预测强雨雪天气过程中的积雪[J]. 张远汀,龚伟伟,叶钰,徐希源,徐勋建,蔡泽林,陆佳政,韩俊浩,叶飞,许婧.  科学技术与工程. 2019(15)
[2]一种基于CNN和RNN深度神经网络的天气预测模型——以北京地区雷暴的6小时临近预报为例[J]. 倪铮,文韬.  数值计算与计算机应用. 2018(04)
[3]关于量子态SLOCC等价分类的注记[J]. 孙欢,李欢,曹怀信.  应用泛函分析学报. 2013(04)



本文编号：3516441