Глубокое обучение с подкреплением вводит квантовую систему в «состояние кота Шредингера»

2021-11-22 18:18

Физики из Японии и Австралии при помощи моделирования показали, что одна из разновидностей машинного обучения — обучение с подкреплением — подходит для точного управления квантовым состоянием системы.

Кот Шредингера, находящийся одновременно в двух квантовых состояниях, в представлении художника. / © Okinawa Institute of Science and Technology

Чтобы эффективно использовать квантовые системы для записи, хранения и обработки информации, нужны методы, которые позволяют точно измерять состояние квантовой системы и управлять ею. Проблема в том, что в квантовом мире любое взаимодействие системы с окружающей средой, включая произведенные измерения, немного изменяет ее состояние. Это приводит к ошибкам, которые затрудняют управление квантовыми системами, особенно в реальном времени.

Для поддержания системы в желаемом состоянии используют системы управления с обратной связью, которые реагируют на небольшие изменения системы и возвращают ее в требуемое состояния. Для простых систем силу, которую нужно при этом приложить, можно рассчитать аналитически. Однако в более сложных — и приближенных к реальной жизни — случаях готового решения нет.

В своей работе с использованием моделирования физики показали, что глубокое обучение с подкреплением эффективно справляется с этой задачей для системы с нелинейным гамильтонианом — функцией, которая описывает ее полную энергию. Обучением с подкреплением называют один из методов машинного обучения, при котором алгоритм обучается, взаимодействуя со средой и получая обратную связь. Значит, в каждом цикле обучения алгоритм как-то воздействует на состояние квантовой системы, а затем узнает, что из этого вышло.

До обучения взаимодействия были случайными, и поначалу алгоритму не удавалось поддерживать систему в нужном состоянии:

Шарик на холме визуализирует систему в нужном квантовом состоянии, задача алгоритма — удержать шарик в синей области / © Okinawa Institute of Science and Technology

Но уже через 300 циклов обучения эта задача давалась алгоритму довольно легко:

Шарик остается в синей зоне, но колебания его положения (красная линия) еще довольно большие / © Okinawa Institute of Science and Technology

А спустя 5000 циклов амплитуда необходимых воздействий стала минимальной:

Шарик на месте, колебания амплитуды приложенной силы (синяя линия), как и колебания положения шарика (красная линия), минимальны / © Okinawa Institute of Science and Technology

Таким образом, ученым удалось показать, что глубокое обучение с подкреплением эффективно возвращает систему в почти чистое «состояние кота Шредингера», при котором система находится одновременно в двух состояниях, как и кот в знаменитом мысленном эксперименте Эрвина Шредингера. При этом обучение происходит полностью автономно. Авторы статьи считают, что в дальнейшем и другие методы искусственного интеллекта можно использовать для управления квантовыми системами.

Статья с результатами исследования опубликована в журнале Physical Review Letters.

Источник: m.vk.com



		Глубокое обучение с подкреплением вводит квантовую систему в «состояние кота Шредингера»
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ Разработка ИИ ИИ теория Компьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Внедрение ИИ Big data Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Работа разума и сознание Изучение сна Изучение сознания Нейроинтерфейс Психология Работа мозга Работа памяти Работа разума Модель мозга Модель мозга Робототехника, БПЛА Беспилотные автомобили БПЛА Робототехника Трансгуманизм Трансгуманизм Обработка текста Анализ социальных сетей Компьютерная лингвистика Лингвистика Поисковые алгоритмы Теория эволюции Головной мозг Нейронные сети Поведение животных Теория эволюции Дополненная реальность Виртулаьная реальность Дополненная реальность Железо Интернет вещей Квантовый компьютер Нейронные процессоры облачные вычисления Суперкомпьютеры Киберугрозы Кибербезопасность Научный мир Методы исследования Наука и образование Семинары ИТ индустрия ИТ-гиганты Новости ит Разработка ПО Разработка ПО Теория алгоритмов Теория информации Кластеризация Математика Актуальная математика Статистика Теория вероятности Теория информации Теория хаоса Цифровая экономика Технология блокчейн Цифровая экономика Авторизация RSS RSS новости		2021-11-22 18:18 алгоритмы машинного обучения Физики из Японии и Австралии при помощи моделирования показали, что одна из разновидностей машинного обучения — обучение с подкреплением — подходит для точного управления квантовым состоянием системы. Кот Шредингера, находящийся одновременно в двух квантовых состояниях, в представлении художника. / © Okinawa Institute of Science and Technology Чтобы эффективно использовать квантовые системы для записи, хранения и обработки информации, нужны методы, которые позволяют точно измерять состояние квантовой системы и управлять ею. Проблема в том, что в квантовом мире любое взаимодействие системы с окружающей средой, включая произведенные измерения, немного изменяет ее состояние. Это приводит к ошибкам, которые затрудняют управление квантовыми системами, особенно в реальном времени. Для поддержания системы в желаемом состоянии используют системы управления с обратной связью, которые реагируют на небольшие изменения системы и возвращают ее в требуемое состояния. Для простых систем силу, которую нужно при этом приложить, можно рассчитать аналитически. Однако в более сложных — и приближенных к реальной жизни — случаях готового решения нет. В своей работе с использованием моделирования физики показали, что глубокое обучение с подкреплением эффективно справляется с этой задачей для системы с нелинейным гамильтонианом — функцией, которая описывает ее полную энергию. Обучением с подкреплением называют один из методов машинного обучения, при котором алгоритм обучается, взаимодействуя со средой и получая обратную связь. Значит, в каждом цикле обучения алгоритм как-то воздействует на состояние квантовой системы, а затем узнает, что из этого вышло. До обучения взаимодействия были случайными, и поначалу алгоритму не удавалось поддерживать систему в нужном состоянии: Шарик на холме визуализирует систему в нужном квантовом состоянии, задача алгоритма — удержать шарик в синей области / © Okinawa Institute of Science and Technology Но уже через 300 циклов обучения эта задача давалась алгоритму довольно легко: Шарик остается в синей зоне, но колебания его положения (красная линия) еще довольно большие / © Okinawa Institute of Science and Technology А спустя 5000 циклов амплитуда необходимых воздействий стала минимальной: Шарик на месте, колебания амплитуды приложенной силы (синяя линия), как и колебания положения шарика (красная линия), минимальны / © Okinawa Institute of Science and Technology Таким образом, ученым удалось показать, что глубокое обучение с подкреплением эффективно возвращает систему в почти чистое «состояние кота Шредингера», при котором система находится одновременно в двух состояниях, как и кот в знаменитом мысленном эксперименте Эрвина Шредингера. При этом обучение происходит полностью автономно. Авторы статьи считают, что в дальнейшем и другие методы искусственного интеллекта можно использовать для управления квантовыми системами. Статья с результатами исследования опубликована в журнале Physical Review Letters. Источник: m.vk.com Комментарии:

Глубокое обучение с подкреплением вводит квантовую систему в «состояние кота Шредингера»

Комментарии: