作者:安东尼奥·梅扎卡波 信用:CC0公共领域 量子计算有望在未来提高我们执行一些关键计算任务的能力
机器学习正在改变我们在日常生活和科学中使用计算机的方式
寻求这两种新兴计算方法之间的联系是很自然的，希望获得多重好处
对链接的搜索才刚刚开始，但是我们已经在这个未被探索的领域看到了很多潜力
我们在这里发表两篇新的研究文章:“用神经网络估计器精确测量量子可观测性”，发表在《物理评论研究》上，和“从头算电子结构的费米子神经网络状态”，发表在《自然通讯》上
驯服波函数 今天，预测分子和材料的电子结构特性被认为是获得量子优势的最短路径之一
另一方面，模拟量子力学是机器学习最锐利的工具神经网络的一个全新应用
只是在最近几年，神经网络才被用来对量子物质的相位进行分类，或者作为与许多物体系统相互作用的变量
表示量子波函数是量子计算机和神经网络都在努力做的事情
这个共同点可以作为探索可能联系的起点
每种方法都有其优点和缺点
精确的重要性 变分量子本征解算器(VQE)与其他用于电子结构的低深度算法一起，利用量子态的存储和操纵来检索感兴趣的量子系统的基态和激发态属性
为此，对于分子系统，我们需要测量哈密顿算符的期望值，它代表分子能量
我们还需要非常精确地做到这一点:带有严重随机波动的测量将使整个量子算法无法用于实际目的
事实证明，量子计算机不太擅长这项任务
更具体地说，对于显示量子优势的应用来说，达到足够精度的测量数量对于当前技术来说是禁止的
在PRR的“用神经网络估计器精确测量量子可观测性”一书中，我们与两位来自弗拉铁研究所的研究人员贾科莫·托莱和朱塞佩·卡洛合作，使用量子计算中的神经网络技术进行更精确的化学模拟
这项技术是基于神经网络的训练，通过量子计算机收集测量数据
一旦经过训练，神经网络就会对量子状态的部分表示进行编码，这足以以极高的精度恢复分子能量
一台量子计算机，结合了我们新的神经网络估计器，结合了这两种方法的优点
一台量子计算机，结合了我们新的神经网络估计器，结合了这两种方法的优点
当选择的量子电路被执行时，我们利用量子计算机的能力在指数增长的希尔伯特空间中干涉态
在量子干涉过程完成后，我们获得了一个有限的测量集合
然后，一个经典的工具——神经网络——可以使用这有限的数据来有效地表示量子状态的部分信息，比如它的模拟能量
将数据从量子处理器传递到经典网络给我们留下了一个大问题: 神经网络在捕捉由采样分子波函数生成的有限测量数据集的量子相关性方面有多好？ 面向计算科学家的量子计算工具箱 为了回答这个问题，我们必须思考神经网络如何模拟费米物质
迄今为止，神经网络已被用于模拟自旋晶格和连续空间问题
用神经网络求解费米子模型仍然是一项难以实现的任务
为了找到解决这个问题的方法，我们研究了分子在量子计算机上的模拟方式
我们用费米子自由度的编码来表示量子比特自由度，这与在量子计算机上进行分子模拟时使用的编码非常相似，就像在变分算法中一样
通过这些映射，在Qiskit Aqua上，我们定义了费米子神经网络状态
我们在一台经典计算机上测试了它们的分子基态，这是对量子和经典计算都有实际意义的量子对象
在《自然通讯》2020年5月的一篇文章中，作者是苏黎世大学的肯尼·楚(Kenny Choo)和弗拉铁研究所的朱塞佩·卡洛(Giuseppe Carleo)，我们已经表明，利用变分蒙特卡罗技术，浅层神经网络(如受限玻尔兹曼机器)可以捕捉小分子系统的基态能量
这项工作的结果影响了量子和经典计算
事实上，一方面，我们的工作表明，我们可以根据分子系统的量子数据安全地训练神经网络
另一方面，我们已经表明量子计算工具，如费米子到量子位编码，可以在经典计算技术的环境中使用
这些联系将进一步促进经典计算科学和量子计算社区之间的相互作用
对于量子计算，这可能意味着量子模拟领域的未来应用将越来越多地受益于机器学习技术对量子数据的处理
对于计算物理和化学来说，是时候开始研究从量子计算算法中可以学到什么了
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
