【Nature重磅】清华段路明组发现深度学习和量子物理重要关联

2017-09-25 09:41:49 来源：新智元抢沙发

2017-09-25 09:41:49 来源：新智元

摘要：清华大学量子信息中心段路明教授和其博士研究生郜勋发现，深度神经网络和量子多体问题存在紧密关联，他们证明利用深度神经网络模型可以有效表示几乎所有量子多体系统的波函数，展示了神经网络和深度学习算法在量子多体问题研究中的巨大潜力，相关论文在Nature Communications发表。
关键词：深度学习量子物理

　　量子多体问题研究粒子数极其巨大的量子相互作用系统，是凝聚态物理、高能物理、材料科学、量子化学等领域的核心前沿课题。由于量子波函数的直接刻画所需要的参数随粒子数的增加指数增长，即使利用现代超级计算机，也很难在一般情况下对其进行模拟，量子多体问题因而成为各领域的传统难题。

　　量子多体问题的一个关键难点是如何用尽量少的参数描述大规模量子多体系统中存在的复杂关联和量子纠缠，如果所需要的参数描述随粒子数的增长从指数函数降为多项式函数（例如线性函数），则描述和解决该问题的复杂度将大大降低，这种利用较少的参数表示出来的波函数被称为有效表示。因此，找到量子多体波函数的有效表示是解决量子多体问题的一个关键步骤。

　　段路明教授和其研究生郜勋利用量子计算理论和复杂性理论中的一系列技巧，证明了几个一般性的定理，揭示了深度神经网络和量子多体问题之间的紧密联系。

　　量子多体波函数的深度神经网络表示示意图

　　研究受限玻尔兹曼机（RBM）表示量子多体态的能力

　　神经网络模型具有表示复杂的多变量函数关联的能力，是深度学习算法和近期人工智能领域突破的基础。一个自然的想法是利用神经网络模型来表示量子多体波函数中的关联和纠缠。最近，一种浅层神经网络，称为受限玻尔兹曼机（RBM），在数值模拟一些比较基础的量子多体模型方面取得成功，但神经网络模型对于更一般的量子多体波函数的表示能力完全未知。

　　波尔兹曼神经网络示意图。a）受限玻尔兹曼机器（RBM），只有一个隐藏层，没有层内连接。b）深玻尔兹曼机（DBM），具有至少两个隐藏层并且没有层内连接。一般的DBM相当于在重调奇数层和偶数层之后具有两个隐藏层的DBM。c）具有层内连接的全连接玻尔兹曼机。d）将全连接玻尔兹曼机减少为具有两个隐藏层的DBM

　　研究首先证明了浅层神经网络无法有效表示一般的量子多体波函数。然后，研究利用量子计算模型，证明深度神经网络可以有效表示量子动力学演化产生的所有量子态，而表示所需参数的个数仅随粒子数和演化时间呈线性增长。

　　此外，研究还证明了任何常见物理系统的基态都可以用深度神经网络有效表示，并提出了一种深度学习算法，用于计算基态或量子动力学演化所产生的波函数。

　　下面是使用DBM对通用量子计算态的表示示意图。

　　a）封装了隐藏神经元的Gadget函数，这个g函数由二元变量组成，二元变量由Port神经元（粉色）表示。

　　b）表示两种量子线路的基本gadget

　　c）Gadget的两种融合规则rule I、rule II及其神经网络表示

　　d）模拟3种基本量子门的应用，结合在一起可以进行通用的量子计算

　　e）带有基本gadget的量子线路的一个表示

　　用DBM表示张量网络状态。a）张量网络状态示意图。b）由DBM表示该张量网络状态。

　　研究人员表示，在研究深度神经网络性能时，网络的深度为什么重要是大家都很关注的问题。他们使用DBM和RBM的研究在量子世界的背景下回答了这个疑问。

　　在证明大多数物理状态都能用DBM进行有效表示的基础上，论文还提供了系统的方法构建多项式大小DBM去表示这些量子态。作者还介绍了一个基于强化学习算法的方法，训练DBM接近这些基态。

　　使用DBM有效表示量子多体态有很多有趣的应用。作者还认为，学习算法还有很大的提升空间，我们可以使用DBM和RBM来改善学习算法的性能。

第四十一届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

责编：houlimin

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。