Методы машинного обучения для исследования многочастичных квантовых систем

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 19-71-10092

НазваниеМетоды машинного обучения для исследования многочастичных квантовых систем

Руководитель Федоров Алексей Константинович, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регион Общество с ограниченной ответственностью "Международный центр квантовой оптики и квантовых технологий" , г Москва

Конкурс №41 - Конкурс 2019 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-212 - Квантовые методы обработки информации

Ключевые слова Квантовые вычисления, квантовая обработка информации, квантовые симуляторы, фазовые переходы, многочастичные системы, алгоритмы оптимизации, алгоритмы отжига

Код ГРНТИ27.35.57

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Жизнедеятельность современного общества основана на использовании информационных технологий. Однако, при решении различных классов практически важных задач, например, задач поиска и оптимизации, возникают серьезные затруднения ввиду существующих ограничений классических вычислительных технологий. Вместе с тем, для целого ряда задач уже известны квантовые алгоритмы, которые значительно превосходят классические. Примерами являются алгоритм Шора для решения задач факторизации и дискретного логарифмирования, алгоритм Гровера для поиска по базе данных, алгоритм HHL для решения систем линейных уравнений и др. Разработкой технологий квантовых вычислений занимаются ведущие университеты и исследовательские центры по всему миру, включая Гарвардский университет (США), Массачусетский технологический институт (США), Калифорнийский технологический институт (США), Оксфордский университет (Великобритания), ETH (Швейцария) и многие другие. Исследовательские центры в области квантовых вычислений создаются при поддержке таких компаний как Google, IBM, Microsoft, Intel, Hewlett Packard Enterprise, Nokia Bell Labs, Raytheon и Alibaba. Одним из наиболее актуальных направлений, которое может быть значительно развито за счет технологий квантовых вычислений, является машинное обучение. Машинное обучение – это совокупность методов для решения задачи, при которых используются не заранее полностью запрограммированные решения, а алгоритмы, способные выделить скрытые сложные зависимости и свойства входных данных и на их основе решить задачу. Иными словами, они позволяют решать задачи, программирование которых трудоёмко, например, те, для которых нет известного строгого решение. Машинное обучение имеет широкое применение в таких задачах как распознавание образов, статистический анализ (классификация и кластеризация данных), обработки сигналов и многие другие. На стыке квантовой физики, квантовой теории информации и машинного обучения последние годы формируется новая область – квантовое машинное обучение. В рамках этого достаточно общего направления решается несколько задач. Во-первых, исследование квантовых алгоритмов для универсальных квантовых компьютеров, обеспечивающих ускорение, которые могут быть составными элементами программ для машинного обучения. Во-вторых, разработка специализированных квантовых компьютеров, которые не являются универсальными, но используют феномены квантовой физики для ускорения обучения классических нейронных сетей. Наконец, рассматривается также использование классических нейронных сетей для получения вариационных решений для многочастичных задач квантовой физики. Вышеупомянутые алгоритмы машинного обучения активно исследуются мировым научным сообществом. Существующие прототипы квантовых вычислителей активно используются для изучения возможности ускорения задач машинного обучения. Это направление активно поддерживается, например, компанией Google, использующих для целей машинного обучения доступные на сегодняшний день квантовые системы компании D-Wave – продукта DWave 2X. При этом во многих задачах будет достаточно того, что квантовые системы не ищут точное оптимальное решение, а помогают относительно быстро найти примерное решение. Это может быть интересно для ряда логистических и транспортных задач. При непосредственном участии членов коллектива настоящего проекта был получены важные результаты в области создания методов приготовления, управления и измерения квантовых состояний, составляющих фундаментальную основу квантовых технологий. Были предложены новые методы для томографии квантовых состояний и процессов, а также новые схемы для квантовых вычислений с использованием многочастичных квантовых систем. Членами коллектива также решались практические задачи машинного обучения из различных сфер, в том числе, обработки изображений и голосовых сигналов. Участники коллектива обладают опытом работы с существующими системами квантовых вычислений D-Wave, Rigetti и IBM. Кроме того, участниками коллектива создан ‘квантово-вдохновленный’ (quantum-insiped) алгоритм для решения задачи комбинаторной оптимизации, демонстрирующий преимущество по сравнению с существующими решениями. Предлагаемый проект направлен на исследование потенциала машинного обучения для описания сложных квантовых систем, поиска в них фазовых переходов и нестандартных режимов. Важными составляющими проекта будут, во-первых, построение методов, основывающихся на анализе экспериментально доступных параметров, что позволит обеспечить апробацию результатов проекта при сотрудничестве с экспериментальными группами. Во-вторых, разносторонний анализ возможности применения полученных результатов в практических задачах. Таким образом, настоящий проект обеспечивает синергию теории, эксперимента и практических приложений: теоретические результаты, предложения и методы, полученные в рамках проекта, будут апробироваться в лабораториях групп-партнеров настоящего коллектива (Российский квантовых центр, Оксфордский университет, Университет Париж-Юг), с целью определения их практической осуществимости и технологического потенциала; в свою очередь практические результаты, полученные при такой апробации, будут учитываться в дальнейших теоретических исследованиях. Следует, однако, уточнить, что акцент будет сделан на теоретических исследованиях. Всесторонний опыт и высокая квалификация членов коллектива позволят успешно осуществить настоящий проект.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Харьков Я.А., Сосков В.Е., Каразеев A.A., Киктенко Е.О., Федоров А.К. Revealing quantum chaos with machine learning Physical Review B, Vol. 101, №064406 (год публикации - 2020)
10.1103/PhysRevB.101.064406

2. Тиунов Е.С., Тиунова (Выборова) В.В., Уланов А.Е., Львовский А.И., Федоров А.К. Experimental quantum homodyne tomography via machine learning Optica, Vol. 7, No. 5, 448 (год публикации - 2020)
10.1364/OPTICA.389482

3. Баррет Т.Д., Клементс В.Р., Фостер Д.Н., Львовский А.И. Exploratory combinatorial optimization with reinforcement learning АAAI Conference (год публикации - 2020)

4. Ли Б., Малтезе Г., Коста-Филхо Х.И., Пушкина А.А., Львовский А.И. Optical Eratosthenes’ sieve for large prime numbers Optics Express, Vol. 28, №11965 (год публикации - 2020)
10.1364/OE.389347

5. Уланов А.Е., Тиунов Е.С., Львовский А.И. Quantum-inspired annealers as a Boltzmann generators for machine learning and statistical physics New Journal of Physics (год публикации - 2020)

6. Спалл Д., Гуо К., Баррет Т., Львовский А.И. Fully reconfigurable coherent optical vector-matrix multiplication Optics Letters, 45, 5752 (год публикации - 2020)
10.1364/OL.401675

7. Белобородов Д, Уланов А.Е., Фоерстер Д.Н., Вайтсон С., Львовский А.И. Reinforcement learning enhanced quantum-inspired algorithm for combinatorial optimization Machine Learning: Science and Technology, 2, 025009 (год публикации - 2021)
10.1088/2632-2153/abc328

8. Гельфанд М.С., Федоров А.К. Quantum computational biology: Towards practical applications Nature Computational Science, 1, 114-119 (год публикации - 2021)
10.1038/s43588-021-00024-z

9. Гуо К., Баррет Т., Ванг З.М., Львовский А.И. Backpropagation through nonlinear units for all-optical training of neural networks Photonics Research, 9, B71-B80 (год публикации - 2021)
10.1364/PRJ.411104

10. Сорокин Д., Уланов А., Сажина Е., Львовский А. Interferobot: aligning an optical interferometer by a reinforcement learning agent Thirty-fourth Conference on Neural Information Processing Systems (год публикации - 2020)

11. Боев А.С., Ракитко А.С., Усманов С.Р., Кобзева А.Н., Попов И.В., Ильинский В.В., Киктенко Е.О., Федоров А.К. Genome assembly using quantum and quantum-inspired annealing Scientific Reports (год публикации - 2021)
10.1038/s41598-021-88321-5

12. D.A. Chermoshentsev, A.O. Malyshev, E.S. Tiunov, A.K. Fedorov, and A.I. Lvovsky Polynomial unconstrained binary optimisation inspired by optical simulation arXiv.org (год публикации - 2021)

13. Барретт Т.Д, Малышев А.О., Львовский А.И. Autoregressive neural-network wavefunctions for ab initio quantum chemistry Nature Machine Intelligence, 4, 351-358 (год публикации - 2022)
10.1038/s42256-022-00461-z

14. Лучников И.А., Березуцкий А.В., Киктенко Е.О., Федоров А.К. Эффективное моделирование многокубитных цепочек Наноиндустрия, S7 (107), 758-760 (год публикации - 2021)
10.22184/1993-8578.2021.14.7s.758.760

15. Лотков А.И., Грицев В., Федоров А.К., Курлов Д.В. Floquet integrability and long-range entanglement generation in the one-dimensional quantum Potts model Physical Review B, 105, 144306 (2022) (год публикации - 2022)
10.1103/PhysRevB.105.144306

16. Сапова М.Д., Федоров А.К. Variational quantum eigensolver techniques for simulating carbon monoxide oxidation Communications Physics (год публикации - 2022)

17. Лучников И.А., Киктенко Е.О., Гавреев М.А., Уэрдан Х., Филиппов С. Н., Федоров А.К. Probing non-Markovian quantum dynamics with data-driven analysis: Beyond “black-box” machine learning model Physical Review Research, 4, 043002 (2022) (год публикации - 2022)
10.1103/PhysRevResearch.4.043002

18. Бохан Д., Мастюкова А.С., Боев А.С., Трубников Д.Н., Федоров А.К. Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning Frontiers in Physics, 10, 1069985 (2022) (год публикации - 2022)
10.3389/fphy.2022.1069985

19. Гирча А.И., Боев А.С., Авхачев К, Федичев П.О., Федоров А.К. Hybrid quantum-classical machine learning for generative chemistry and drug design Scientific Reports, 13, 8250 (2023) (год публикации - 2023)
10.1038/s41598-023-32703-4

20. Бохан Д.С., Кольченко М.М., Боев А.С., Федоров А.К., Трубников Д.Н. Improving the performance of fermionic neural networks with the Slater exponential Ansatz International Journal of Quantum Chemistry, e27107 (2023) (год публикации - 2023)
10.1002/qua.27107

21. Макаренко С., Сорокин Д., Уланов А., Львовский А.И. Aligning an optical interferometer with beam divergence control and continuous action space CoRL 2021 Conference Proceedings, CoRL2021 (год публикации - 2021)
10.48550/arXiv.2107.04457

22. Лучников И.А., Киктенко Е.О., Гавреев М.А., Уэрдан Х., Филиппов С.Н., Федоров А.К. Анализ немарковской динамики методами машинного обучения Наноиндустрия, S7 (107), 744-746 (год публикации - 2021)
10.22184/1993-8578.2021.14.7s.744.746

Публикации