.png){kind=icon}
返回
Artificial intelligence for representing and characterizing quantum systems
.png){kind=icon}
PRE
AI
DOI：10.1038/s42254-026-00962-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效表征大规模量子系统，特别是由量子模拟器和兆量子计算机产生的系统，因希尔伯特空间随系统尺寸呈指数增长而构成量子科学中的核心挑战。人工智能（AI）在处理高维模式识别和函数逼近方面的能力，已作为强大工具涌现以应对此挑战。大量研究利用AI来表征可扩展量子系统，涵盖从理论基础到实验实现。根据先前知识和学习架构的整合方式，AI在量子系统表征中的应用可分为三种协同范式：机器学习、深度学习和语言模型。本技术综述讨论了这些AI范式如何贡献于量子系统表征的两个核心任务：量子性质预测和量子系统重构。这些任务支撑了从量子认证和基准测试到提升量子算法和识别关键量子现象的一系列应用。我们还讨论了关键挑战和开放问题，以及人工智能与量子科学交叉领域的未来前景。人工智能在量子信息科学中的应用已成为研究前沿。本技术综述总结了包括机器学习、深度学习和语言模型在内的AI技术如何建立描述复杂量子系统的新方法。
期刊
IF:
39.5
论文数:
192
被引数:
1.2W
机构
引用论文
When quantum and classical models disagree: learning beyond minimum norm least square当量子与经典模型产生分歧：超越最小范数最小二乘的学习
OAAI
OAAI分享收藏Deep Autoregressive Models for the Efficient Variational Simulation of Many-Body Quantum Systems
OAAI
OAAI分享收藏Efficient learning for linear properties of bounded-gate quantum circuits有限门量子电路线性特性的高效学习.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏
查看更多内容