【CNMO新闻】近期，有研究小组展示了深度学习在模拟量子计算中的优势，根据这些思想家的观点，信息的冗余发生在两种神经网络类型中，卷积神经网络（CNNs）和递归神经网络（RNNs）。
人工智能与量子计算
Amnon Shashua是Mobileye的首席执行官，Mobileye是一家自动驾驶技术公司，去年被芯片巨头英特尔以141亿美元收购，Shashua除了是英特尔的高级副总裁，还是耶路撒冷希伯来大学的计算机科学教授，这篇论文是与耶路撒冷希伯来大学的同事Yoav Levine（第一作者）和普林斯顿大学高级研究所的Nadav Cohen共同撰写的。这项研究不仅证明了深度学习所擅长的某些问题，同时也为量子计算提出了一个有前景的发展方向。
多年来，Shashua和他的同事一直在思考如何模拟量子计算的所谓多体问题，物理学家理查德·马塔克将多体问题定义为“研究多体系统中相互作用对行为的影响”。Shashua和他的研究小组发现，CNNs和RNNs比传统的机器学习方法要好，他们说他们已经证明了这一点。
他们表示：“深度学习架构以深度卷积和递归网络的形式，可以有效地表示高度纠缠的量子系统。我们的工作量化了深度学习对于高度纠缠波函数表示的能力，理论上推动了在多体物理研究中采用深度学习体系结构的转变。”
加入收藏
