文章图片

文章图片
一个简化的、非常粗糙的能量可视化图 ， 它展示了蛋白质的折叠分析 。图源：Kuhlman & Bradley. Nat. Rev. Mol. Cell Biol. 20, 681-697 (2019). Springer Nature Ltd
无论是经典还是量子版本的模拟退火算法 ， 对优化问题都是很有用的 。但其通过"冷却"（减少热波动）来探索优化的算法部分通常是一个缓慢的过程 。Hibat-Allah等人将模拟退火与所谓的变异方法相结合 ， 通过一个循环神经网络(RNN)来对系统状态的联合分布进行参数化 。这种方法被称为“变异神经退火”方法 。这种新方法大大加快了模拟退火的算法执行过程 。
有必要补充的是 ， 前文所说的经典模拟退火算法便是1974年Kirkpatrick大神提出的传统模拟退火算法 。

文章图片

文章图片
论文地址：https://www.science.org/doi/10.1126/science.220.4598.671
而量子版本则是Santoro等人在2002年的后续研究 ， 他们通过比较二维随机Ising模型（自旋玻璃原型/a prototype spin glass）上的经典和量子Monte Carlo退火算法 ， 证实了量子退火相对于经典退火的优越性 。

文章图片

文章图片
论文地址：https://www.science.org/doi/10.1126/science.1068774
他们还提出了一种基于Landau-Zener隧道级联事件的量子退火理论 ， 证明了复杂系统的最低能量组态比经典的热对应物更有效 。
3
物理+机器学习=未来可期
可以预计 ， 物理学和机器学习之间还有许多富有成效的互动 。围绕着将机器学习与量子信息方法合并的美好期许 ， 人们一定会非常兴奋和鼓舞 。
其中一个值得重点关注的方向则是用量子计算机加速机器学习——这种方法将关注的重心投注于可靠的量子硬件 ， 具体来说 ， 他们假设并且讨论了量子计算机相对于经典计算在机器学习任务上的好处 。

文章图片

文章图片
相关论文：https://www.nature.com/articles/nature23474
促进其实是相互的 ， 机器学习的概念也在推动量子计算的进步 。例如Juan等人便提出了一种基于神经网络生成模型的密度矩阵重构方法 ， 来对可扩展多体量子技术中状态准备的基准测试进行描述 。

文章图片

文章图片
论文地址：https://www.nature.com/articles/s42256-019-0028-1
感兴趣的读者可以在Giuseppe Carleo等人的综述文章中找到进一步的论述 。

文章图片

文章图片
论文地址：https://www.nature.com/articles/s42256-019-0028-1
或者参加即将到来的NeurIPS机器学习和物理科学研讨会 。

文章图片

文章图片
相关链接：https://neurips.cc/Conferences/2021/Schedule?showEvent=21862
参考链接：
https://www.nature.com/articles/s42256-021-00416-w

文章图片

文章图片
雷峰网雷峰网
【Nature评论：机器学习的物理启示录——隔壁的另一条机遇之道】