Accueil/ expose
Learning Solutions to the Schrödinger equation with Neural-Network Quantum States
samedi 24 avril 2021

Loading the player...
Descriptif

Exposé de Giuseppe Carleo (EPFL) dans le cadre du Séminaire Digital Humanities / Artificial Intelligence (DHAI).

The theoretical description of several complex quantum phenomena fundamentally relies on many-particle wave functions and our ability to represent and manipulate them. Variational methods in quantum mechanics aim at compact descriptions of many-body wave functions in terms of parameterised ansatz states, and are at present living exciting transformative developments informed by ideas developed in machine learning. In this presentation I will discuss variational representations of quantum states based on artificial neural networks [1] and their use in approximately solving the Schrödinger equation. I will further highlight the general representation properties of such states, the crucial role of physical symmetries, as well as the connection with other known representations based on tensor networks [2]. Finally, I will discuss how some classic ideas in machine learning, such as the Natural Gradient, are being used and re-purposed in quantum computing applications [3].

[1] Carleo and Troyer, Science 365, 602 (2017)
[2] Sharir, Shashua, and Carleo, arXiv:2103.10293 (2021)
[3] Stokes, Izaac, Killoran, and Carleo, Quantum 4, 269 (2020)

 

Traduction

Apprentissage des solutions de l'équation de Schrödinger avec des réseaux neuronaux à états quantiques

La description théorique de plusieurs phénomènes quantiques complexes est essentiellement basée sur des fonctions d'onde avec de nombreuses particules et notre capacité à les représenter et à les manipuler. Les méthodes de variation en mécanique quantique visent à des descriptions compactes des fonctions d'onde multi-corps sous la forme d'états de départ paramétrés et vivent actuellement des développements transformateurs passionnants qui sont façonnés par des idées d'apprentissage automatique. Dans cette présentation, je discuterai des variations d'états quantiques basés sur des réseaux de neurones artificiels [1] et de leur utilisation pour la solution approximative de l'équation de Schrödinger. Je soulignerai plus loin les propriétés générales de représentation de tels états, le rôle crucial des symétries physiques et la connexion avec d'autres représentations connues basées sur des réseaux tensoriels [2]. Enfin, je discuterai de la manière dont certaines idées classiques d'apprentissage automatique, telles que le gradient naturel, sont utilisées et redéfinies dans les applications de calcul quantique [3].

[1] Carleo and Troyer, Science 365, 602 (2017)
[2] Sharir, Shashua, and Carleo, arXiv:2103.10293 (2021)
[3] Stokes, Izaac, Killoran, and Carleo, Quantum 4, 269 (2020)

Voir aussi


  • Aucun exposé du même auteur.
  • IA et Peuples autochtones au Canada
    Karine Gentelet
  • The Neural Race Reduction : la dynamiqu...
    Andrew Saxe
  • Pile et face : Quand les humanités numér...
    Ecole normale supérieure
  • Alignement et comparaison de textes pou...
    Philippe Gambette
  • Redéfinir l'histoire culturelle des jour...
    Pierre-Carl Langlais
  • Sampling and Solving Linear Inverse Prob...
    Eero Simoncelli
  • Voir, c'est savoir
    Stavros Lazaris
  • L’IA et la manufacture des planches au X...
    Alexandre Guilbaud
  • Extraction et mise en correspondances au...
    Tom Monnier, Mathieu Aubry
  • Gallicagram, un nouvel outil de lexicogr...
    Benjamin Azoulay, Benoît De Courson
  • Embedded stories and narrative levels : ...
    Pablo Gervas
Auteur(s)
Giuseppe Carleo
École polytechnique fédérale de Lausanne ‐ EPFL
Physicien

Plus sur cet auteur
Voir la fiche de l'auteur

Cursus :

Giuseppe Carleo est un physicien de renommée mondiale dans le domaine des systèmes quantiques à plusieurs corps.

Il a entre autres mis au point un logiciel de machine learning, qui permet à un ordinateur «d’apprendre» l’état quantique d’un système physique complexe sur la base d’observations expérimentales et de prédire les résultats de mesures hypothétiques. Ses recherches d’avant-garde ont déjà eu un impact scientifique remarquable dans ce secteur porteur d’avenir.

Il a rejoint l'EPFL en tant que professeur assistant, à la tête d'un groupe de recherche axé sur la science quantique computationnelle.

Cliquer ICI pour fermer
Annexes
Téléchargements :
   - Télécharger la vidéo
   - Télécharger l'audio (mp3)

Dernière mise à jour : 11/06/2021