量子多体系统中的机器学习贝尔非定域性
量子物理
2018-06-20 v1 无序系统与神经网络
量子气体
摘要
机器学习是人工智能与大数据科学的核心，是当今发展最迅速的交叉领域之一。近期，其工具与技术已被用于解决复杂的量子多体问题。本工作中，我们将机器学习技术引入多体系统量子非定域性的探测，重点关注受限玻尔兹曼机（RBM）架构。利用强化学习，我们证明 RBM 能够在给定测量设置下找到多体贝尔不等式的最大量子违背。我们的结果在基于计算机科学的机器学习与量子多体非定域性之间构建了新颖的桥梁，将有益于两领域的未来研究。
引用
@article{arxiv.1710.04226,
title = {Machine Learning Bell Nonlocality in Quantum Many-body Systems},
author = {Dong-Ling Deng},
journal= {arXiv preprint arXiv:1710.04226},
year = {2018}
}
备注
Main Text: 7 pages, 3 figures. Supplementary Material: 2 pages, 3 figures