Applying classical methods of machine learning to the study of quantum systems is the focus of an emergent area of physics research. A basic example of this is quantum state tomography, where a quantum state is learned from measurement. Other examples include learning Hamiltonians, learning quantum phase transitions, and automatically generating new quantum experiments. Classical machine learning is effective at processing large amounts of experimental or calculated data in order to characterize an unknown quantum system, making its application useful in contexts including quantum information theory, quantum technologies development, and computational materials design. In this context, it can be used for example as a tool to interpolate pre-calculated interatomic potentials or directly sol
| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:label
| - Μηχανική μάθηση στην φυσική (el)
- Aprendizaje automático en física (es)
- Machine learning in physics (en)
|
| rdfs:comment
| - La aplicación de los métodos clásicos de aprendizaje automático al estudio de los sistemas cuánticos (a veces llamado aprendizaje automático cuántico) es el foco de un área emergente de la investigación en física. Un ejemplo básico de esto es la , donde un estado cuántico es aprendido a partir de la medición. Otros ejemplos incluyen el aprendizaje de los hamiltonianos, el aprendizaje de las transiciones de fase cuántica,y la generación automática de nuevos experimentos cuánticos.El aprendizaje automático clásico es efectivo en el procesamiento de grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuántico desconocido, haciendo su aplicación útil en contextos que incluyen la teoría de información cuántica, el desarrollo de tecnologías cuánticas, y el (es)
- Applying classical methods of machine learning to the study of quantum systems is the focus of an emergent area of physics research. A basic example of this is quantum state tomography, where a quantum state is learned from measurement. Other examples include learning Hamiltonians, learning quantum phase transitions, and automatically generating new quantum experiments. Classical machine learning is effective at processing large amounts of experimental or calculated data in order to characterize an unknown quantum system, making its application useful in contexts including quantum information theory, quantum technologies development, and computational materials design. In this context, it can be used for example as a tool to interpolate pre-calculated interatomic potentials or directly sol (en)
|
| rdfs:seeAlso
| |
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| has abstract
| - La aplicación de los métodos clásicos de aprendizaje automático al estudio de los sistemas cuánticos (a veces llamado aprendizaje automático cuántico) es el foco de un área emergente de la investigación en física. Un ejemplo básico de esto es la , donde un estado cuántico es aprendido a partir de la medición. Otros ejemplos incluyen el aprendizaje de los hamiltonianos, el aprendizaje de las transiciones de fase cuántica,y la generación automática de nuevos experimentos cuánticos.El aprendizaje automático clásico es efectivo en el procesamiento de grandes cantidades de datos experimentales o calculados para caracterizar un sistema cuántico desconocido, haciendo su aplicación útil en contextos que incluyen la teoría de información cuántica, el desarrollo de tecnologías cuánticas, y el diseño de materiales computacionales. (es)
- Applying classical methods of machine learning to the study of quantum systems is the focus of an emergent area of physics research. A basic example of this is quantum state tomography, where a quantum state is learned from measurement. Other examples include learning Hamiltonians, learning quantum phase transitions, and automatically generating new quantum experiments. Classical machine learning is effective at processing large amounts of experimental or calculated data in order to characterize an unknown quantum system, making its application useful in contexts including quantum information theory, quantum technologies development, and computational materials design. In this context, it can be used for example as a tool to interpolate pre-calculated interatomic potentials or directly solving the Schrödinger equation with a variational method. (en)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is Wikipage redirect
of | |
| is foaf:primaryTopic
of | |
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)
![[RDF Data]](/fct/images/sw-rdf-blue.png)