MARC

 008250123s2024        us                              c    eng  d
■001000017163297
■00520250211152650
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384424093
■035    ▼a(MiAaPQ)AAI31486622
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530.1
■1001  ▼aRad,  Ali.
■24510▼aExcursion  in  the  Quantum  Loss  Landscape:  Learning,  Generating,  and  Simulating  in  the  Quantum  World
■260    ▼a[Sl]▼bUniversity  of  Maryland,  College  Park▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a227  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Hafezi,  Mohammad;Gullans,  Michael.
■5021  ▼aThesis  (Ph.D.)--University  of  Maryland,  College  Park,  2024.
■520    ▼aStatistical  learning  is  emerging  as  a  new  paradigm  in  science.  This  has  ignited  interest  within  our  inherently  quantum  world  in  exploring  quantum  machines  for  their  advantages  in  learning,  generating,  and  predicting  various  aspects  of  our  universe  by  processing  both  quantum  and  classical  data.  In  parallel,  the  pursuit  of  scalable  science  through  physical  simulations  using  both  digital  and  analog  quantum  computers  is  rising  on  the  horizon.In  the  first  part,  we  investigate  how  physics  can  help  classical  Artificial  Intelligence  (AI)  by  studying  hybrid  classical-quantum  algorithms.  We  focus  on  quantum  generative  models  and  address  challenges  like  barren  plateaus  during  the  training  of  quantum  machines.  We  further  examine  the  generalization  capabilities  of  quantum  machine  learning  models,  phase  transitions  in  the  over-parameterized  regime  using  random  matrix  theory,  and  their  effective  behavior  approximated  by  Gaussian  processes.In  the  second  part,  we  explore  how  AI  can  benefit  physics.  We  demonstrate  how  classical  Machine  Learning  (ML)  models  can  assist  in  state  recognition  in  qubit  systems  within  solid-state  devices.  Additionally,  we  show  how  ML-inspired  optimization  methods  can  enhance  the  efficiency  of  digital  quantum  simulations  with  ion-trap  setups.Finally,  in  the  third  part,  we  focus  on  how  physics  can  help  physics  by  using  quantum  systems  to  simulate  other  quantum  systems.  We  propose  native  fermionic  analog  quantum  systems  with  fermion-spin  systems  in  silicon  to  explore  non-perturbative  phenomena  in  quantum  field  theory,  offering  early  applications  for  lattice  gauge  theory  models.
■590    ▼aSchool  code:  0117.
■650  4▼aQuantum  physics
■650  4▼aMechanical  engineering
■650  4▼aPhysics
■650  4▼aComputer  science
■650  4▼aTheoretical  physics
■653    ▼aAnalog  quantum  simulation
■653    ▼aQuantum  circuits
■653    ▼aQuantum  machine  learning
■653    ▼aQuantum  simulations
■653    ▼aStatistical  learning
■690    ▼a0599
■690    ▼a0548
■690    ▼a0605
■690    ▼a0984
■690    ▼a0753
■71020▼aUniversity  of  Maryland,  College  Park▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0117
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163297▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books