博科园-科学科普：直到现在，Shashua教授在希伯来大学的打算机科学博士生yoav Levin，Sharir和Nadav cohen揭橥在《物理评论快报》上的一项新研究从数学上证明，基于深度神经网络的算法也可以更好地理解量子物理天下。
这些算法，正是打算机具有面部和语音识别能力的算法，现在可以用来增强我们对自然界量子行为的理解。
正如紧张作者Shashua所分享的，我们在这里所拥有的是不平凡的。
这是一种新的、主要的工具，可以帮助我们理解我们周围天下的量子特性。

图片：CC0 Public Domain

就像20世纪的技能革命一样，通过人工智能加深对量子物理的理解，有可能彻底改变我们生活的方方面面，从打算、能源到交通。
当代深度学习在各个领域取得了前所未有的造诣。
只管如此，机器学习用于波函数表示的运用紧张集中在更传统体系构造上，如受限玻尔兹曼机(RBMs)和完备连接的神经网络。
在这封信中，我们建立了当代的深度学习架构，以深度卷积和递归网络的形式，可以有效地表示高度纠缠的量子系统。

通过布局与这些体系构造等价的张量网络，将信息在网络运行中的内在重用作为差异于标准张量网络表示的一个关键特色，从而增强了它们的纠缠能力。
研究结果表明，这种构造可以支持体积律纠缠缩放，多项式地比目前利用的RBMs更有效。
因此，除了量化领先深度学习架构的纠缠能力之外，剖析还正式推动了一种趋势的转变，即基于神经网络的波函数表示更靠近于机器学习的最前辈水平。

博科园-科学科普｜研究/来自: 耶路撒冷希伯来大学

参考期刊文献:《物理评论快报》

DOI: 10.1103/PhysRevLett.122.065301

博科园-通报宇宙科学之美