量子人工智能中的对抗学习

量子人工智能是一个探究人工智能与量子物理交叉的领域:一方面人工智能的方法和技术可以用来解决量子科学中的问题;另一方面,量子计算的发展也可能为人工智能,尤其是机器学习,提供新的范式,极大促进人工智能的发展.然而,量子机器学习和经典学习系统对于对抗样本同样具有脆弱性:在原始数据样本上添加精心制作的微小扰动将很可能导致系统做出错误的预测.本文介绍经典与量子对抗机器学习的基本概念、原理、以及最新进展.首先从经典和量子两个方面介绍对抗学习,通过二维经典伊辛模型和三维手征拓扑绝缘体的对抗样本揭示出经典机器学习在识别物质相时的脆弱性,同时利用手写字体的对抗样本直观展示出量子分类器的脆弱性.随后从理论层面上分别阐述经典与量子的"没有免费午餐"定理,并探讨了量子分类器的普适对抗样本.最后,分析并讨论了相应的防御策略.量子人工智能中对抗学习的研究揭示了量子智能系统潜在的风险以及可能的防御策略,将对未来量子技术与人工智能的交叉产生深刻影响.     

机器学习方法在量子多体物理中的应用

机器学习方法近年来在许多不同的领域受到广泛的关注,文章回顾了机器学习方法在量子多体物理中的应用的几个有代表性的例子,着重讨论了机器学习方法对于解决量子多体物理中"指数墙"困难的可能的潜在意义。除此以外,量子多体物理中的若干方法和思想反过来可能对理解机器学习领域面临的核心问题有重要的启发作用。     

基于波动与扩散物理系统的机器学习

物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算.接着,文中继续讨论了受扩散系统启发的机器学习算法,如基于扩散动力学的分类算法,基于热扩散的数据挖掘和信息过滤,以及基于群体扩散的搜索优化等.波动系统以其天然的并行性、高效、低能耗等优势,通过丰富的波动力学和波动物理现象进行计算或算法模拟,正成为机器学习的新型物理载体.扩散系统中的物理机制可以启发构建高效的机器学习算法,用于复杂系统和物理学研究中的分类、优化等问题.期望通过对波动、扩散物理系统与机器学习内在联系的讨论,能够为开发物理启发的新算法和硬件实现甚至软硬一体化带来抛砖引玉的启示.     

机器学习在大型粒子加速器中的应用回顾与展望

机器学习技术在近十几年发展迅猛,并被广泛地用于解决复杂的科学和工程问题。最近十年间,基于机器学习的粒子加速器相关研究也开始呈现出井喷式发展趋势。国际上许多加速器实验室开始尝试用机器学习和大数据技术处理加速器中的海量复杂数据,以期解决加速器及其子系统中的诸多物理和技术问题。不过,迄今为止,机器学习在加速器中的应用仍处于初步探索阶段,不同机器学习算法在解决具体加速器问题的效果及其适用范围尚待摸索,机器学习在实际加速器中的应用仍非常有限。因此,有必要对加速器领域中的机器学习研究做一个整体回顾和总结。将回顾机器学习在大型粒子加速器（以储存环加速器和直线加速器为主）中的加速器技术、束流物理以及加速器整体性能优化等研究方向中已取得的研究成果,并探讨机器学习在加速器领域的未来发展方向和应用前景。     

《凝聚态物理学》(冯端和金国钧著)一书的读后感

<正>凝聚态物理学是近30~40年来在物理学领域"凝聚"出来的一个热门词汇,它代表了物理学中一个十分广阔的领域.在它的名义下凝聚了以前已经广为研究的固体物理和近30~40年来迅速发展起来的"软"物质物理,其中包括了液晶、乳胶、聚集物、电磁流体、多相流体、颗粒体等,乃至包括生命物体中的聚集体;更有甚者,有时还把一些"复杂系统"中有些与物理规律相似或者可以凭借物理上一些理论方法进行研究和分析的相关交叉内容都融合到这一"凝聚态物理学"的名义     

基于超导量子器件的量子计算

超导量子器件能够展现宏观量子相干性.基于超导量子器件的量子计算是量子信息领域中的一个重要研究方向,同时,超导量子器件物理特性的研究也是目前凝聚态物理和量子光学领域的交叉前沿课题.文章简述了近年来在超导量子计算方面的一些重要结果和进展,并讨论了其研究现状和发展趋势.     

格点QCD的最新进展

格点QCD是量子场论中最可靠的非微扰方法,是粒子物理最前沿课题之一,被应用到多个交叉领域,对物理学和其它科学的发展产生深远影响.本报告综述该领域突破性新进展、并具有重大理论和实验意义的几个方面的成果.     

自动微分及其在物理模拟中的应用

自动微分是利用计算机自动化求导的技术,最近几十年因为它在机器学习研究中的应用而被很多人了解.如今越来越多的科学工作者意识到,高效、自动化的求导可以为很多科学问题的求解提供新的思路,其中自动微分在物理模拟中的应用尤为重要,而且具有挑战性.物理系统的可微分模拟可以帮助解决混沌理论、电磁学、地震学、海洋学等领域中的很多重要问题,但又因为其对计算时间和空间的苛刻要求而对自动微分技术本身提出了挑战.本文回顾了将自动微分技术运用到物理模拟中的几种方法,并横向对比它们在计算时间、空间和精度方面的优势和劣势.这些自动微分技术包括伴随状态法,前向自动微分,后向自动微分,以及可逆计算自动微分.     

计算物理课程的本研协同建设

随着信息技术的快速发展和学科间不断交叉渗透,作为与理论物理和实验物理并列的第三种研究物理现象和规律的方法,计算物理变得越来越重要.然而,由于学科发展相对较晚以及学科自身的一些特点,本科生和研究生的计算物理课程教学尚未形成较成熟的体系.本文主要介绍北京航空航天大学本科生和研究生计算物理课程协同建设的探索和实践情况.本科生课程定位于掌握计算物理的基础理论知识和解决物理问题的案例实践,课程教学小班化;研究生课程定位于构建计算物理坚实的专业基础和宽广的知识结构,突出专业性和前沿性,重视计算实践能力,并开设计算物理二级学科平行课.本文主要介绍了从课程内容、教学方式和考核手段等方面进行的协同建设的探索与实践,这项探索使得本科生和研究生课程在内容、结构和方式上具有连续性和统一性.     

混杂复合材料等效热传导性能预测的小波-机器学习混合方法

混杂复合材料是一种新型复合材料,其复杂的细观结构导致预测其等效热传导性能极富挑战性.本文结合渐近均匀化方法、小波变换方法和机器学习方法发展了一种新的可以有效预测混杂复合材料等效热传导性能的小波-机器学习混合方法.该方法主要包括离线多尺度建模和在线机器学习两部分.首先借助渐近均匀化方法通过离线多尺度建模建立了混杂复合材料的热传导性能材料数据库,然后利用小波变换方法对离线的材料数据库进行预处理,接下来分别运用人工神经网络和支持向量回归方法建立混杂复合材料等效热传导性能预测的在线机器学习模型.最后通过对周期和随机混杂复合材料进行数值实验,验证了小波-机器学习混合方法的有效性,数值实验结果表明小波-神经网络混合方法具有最优的预测效果和抗噪能力.此外,需要强调的是对于具有高维大规模数据特征的随机混杂复合材料,小波-机器学习混合方法不仅可以提取离线材料数据库的重要特征,还可以显著减少在线监督学习的输入数据规模并提高机器学习模型的训练效率及抗噪性能.本文建立的小波-机器学习混合方法不仅适用于混杂复合材料等效热传导性能的预测,还可进一步推广应用于复合材料等效物理、力学性能的预测.     

格点QCD的最新进展

格点ＱＣＤ是量子场论中最可靠的非微扰方法,是粒子物理最前沿课题之一,被应用到多个交叉领域,对物理学和其它科学的发展产生深远影响．本报告综述该领域突破性新进展、并具有重大理论和实验意义的几个方面的成果．     

美国物理教育研究进展

对美国物理教育研究领域的发展和现状作了总体的介绍.物理教育研究的内容是物理教育教学的理论和方法,对象是与物理教学相关的各个方面及其之间的关联,提出并采用了许多新的教学方法和教学模式,目的是提高教学质量、发现并解决物理教学中存在的问题和难题,激发学生学习物理的积极性,加深对物理概念的理解和掌握,并提高他们分析和解决科学问题的能力.     

复杂网络思想方法在大学物理教学中的应用

复杂网络是近年来复杂性研究的热点领域,与物理学的发展有密切的联系.让学生了解该领域的基本概念、方法及其与物理之间的关系大有裨益.本文对复杂网络中的一些基本概念和思想进行了简要介绍,并利用复杂网络的基本概念和思想对物理教学中两个较复杂的典型问题进行了分析.     

张量网络与神经网络在物理学中的应用和交融

基于张量网络的数值重正化群方法,被广泛地应用到物理学的研究中,已经成为量子多体计算方法大家庭的重要一员。近年来,基于神经网络的机器学习方法也逐渐渗透到物理学领域,并被成功应用在量子多体等问题的研究中。文章简要综述了近年来张量网络和神经网络在凝聚态物理和统计物理学的应用,并讨论了两者的相互交叉和结合。     

一类物理问题的差分求法

差分法在工程技术领域的某些方面有重要应用.原因在于差分法方程满足许多领域的方程形式,而解法又满足n阶常系数方程的形式.所以物理领域中的问题只要条件满足差分方程,一般都可以方便解之.下面以二阶齐次差分方程为例,略述其在物理方面的一些应用.     

复杂系统重构

远离平衡态的开放复杂系统遍及自然、社会和技术领域,是复杂性科学的主要研究对象.通过与外界的能量和物质交换,复杂系统通过自组织形成了多种多样的内在结构、秩序和规律,对认识和预测复杂系统提出了艰巨的挑战.随着实验技术的提高和科技的进步,反映和体现各种复杂系统机理的数据呈指数增长,为研究复杂系统提供了新的机遇.通过系统行为表象数据,揭示复杂系统结构和动力学属于物理领域的反问题,是认识复杂系统的基础,是预测系统状态演化的前提,对于实现系统状态的调控必不可少.然而,复杂系统的多样性和复杂性给解决这一反问题造成了极大的困难.因此,需要开阔思路,借助多学科的交叉与融合,充分挖掘数据中隐藏的知识和深层次机理.本文综述了近年来复杂系统,特别是复杂结构重构和推断方面的研究成果,希望能够启发复杂系统反问题方面的创新.同时,也希望呼吁各领域学者都能关注复杂系统反问题,推动自然、社会、经济、生物、科技领域的交叉与融合,解决大家共同面对的科学问题.     

微纳器件热传导中的基础物理问题

纳米功能器件中的温度控制已经成为世界各国迫切需要解决的关键技术.在文章中,作者简单回顾了纳米器件发展的历程和现状;以碳纳米管和石墨烯为例,重点介绍了纳米尺度热传导研究中的一些基础物理问题,以及近年来该领域中一些热点研究方向和新奇物理效应.同时,还讨论了影响纳米材料热传导性质的主要物理机制.研究这些系统本身的热传导特性,不仅对于深入理解纳米尺度能量输运的基本物理原理具有重要意义,而且与微纳电子器件的未来发展密切相关,具有广阔深远的应用前景.     

《强激光与粒子束》“高能量密度物理”专辑征稿启事

高能量密度物理(HEDP)是研究能量密度超过1011 J/m3的极端条件下物质结构与特性及变化规律的科学,是近年来快速发展的重要交叉前沿领域,对惯性约束聚变、天体物理、加速器物理、材料物理等具有极其重要的意义。为分享我国在该领域的最新进展,研讨未来发展方向,促进学术交流,推动相关领域向纵深发展。《强激光与粒子束》编辑部邀请本刊副主编丁永坤研究员作为专辑主编,决定在2020年策划推出《强激光与粒子束》“高能量密度物理”专辑,现公开征集领域高水平研究论文及综述。     

计算流体力学专题序言

<正>计算流体力学是20世纪下半叶,伴随计算机技术和计算数学的发展而蓬勃兴起的一门新兴学科,至今为止仍然是流体力学领域最活跃的方向之一.计算流体力学全面带动了流体力学的发展,并与数学、物理、化学、工程、生物等学科形成深度交叉和融合,在航空航天、船     

高效选取线性独立的原子特征构建精确机器学习势函数

机器学习势由于具有与第一性原理计算相当的准确性,且低得多的计算成本,在原子模拟中极具前景. 然而原子机器学习势的可靠性、速度和可迁移性在很大程度上取决于原子构型的表示. 适当地选取用作机器学习程序输入的描述符是一个成功的机器学习表示的关键. 本文发展了一种简单有效的方法,可以基于训练数据固有的相关性,从大量待选的描述符中自动选取一组最佳的线性独立原子特征. 通过对几个具有较少冗余线性独立嵌入密度描述符的基准分子构建嵌入原子神经网络势的应用,证明了这种新方法的有效性和准确性. 该算法可以大大简化原子特征的初始选取,并极大地提高原子机器学习势的性能.