量子力学是描述微观世界规律的主要理论，具有极高的重要性，但同时也充满了挑战性。随着深度生成模型的发展，我们现在有了新的解决方案。本次分享将由麻省理工学院 (MIT) 理论物理博士后与AI Institute for Artificial Intelligence and Fundamental Interactions 研究员（IAIFI Fellow）罗迪老师来帮助大家从生成模型的角度来解决量子领域的问题。
AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。集智俱乐部联合斯坦福大学计算机科学系博士后研究员吴泰霖（Jure Leskovec 教授指导）、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣（Max Tegmark 教授指导），共同发起以“AI+Science”为主题的读书会，从2023年3月26日开始，每周日早上 9:00-11:00 线上举行，持续时间预计10周。欢迎对探索这个激动人心的前沿领域有兴趣的朋友报名参与。
量子力学是描述微观世界规律的主要理论，具有极高的重要性，但同时也充满了挑战性。尤其是在高能物理、凝聚态物理和量子化学等复杂领域，理解和处理涉及的高维希尔伯特空间的问题往往需要大量的计算和精细的模型。在这种情况下，深度生成模型的出现为我们打开了新的可能性。它们能够模拟复杂的物理现象，如量子场论、量子多体物理和强相互作用电子体系，从而极大地提升了我们在这些领域的研究能力。这次分享将专注于深度生成模型在量子科学中的应用和探索。
1. 深度生成模型概述
2. 探究量子体系
3. 高能物理中的深度生成模型：
4. 凝聚态物理中的深度生成模型：
5. 量子化学中的深度生成模型：
• 反对称性生成模型：新方法刻画强相互作用电子体系
了解目前深度生成模型在量子科学领域的前沿发展，对于高能物理，凝聚态物理和量子化学领域的探索和应用。
罗迪，麻省理工学院 (MIT) 理论物理博士后与AI Institute for Artificial Intelligence and Fundamental Interactions 研究员（IAIFI Fellow）。他2016年在香港大学获得物理和数学双学士学位，2021年从伊利诺伊大学香槟分校获得数学硕士和物理博士。他的研究兴趣为AI+Science和量子计算，包括发展AI和量子算法用于量子多体物理，高能物理和量子信息的科学模拟和发现，以及利用量子物理和统计物理发展构建AI理论和模型。
直播时间：
2023年5月21日（周日） 上午10:00-12:00
扫码参与读书会，加入群聊获取本系列读书会的视频回放权限、资料权限，与社区的一线科研工作者和企业实践者沟通交流。
Giuseppe Carleo, Matthias Troyer ,Solving the quantum many-body problem with artificial neural networks.Science 355,602-606(2017).
https://www.science.org/doi/10.1126/science.aag2302
Luo, D., & Clark, B. K. (2019). Backflow Transformations via Neural Networks for Quantum Many-Body Wave Functions. Physical Review Letters, 122(22).
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.122.226401
Albergo, M. S., Kanwar, G., & Shanahan, P. E. (2019). Flow-based generative models for Markov chain Monte Carlo in lattice field theory. Physical Review D, 100(3).
https://journals.aps.org/prd/abstract/10.1103/PhysRevD.100.034515
Di Luo, Giuseppe Carleo, Bryan K. Clark, and James Stokes.Gauge Equivariant Neural Networks for Quantum Lattice Gauge Theories.Phys. Rev. Lett. 127, 276402.
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.276402
Carrasquilla, J., Torlai, G., Melko, R.G. et al. Reconstructing quantum states with generative models. Nat Mach Intell 1, 155–161 (2019).
https://www.nature.com/articles/s42256-019-0028-1
Di Luo, Zhuo Chen, Juan Carrasquilla, and Bryan K. Clark.Autoregressive Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation.Phys. Rev. Lett. 128, 090501
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.128.090501
Pfau, D., Spencer, J. S., Matthews, A. G. D. G., & Foulkes, W. M. C. (2020). Ab initio solution of the many-electron Schrödinger equation with deep neural networks. Physical Review Research, 2(3).
https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.2.033429
Hermann, J., Schätzle, Z. & Noé, F. Deep-neural-network solution of the electronic Schrödinger equation. Nat. Chem. 12, 891–897 (2020).
https://www.nature.com/articles/s41557-020-0544-y
加大圣迭戈分校：量子力学（英文-2021）
来自加州大学圣地亚哥分校的助理教授尤亦庄从量子比特开始谈起，逐一介绍了量子力学的五大公理（量子态，观测量，量子测量，时间演化，多体系统），循序渐进地建立量子力学的基本概念和体系。在此基础上，课程着重探讨了量子纠缠，量子测量和量子纠错等量子信息学的入门知识。
https://campus.swarma.org/course/3686
量子信息预读班
在集智-凯风研读营项目的支持下，集智俱乐部组织了量子信息预读班，主要聚焦在量子计算领域，对量子线路的经典模拟、量子计算与人工智能的交叉、量子模拟、量子噪声理论与纠错码等方面的论文进行研读与讨论。希望能通过预读班的形式，能够吸引具有基本物理基础且对量子计算感兴趣的人（例如本科生）和量子计算的年轻研究员，研读硬核论文，激发科研灵感。
详情请见：
量子信息与量子计算预读班：追踪量子信息革命交叉前沿
集智推文
量子计算机如何重塑人类未来：十个跨学科应用
量子计算：信息社会的未来
量子计算：帮助理解自然的最小组成部分 | 量子世界地图
不确定因果：当因果遇到量子
生成流网络（GFlowNet）入门路径
生成流网络：基于网络采样扩展搜索空间 | GFlowNet 最新研究梳理
AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，机器学习和其他 AI 技术可以用来解决科学研究中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，甚至像科学家一样进行科学发现，被称为科学发现的“第五范式”。另一方面是 Science for AI，科学尤其是物理学中的规律和思想启发机器学习理论，为人工智能的发展提供全新的视角和方法。
集智俱乐部联合斯坦福大学计算机科学系博士后研究员吴泰霖（Jure Leskovec 教授指导）、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣（Max Tegmark 教授指导），共同发起以“AI+Science”为主题的读书会，探讨该领域的重要问题，共学共研相关文献。读书会从2023年3月26日开始，每周日早上 10:00-12:00 线上举行，持续时间预计10周。欢迎对探索这个激动人心的前沿领域有兴趣的朋友报名参与。
点击“阅读原文”，报名读书会
