机器学习与物理科学（Machine learning and the physical sciences），附44页pdf

题目： Machine learning and the physical sciences

摘要：

机器学习(ML)包含广泛的算法和建模工具，用于大量的数据处理任务，这些任务近年来已经进入大多数科学学科。本文有选择地回顾了机器学习与物理科学接口的最新研究进展。这包括由物理洞察力驱动的ML的概念发展，机器学习技术在物理中的几个领域的应用以及这两个领域之间的交叉。在介绍了机器学习方法和原理的基本概念之后，举例说明了如何用统计物理来理解ML中的方法，然后介绍了ML方法在粒子物理和宇宙学、量子多体物理、量子计算、化学和材料物理中的应用。此外，还强调了针对加速ML的新型计算体系结构的研究和开发。每个部分都描述了最近的成功以及特定领域的方法和挑战。

作者简介：

Giuseppe Carleo于2018年加入了位于美国计算量子物理中心的Flatiron研究所。2007年，他在罗马大学获得物理学学士学位;2011年，他在意大利国际高等研究学院获得凝聚态理论博士学位。他在法国光学研究所和瑞士苏黎世联邦理工学院获得博士后。他也是苏黎世联邦理工学院计算量子物理学的讲师。Carleo的主要研究方向是发展先进的数值算法来研究强相互作用量子系统的挑战性问题。他的研究应用范围包括凝聚态物质、超冷原子和量子计算。他对量子蒙特卡罗方法的发展做出了贡献，包括平衡和动态特性，包括时变蒙特卡罗和神经网络量子态。在CCQ，他正在开发和推广基于人工智能的新技术来解决量子问题。他是开源项目NetKet的创始人和开发负责人。