Auf den Schultern von Riesen in der Kalibrierung quantenmechanischer Geräte

Traditionelle maschinelle Lernanwendungen, wie die optische Zeichenerkennung, entstanden aus der Unfähigkeit, einen Computer explizit für eine Routineaufgabe zu programmieren. In diesem Kontext leiten Lernalgorithmen in der Regel ein Modell ausschließlich aus den Beweisen her, die in einem umfangreichen Datensatz vorhanden sind. Allerdings ist es in manchen wissenschaftlichen Disziplinen ein unpraktisches Luxusgut, eine Fülle von Daten zu erlangen; stattdessen gibt es aufgrund früherer wissenschaftlicher Entdeckungen ein explizites Modell des Bereichs. Hier stellen wir einen neuen Ansatz im maschinellen Lernen vor, der in der Lage ist, frühere wissenschaftliche Entdeckungen zu nutzen, um die Generalisierbarkeit über ein wissenschaftliches Modell zu verbessern. Wir zeigen seine Effektivität bei der Vorhersage des gesamten Energiespektrums eines Hamiltonians auf einem supraleitenden Quantengerät, einer Schlüsselaufgabe bei der Kalibrierung heutiger Quantencomputer. Unsere Genauigkeit übertreffen den aktuellen Stand der Technik um mehr als 20 %. Unser Ansatz demonstriert somit, wie künstliche Intelligenz durch das "Stehen auf den Schultern von Riesen" weiter verbessert werden kann.