modely strojového učení pro tomografii kvantových stavů
| Název práce v češtině: | modely strojového učení pro tomografii kvantových stavů |
|---|---|
| Název v anglickém jazyce: | machine learning models for quantum state tomography |
| Klíčová slova: | strojové učení|kvantová tomografie|kvantová provázanost|neuronové sítě|qubity |
| Klíčová slova anglicky: | machine learning|quantum tomography|quantum entanglement|neural networks|qubits |
| Akademický rok vypsání: | 2025/2026 |
| Typ práce: | diplomová práce |
| Jazyk práce: | |
| Ústav: | Katedra fyziky kondenzovaných látek (32-KFKL) |
| Vedoucí / školitel: | RNDr. Pavel Baláž, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 17.10.2025 |
| Datum zadání: | 04.11.2025 |
| Datum potvrzení stud. oddělením: | 06.11.2025 |
| Konzultanti: | Ing. Katarzyna Roszak, Ph.D. |
| Kassem Anis Bouali, M.Sc. | |
| Zásady pro vypracování |
| Cílem práce je vytvořit modely strojového učení, které napomohou při pochopení kvantových systémů na základě výsledků měření. Součástí práce je také důkladná analýza a interpretace vytvořených modelů. Práce je rozdělena do následujících bodů:
(1) Porozumění základům kvantové teorie, kvantové provázanosti a tomografii kvantových stavů. (2) Seznámení se základními modely strojového učení (např. rozhodovací stromy, náhodné lesy, neuronové sítě). (3) Návrh a implementace modelů strojového učení pro tomografii kvantových stavů a odhalení kvantové provázanosti systémů qubitů. (4) Trénink a porovnání modelů. (5) Analýza vybraných modelů a jejich interpretace (např. permutation feature importance, partial dependence, Shapleyho hodnoty). (6) Diskuze výhod a nevýhod použití metod strojového učení v tomografii kvantových stavů. |
| Seznam odborné literatury |
| [1] G. Carleo et al., Machine learning and the physical sciences,
Rev. Mod. Phys. 91, 045002 (2019). [2] G. Torlai, G. Mazzola, J. Carrasquilla, M. Troyer, R. Melko, and G. Carleo, Neural-network quantum state tomography, Nature Physics 14, 447 (2018) [3] D. F. V. James, P. G. Kwiat, W. J. Munro, and A. G. White, Measurement of qubits, Phys. Rev. A 64, 052312 (2001). [4] J. Pawlowski and M. Krawczyk, Identification of quantum entanglement with siamese convolutional neural networks and semisupervised learning, Phys. Rev. Appl. 22, 014068 (2024). [5] M. Krawczyk, J. Pawlowski, M. M. Maśka, and K. Roszak, Data-driven criteria for quantum correlations, Phys. Rev. A 109, 022405 (2024). [6] Y. Chen, Y. Pan, G. Zhang, and S. Cheng, Detecting quantum entanglement with unsupervised learning, Quantum Science and Technology 7, 015005 (2021). [7] C. Molnar, Interpretable Machine Learning (2019), https://christophm.github.io/interpretable-ml-book/ |