Neural network representation of quantum systems

本文提出了一个假设：在高斯固定点附近的随机宽神经网络是高斯过程周围的量子场理论。在本文中，我们提供了一种新的映射方法，可以将广泛的量子力学系统转化为神经网络的形式，并对网络参数进行统计求和。我们的简单想法是使用神经网络的普适逼近定理来生成费曼路径积分中的任意路径。该映射可以应用于相互作用的量子系统/场理论，即使远离高斯极限也可以。我们的研究结果将机器学习与量子世界更加接近。

将量子力学系统转化为神经网络的形式，使得机器学习更加接近量子世界。

使用神经网络的普适近似定理生成费曼路径积分中的任意路径，将量子力学系统转化为神经网络的形式，实现对相互作用的量子系统/场论的建模。

论文的方法可以应用于相互作用的量子系统/场论，即使远离高斯极限。实验使用了数据集来验证方法的有效性，但未开源代码。这篇论文提出的思路为机器学习和量子力学领域的融合提供了新思路。

最近的相关研究包括： 1. 'Quantum Machine Learning' by Jacob Biamonte et al. 2. 'Machine Learning and the Physical Sciences' by Giuseppe Carleo et al. 3. 'Machine Learning for Quantum Matter and Technology' by E. Miles Stoudenmire et al.