机器学习，尤其是深度学习，在很多方面取得了令人瞩目的成就，是当前科学技术领域最为热门、发展最快的方向之一。其与物理的结合是最近几年新兴的交叉前沿领域，受到了广泛关注。一方面，运用机器学习的方法可以解决一些复杂的、传统方法很难或无法解决的物理问题；另一方面，物理中的一些概念、理论和方法也可以用于研究机器学习。二者的交叉融通带来了新的机遇与挑战，将极大地促进两个领域的发展。

本专题邀请了若干活跃在该新兴领域的专家撰稿，重点介绍机器学习与物理交叉方向的部分国际前沿课题和最新研究进展。内容涵盖了量子人工智能中的对抗学习、量子生成模型、基于波动与扩散的机器学习、自动微分、绝热量子算法设计、量子机器学习中的编码与初态制备，以及基于自旋体系的量子机器学习实验进展等。

希望本专题能够帮助读者了解机器学习与物理交叉方向的研究内容，基本思想与方法，最新进展情况，以及面临的挑战与机遇。同时，也希望这个专题能够激发读者的兴趣，吸引更多的研究人员加入到此交叉领域的研究中。

机器学习与物理专题编者按

物理学报. 2021, 70 (14): 140101.

doi: 10.7498/aps.70.140101

量子人工智能中的对抗学习

沈培鑫, 蒋文杰, 李炜康, 鲁智德, 邓东灵

物理学报. 2021, 70 (14): 140302.

doi: 10.7498/aps.70.20210789

量子生成模型

孙太平, 吴玉椿, 郭国平

物理学报. 2021, 70 (14): 140304.

doi: 10.7498/aps.70.20210930

基于自旋体系的量子机器学习实验进展

田宇, 林子栋, 王翔宇, 车良宇, 鲁大为

物理学报. 2021, 70 (14): 140305.

doi: 10.7498/aps.70.20210684

机器学习辅助绝热量子算法设计

林键, 叶梦, 朱家纬, 李晓鹏

物理学报. 2021, 70 (14): 140306.

doi: 10.7498/aps.70.20210831

量子态制备及其在量子机器学习中的前景

赵健, 陈昭昀, 庄希宁, 薛程, 吴玉椿, 郭国平

物理学报. 2021, 70 (14): 140307.

doi: 10.7498/aps.70.20210958

基于波动与扩散物理系统的机器学习

陈江芷, 杨晨温, 任捷

物理学报. 2021, 70 (14): 144204.

doi: 10.7498/aps.70.20210879

自动微分及其在物理模拟中的应用

刘金国, 许开来

物理学报. 2021, 70 (14): 149402.

doi: 10.7498/aps.70.20210813

专题文章网站链接：

http://wulixb.iphy.ac.cn/custom/topics