By كينا هيوز كاسلبيري تم النشر في 05 أكتوبر 2022
يمكن أن يؤدي تطوير تقنيات مبتكرة مثل الحوسبة الكمية والذكاء الاصطناعي (AI) والتعلم الآلي (ML) إلى تحقيق فوائد كبيرة. كلاهما AI و ML استخدام مجموعات كبيرة من البيانات للتنبؤ بالأنماط واستخلاص النتائج ، والتي يمكن أن تكون مفيدة بشكل خاص لتحسين نظام الحوسبة الكمومية. في الآونة الأخيرة ، باحثون في مركز فيزياء الكم الحاسوبية التابع لمعهد فلاتيرون (CCQ) ، تمكنوا من تطبيق تقنية ML على مشكلة فيزياء الكم صعبة بشكل خاص ، مما قلل النظام من احتياج 100,000 معادلة إلى أربع معادلات فقط ، دون تقليل الدقة. مثل معهد فلاتيرون هو جزء من مؤسسة سايمونز ويعمل على تطوير الأساليب العلمية ، ونشر الباحثون نتائجهم في استعراض للحروف البدنية.
النظر في نموذج هوبارد
ركزت مشكلة فيزياء الكم الصعبة المعنية على كيفية تفاعل الإلكترونات مع بعضها البعض في شبكة. المشابك غالبًا ما تُستخدم في البحث الكمي ويتم تصنيعها باستخدام شبكة من الليزر الخاص. داخل الشبكة ، يمكن للإلكترونات أن تتفاعل مع بعضها البعض إذا كانت في نفس المكان ، مما يضيف ضوضاء إلى النظام ويشوه النتائج. يُطلق على هذا النظام أيضًا اسم نموذج هوبارد، كان من الصعب على علماء الكم حلها. وفقا للباحث الرئيسي دومينيكو دي سانتe ، زميل أبحاث منتسب في CCQ: "نموذج Hubbard ... يتميز بمكونين فقط: الطاقة الحركية للإلكترونات (الطاقة المرتبطة بتحريك الإلكترونات على شبكة شعرية) والطاقة الكامنة (الطاقة التي تريد إعاقة حركة الإلكترونات). يُعتقد أنه يشفر الظواهر الأساسية للمواد الكمومية المعقدة ، بما في ذلك المغناطيسية والموصلية الفائقة. "
في حين أن نموذج Hubbard قد يبدو بسيطًا ، إلا أنه ليس كذلك. يمكن أن تتفاعل الإلكترونات داخل الشبكة بطرق يصعب التنبؤ بها ، بما في ذلك التشابك. حتى لو كانت الإلكترونات في مكانين مختلفين داخل الشبكة ، فيجب معالجتها في نفس الوقت ، مما يجبر العلماء على التعامل مع جميع الإلكترونات في وقت واحد. وأضاف دي سانتي: "لا يوجد حل دقيق لنموذج هوبارد". "يجب أن نعتمد على الأساليب العددية." للتغلب على مشكلة فيزياء الكم ، يستخدم العديد من الفيزيائيين مجموعة إعادة التطبيع. إنها طريقة رياضية يمكنها دراسة كيفية تغير النظام عندما يقوم العلماء بتعديل خصائص الإدخال المختلفة. ولكن لكي تعمل مجموعة إعادة التطابق بنجاح ، يتعين عليها تتبع جميع النتائج المحتملة لتفاعلات الإلكترون ، مما يؤدي إلى ما لا يقل عن 100,000 معادلة تحتاج إلى حل. كان دي سانتي وزملاؤه الباحثون يأملون في استخدام ML خوارزميات يمكن أن تجعل هذا التحدي أسهل بكثير.
استخدم الباحثون نوعًا معينًا من أدوات ML ، يسمى أ الشبكة العصبيةلمحاولة حل مشكلة فيزياء الكم. استخدمت الشبكة العصبية خوارزميات محددة لاكتشاف مجموعة صغيرة من المعادلات التي من شأنها أن تولد نفس الحل مثل مجموعات إعادة تسوية المعادلة الأصلية البالغ عددها 100,000. قال دي سانتي: "يحاول إطار التعلم العميق لدينا تقليل الأبعاد من مئات الآلاف أو ملايين المعادلات إلى حفنة صغيرة (وصولاً إلى 32 أو حتى أربع معادلات). "استخدمنا تصميم وحدة فك التشفير لضغط (ضغط) الرأس في هذه المساحة الصغيرة" الكامنة ". في هذا الفضاء الكامن (تخيل هذا على أنه "تحت غطاء" الشبكة العصبية) ، استخدمنا طريقة ML جديدة تسمى المعادلة التفاضلية العادية العصبية لمعرفة حلول هذه المعادلات. "
حل مشاكل الفيزياء الكمومية الصعبة الأخرى
بفضل الشبكة العصبية ، وجد الباحثون أنه يمكنهم استخدام معادلات أقل بكثير لدراسة نموذج هوبارد. بينما تُظهر هذه النتيجة نجاحًا واضحًا ، أدرك دي سانتي أنه لا يزال هناك الكثير من العمل الذي يتعين القيام به. صرح قائلاً: "إن تفسير بنية التعلم الآلي ليس بالمهمة السهلة". "في كثير من الأحيان ، تعمل الشبكات العصبية بشكل جيد جدًا مثل الصناديق السوداء مع القليل من الفهم لما يتم تعلمه. تتركز جهودنا في الوقت الحالي حول طرق لفهم أفضل للعلاقة بين حفنة من المعادلات المكتسبة والفيزياء الفعلية لنموذج هوبارد ".
ومع ذلك ، تشير النتائج الأولية لهذا البحث إلى تداعيات كبيرة على مشاكل فيزياء الكم الأخرى. أوضح دي سانتي أن "ضغط الرأس (الجسم المركزي الذي يشفر التفاعل بين إلكترونين) يعد أمرًا مهمًا في فيزياء الكم للمواد المتفاعلة الكمومية". "إنه يحفظ الذاكرة ، والقوة الحاسوبية ، ويوفر البصيرة المادية. أظهر عملنا ، مرة أخرى ، كيف يتقاطع التعلم الآلي مع فيزياء الكم بشكل بناء ". قد تكون هذه التأثيرات أيضًا قادرة على الترجمة إلى قضايا مماثلة داخل صناعة الكم. وأضاف دي سانتي: "يواجه المجال نفس المشكلة: وجود بيانات كبيرة وعالية الأبعاد تحتاج إلى ضغط من أجل معالجتها ودراستها". "نأمل أن يساعد هذا العمل في مجموعة إعادة التطبيع أو يلهم نهجًا جديدًا في هذا الحقل الفرعي أيضًا."
كينا هيوز-كاسلبيري هي كاتبة في Inside Quantum Technology و Science Communicator في JILA (شراكة بين جامعة كولورادو بولدر و NIST). تشمل إيقاعات كتابتها التكنولوجيا العميقة ، والميتافيرس ، والتكنولوجيا الكمومية.
