By kenna hughes-castleberry publicado el 05 de octubre de 2022
El desarrollo de tecnologías innovadoras como la computación cuántica, la inteligencia artificial (IA) y el aprendizaje automático (ML) puede brindar beneficios significativos. Ambos AI y ML use grandes conjuntos de datos para predecir patrones y sacar conclusiones, lo que puede ser especialmente útil para optimizar un sistema de computación cuántica. Recientemente, investigadores del Centro de Física Cuántica Computacional del Instituto Flatiron (CCQ), pudieron aplicar la tecnología ML a un problema de física cuántica particularmente difícil, reduciendo la necesidad del sistema de 100,000 XNUMX ecuaciones a solo cuatro ecuaciones, sin disminuir la precisión. como el Instituto Flatiron es parte del Fundación Simons y trabaja para hacer avanzar los métodos científicos, los investigadores publicaron sus hallazgos en Physical Review Letters.
Mirando hacia el modelo Hubbard
El difícil problema de física cuántica en cuestión se centró en cómo los electrones interactuaban entre sí en una red. Enrejados a menudo se utilizan en la investigación cuántica y se fabrican utilizando una red de láseres especiales. Dentro de la red, los electrones pueden interactuar entre sí si están en el mismo lugar, agregando ruido al sistema y sesgando los resultados. Este sistema, también llamado modelo Hubbard, ha sido un rompecabezas difícil de resolver para los científicos cuánticos. Según el investigador principal domenico di sante, investigador asociado del CCQ: “El modelo de Hubbard... presenta solo dos ingredientes: la energía cinética de los electrones (la energía asociada con el movimiento de los electrones en una red) y la energía potencial (la energía que quiere impedir el movimiento de los electrones). electrones). Se cree que codifica fenomenologías fundamentales de materiales cuánticos complejos, incluidos el magnetismo y la superconductividad”.
Si bien el modelo de Hubbard puede parecer simple, es todo lo contrario. Los electrones dentro de la red pueden interactuar de formas difíciles de predecir, incluso enredándose. Incluso si los electrones están en dos lugares diferentes dentro de la red, deben tratarse al mismo tiempo, lo que obliga a los científicos a tratar con todos los electrones a la vez. “No existe una solución exacta para el modelo Hubbard”, agregó Di Sante. “Debemos confiar en los métodos numéricos”. Para superar este problema de física cuántica, muchos físicos utilizan un grupo de renormalización. Es un método matemático que puede estudiar cómo cambia un sistema cuando los científicos modifican diferentes propiedades de entrada. Pero, para que un grupo de renormalización funcione con éxito, debe realizar un seguimiento de todos los resultados posibles de las interacciones de electrones, lo que lleva a que se deban resolver al menos 100,000 ecuaciones. Di Sante y sus colegas investigadores esperaban que el uso de ML algoritmos podría hacer este desafío significativamente más fácil.
Los investigadores utilizaron un tipo específico de herramienta ML, llamada red neural, para tratar de resolver el problema de física cuántica. La red neuronal usó algoritmos específicos para detectar un pequeño conjunto de ecuaciones que generarían la misma solución que los 100,000 32 grupos de renormalización de ecuaciones originales. “Nuestro marco de aprendizaje profundo intenta reducir la dimensionalidad de cientos de miles o millones de ecuaciones a un pequeño puñado (hasta XNUMX o incluso cuatro ecuaciones)”, dijo Di Sante. “Usamos un diseño de codificador-decodificador para comprimir (apretar) el vértice en este pequeño espacio 'latente'. En este espacio latente (imagínese esto como mirar 'debajo del capó' de la red neuronal), utilizamos un método ML novedoso llamado ecuación diferencial ordinaria neuronal para aprender las soluciones de estas ecuaciones".
Resolviendo otros problemas difíciles de física cuántica
Gracias a la red neuronal, los investigadores descubrieron que podían usar muchas menos ecuaciones para estudiar el modelo de Hubbard. Si bien este resultado muestra un claro éxito, Di Sante entendió que aún queda mucho trabajo por hacer. “Interpretar la arquitectura de aprendizaje automático no es una tarea sencilla”, afirmó. “A menudo, las redes neuronales funcionan muy bien como cajas negras con poca comprensión de lo que está aprendiendo. Nuestros esfuerzos en este momento se centran en métodos para comprender mejor la conexión entre el puñado de ecuaciones aprendidas y la física real del modelo de Hubbard”.
Aún así, los hallazgos iniciales de esta investigación sugieren grandes implicaciones para otros problemas de física cuántica. “Comprimir el vértice (el objeto central que codifica la interacción entre dos electrones) es un gran problema en la física cuántica para los materiales de interacción cuántica”, explicó Di Sante. “Ahorra memoria y potencia computacional, y ofrece información física. Nuestro trabajo, una vez más, demostró cómo el aprendizaje automático y la física cuántica se cruzan de manera constructiva”. Estos impactos también pueden traducirse en problemas similares dentro de la industria cuántica. “El campo enfrenta el mismo problema: tener datos grandes y de alta dimensión que necesitan compresión para poder manipularlos y estudiarlos”, agregó Di Sante. “Esperamos que este trabajo en el grupo de renormalización también pueda ayudar o inspirar nuevos enfoques en este subcampo”.
Kenna Hughes-Castleberry es redactora de Inside Quantum Technology y comunicadora científica en JILA (una asociación entre la Universidad de Colorado Boulder y el NIST). Sus ritmos de escritura incluyen tecnología profunda, metaverso y tecnología cuántica.
