By Kenna Hughes-Castleberry postitatud 05. oktoobril 2022
Uuenduslike tehnoloogiate, nagu kvantandmetöötlus, tehisintellekt (AI) ja masinõpe (ML) arendamine võib anda märkimisväärset kasu. Mõlemad AI ja ML kasutage mustrite ennustamiseks ja järelduste tegemiseks suuri andmekogumeid, mis võivad olla eriti kasulikud kvantarvutussüsteemi optimeerimisel. Hiljuti töötasid Flatironi Instituudi arvutusliku kvantfüüsika keskuse teadlased (CCQ), suutsid ML-tehnoloogiat rakendada eriti keerulise kvantfüüsika probleemi lahendamisel, vähendades süsteemi vajadust 100,000 XNUMX võrrandilt vaid nelja võrrandini, ilma täpsust vähendamata. Nagu Flatironi instituut on osa Simons Foundation ja töötab teaduslike meetodite edendamise nimel, avaldasid teadlased oma leiud aastal Physical Review Letters.
Vaadates Hubbardi mudelit
Kõnealune keeruline kvantfüüsika probleem keskendus sellele, kuidas elektronid üksteisega võres suhtlesid. Võred Neid kasutatakse sageli kvantuuringutes ja nende valmistamiseks kasutatakse spetsiaalsete laserite võrku. Võre sees võivad elektronid üksteisega suhelda, kui nad asuvad samas kohas, lisades süsteemi müra ja moonutades tulemusi. Seda süsteemi nimetatakse ka Hubbardi mudel, on olnud kvantteadlaste jaoks keeruline mõistatus. Juhtiva teadlase sõnul Domenico Di Sante, CCQ sidusuurija: "Hubbardi mudelil... on vaid kaks koostisosa: elektronide kineetiline energia (energia, mis on seotud elektronide liikumisega võres) ja potentsiaalne energia (energia, mis tahab takistada elektronid). Arvatakse, et see kodeerib keeruliste kvantmaterjalide põhifenomenoloogiaid, sealhulgas magnetismi ja ülijuhtivust.
Kuigi Hubbardi mudel võib tunduda lihtne, on see kõike muud. Võres olevad elektronid võivad interakteeruda raskesti ennustatavatel viisidel, sealhulgas takerduda. Isegi kui elektronid asuvad võres kahes erinevas kohas, tuleb neid töödelda samal ajal, sundides teadlasi tegelema kõigi elektronidega korraga. "Hubbardi mudelile pole täpset lahendust," lisas Di Sante. "Peame tuginema numbrilistele meetoditele." Selle kvantfüüsika probleemi lahendamiseks kasutavad paljud füüsikud renormaliseerimisrühma. See on matemaatiline meetod, millega saab uurida, kuidas süsteem muutub, kui teadlased muudavad erinevaid sisendomadusi. Kuid selleks, et renormaliseerimisrühm töötaks edukalt, peab see jälgima kõiki võimalikke elektronide interaktsiooni tulemusi, mille tulemusel tuleb lahendada vähemalt 100,000 XNUMX võrrandit. Di Sante ja tema kolleegid lootsid, et ML-i kasutades algoritme võiks selle väljakutse oluliselt lihtsamaks muuta.
Teadlased kasutasid teatud tüüpi ML-tööriista, mida nimetatakse a Närvivõrgus, et püüda lahendada kvantfüüsika ülesannet. Närvivõrk kasutas spetsiifilisi algoritme, et tuvastada väike võrrandite kogum, mis genereeriks sama lahenduse kui algsed 100,000 32 võrrandi renormaliseerimisrühmad. "Meie süvaõpperaamistik üritab vähendada mõõtmelisust sadadelt tuhandetelt või miljonitelt võrranditelt väikese peotäieni (kuni XNUMX või isegi nelja võrrandini), " ütles Di Sante. "Kasutasime kodeerija-dekoodri konstruktsiooni, et tihendada (pigistada) tipp sellesse väikesesse "latentsesse" ruumi. Selles varjatud ruumis (kujutage ette, et see vaatab närvivõrgu "katte alla") kasutasime nende võrrandite lahenduste õppimiseks uudset ML-meetodit, mida nimetatakse neuraalseks tavaliseks diferentsiaalvõrrandiks.
Muude keeruliste kvantfüüsika probleemide lahendamine
Tänu närvivõrgule leidsid teadlased, et nad saavad Hubbardi mudeli uurimisel kasutada oluliselt vähem võrrandeid. Kuigi see tulemus näitab selget edu, mõistis Di Sante, et tööd on veel palju. "Masinõppe arhitektuuri tõlgendamine ei ole lihtne ülesanne, " ütles ta. "Tihti toimivad närvivõrgud väga hästi mustade kastidena, millel on vähe arusaama sellest, mida õpitakse. Meie jõupingutused on praegu keskendunud meetoditele, mis võimaldavad paremini mõista seost käputäie õpitud võrrandite ja Hubbardi mudeli tegeliku füüsika vahel.
Selle uuringu esialgsed tulemused viitavad siiski teistele kvantfüüsika probleemidele. "Tipu (keskne objekt, mis kodeerib kahe elektroni vahelist interaktsiooni) kokkusurumine on kvantfüüsikas kvantinterakteeruvate materjalide jaoks suur asi, " selgitas Di Sante. "See säästab mälu ja arvutusvõimsust ning pakub füüsilist ülevaadet. Meie töö näitas taas, kuidas masinõpe ja kvantfüüsika konstruktiivselt ristuvad. Need mõjud võivad kaasneda ka sarnaste probleemidega kvanttööstuses. "Põll seisab silmitsi sama probleemiga: suurte ja suuremõõtmeliste andmete olemasolu, mis vajavad manipuleerimiseks ja uurimiseks tihendamist," lisas Di Sante. "Loodame, et see renormaliseerimisrühma töö võib aidata või inspireerida uusi lähenemisviise ka selles alamvaldkonnas."
Kenna Hughes-Castleberry on Inside Quantum Technology ja JILA teaduskommunikaatori (Colorado Boulderi ülikooli ja NIST-i vaheline partnerlus) kirjanik. Tema kirjutamissageduste hulka kuuluvad süvatehnoloogia, metaversum ja kvanttehnoloogia.
