By Kenna Hughes-Castleberry julkaistu 05
Innovatiivisten teknologioiden, kuten kvanttilaskennan, tekoälyn (AI) ja koneoppimisen (ML), kehittäminen voi tarjota merkittäviä etuja. Molemmat AI ja ML käyttää suuria tietopankkeja mallien ennustamiseen ja johtopäätösten tekemiseen, mikä voi olla erityisen hyödyllistä kvanttilaskentajärjestelmän optimoinnissa. Äskettäin Flatiron Instituten laskennallisen kvanttifysiikan keskuksen tutkijat (CCQ), pystyivät soveltamaan ML-tekniikkaa erityisen vaikeaan kvanttifysiikan ongelmaan, mikä vähensi järjestelmän 100,000 XNUMX yhtälön tarpeesta vain neljään yhtälöön tarkkuutta heikentämättä. Kuten Flatiron-instituutti on osa Simonsin säätiö ja pyrkii edistämään tieteellisiä menetelmiä, tutkijat julkaisivat havaintonsa vuonna Fyysisen tarkastelun kirjaimet.
Tarkastellaan Hubbard-mallia
Kyseinen vaikea kvanttifysiikan ongelma keskittyi siihen, kuinka elektronit vuorovaikuttivat toistensa kanssa hilassa. Ristikot Niitä käytetään usein kvanttitutkimuksessa ja ne valmistetaan käyttämällä erikoislasereita. Hilassa elektronit voivat olla vuorovaikutuksessa toistensa kanssa, jos ne ovat samassa paikassa, mikä lisää kohinaa järjestelmään ja vääristää tuloksia. Tämä järjestelmä, jota kutsutaan myös Hubbard malli, on ollut kvanttitutkijoille vaikea ratkaistava pulma. Johtavan tutkijan mukaan Domenico Di Sante, CCQ:n affiliate-tutkija: "Hubbard-mallissa on vain kaksi ainesosaa: elektronien kineettinen energia (energia, joka liittyy elektronien liikkumiseen hilassa) ja potentiaalienergia (energia, joka haluaa estää elektronit). Sen uskotaan koodaavan monimutkaisten kvanttimateriaalien perusfenomenologioita, mukaan lukien magnetismi ja suprajohtavuus."
Vaikka Hubbard-malli saattaa näyttää yksinkertaiselta, se on kaikkea muuta kuin. Hilan sisällä olevat elektronit voivat olla vuorovaikutuksessa vaikeasti ennustettavilla tavoilla, mukaan lukien sotkeutuminen. Vaikka elektronit olisivat kahdessa eri paikassa hilassa, niitä on käsiteltävä samanaikaisesti, mikä pakottaa tutkijat käsittelemään kaikkia elektroneja kerralla. "Hubbard-mallille ei ole tarkkaa ratkaisua", lisäsi Di Sante. "Meidän täytyy luottaa numeerisiin menetelmiin." Tämän kvanttifysiikan ongelman voittamiseksi monet fyysikot käyttävät renormalisointiryhmää. Se on matemaattinen menetelmä, jolla voidaan tutkia, kuinka järjestelmä muuttuu, kun tutkijat muokkaavat erilaisia syöttöominaisuuksia. Mutta jotta renormalisointiryhmä toimisi onnistuneesti, sen on seurattava kaikkia mahdollisia elektronivuorovaikutuksen tuloksia, mikä johtaa vähintään 100,000 XNUMX yhtälön ratkaisemiseen. Di Sante ja hänen tutkijatoverinsa toivoivat, että käyttämällä ML algoritmit voisi helpottaa tätä haastetta huomattavasti.
Tutkijat käyttivät tietyntyyppistä ML-työkalua, nimeltään a neuroverkkomallien, yrittää ratkaista kvanttifysiikan ongelmaa. Neuraaliverkko käytti erityisiä algoritmeja havaitakseen pienen joukon yhtälöitä, jotka tuottaisivat saman ratkaisun kuin alkuperäiset 100,000 32 yhtälön uudelleennormalisointiryhmät. "Syväoppimiskehyksemme yrittää pienentää ulottuvuuksia sadoista tuhansista tai miljoonista yhtälöistä pieneen kouralliseen (XNUMX tai jopa neljään yhtälöön), Di Sante sanoi. "Käytimme enkooderi-dekooderi-mallia pakataksemme (puristaaksemme) kärjen tähän pieneen, "piilevään" tilaan. Tässä piilevässä avaruudessa (kuvittele tämän katsovan hermoverkon "hupun alta") käytimme uutta ML-menetelmää, jota kutsutaan hermo tavalliseksi differentiaaliyhtälöksi oppiaksemme näiden yhtälöiden ratkaisut.
Muiden vaikeiden kvanttifysiikan ongelmien ratkaiseminen
Neuraaliverkon ansiosta tutkijat havaitsivat, että he voisivat käyttää huomattavasti vähemmän yhtälöitä Hubbard-mallin tutkimiseen. Vaikka tämä tulos osoittaa selkeää menestystä, Di Sante ymmärsi, että paljon on vielä tehtävää. "Koneoppimisarkkitehtuurin tulkitseminen ei ole yksinkertainen tehtävä", hän totesi. "Usein hermoverkot toimivat erittäin hyvin mustina laatikoina, joilla ei ole juurikaan käsitystä siitä, mitä oppii. Tällä hetkellä ponnistelumme keskittyvät menetelmiin, joilla ymmärrämme paremmin kourallisen opittujen yhtälöiden ja Hubbard-mallin todellisen fysiikan välisen yhteyden.
Silti tämän tutkimuksen alustavat havainnot viittaavat suuriin seurauksiin muihin kvanttifysiikan ongelmiin. "Härkipisteen (keskikohde, joka koodaa kahden elektronin välistä vuorovaikutusta) pakkaaminen on iso juttu kvanttifysiikassa kvanttivuorovaikutteisille materiaaleille", sanoi Di Sante. "Se säästää muistia ja laskentatehoa ja tarjoaa fyysistä tietoa. Työmme osoitti jälleen kerran, kuinka koneoppiminen ja kvanttifysiikka risteävät rakentavasti." Nämä vaikutukset voivat myös muuttua samanlaisiksi ongelmiksi kvanttiteollisuudessa. "Alalla on sama ongelma: suuria, korkeaulotteisia tietoja, jotka tarvitsevat pakkaamisen manipulointia ja tutkimista varten", Di Sante lisäsi. "Toivomme, että tämä renormalisointiryhmän työ voi auttaa tai innostaa uusia lähestymistapoja myös tällä osa-alueella."
Kenna Hughes-Castleberry on Inside Quantum Technologyn ja JILAn Science Communicatorin (kumppanuus Colorado Boulderin yliopiston ja NISTin välillä) kirjoittaja. Hänen kirjoitustyylinsä sisältävät syväteknologiaa, metaversumia ja kvanttitekniikkaa.
