By Kenna Hughes-Castleberry posté le 05 oct. 2022
Le développement de technologies innovantes telles que l'informatique quantique, l'intelligence artificielle (IA) et l'apprentissage automatique (ML) peut apporter des avantages significatifs. Les deux AI ainsi que ML utiliser de grands pools de données pour prédire des modèles et tirer des conclusions, ce qui peut être particulièrement utile pour optimiser un système informatique quantique. Récemment, des chercheurs du Flatiron Institute's Center for Computational Quantum Physics (CCQ), ont pu appliquer la technologie ML à un problème de physique quantique particulièrement difficile, réduisant le système de 100,000 XNUMX équations à seulement quatre équations, sans réduire la précision. Comme le Institut Flatiron fait partie de la Fondation Simons et travaille à faire progresser les méthodes scientifiques, les chercheurs ont publié leurs découvertes dans Physical Review Letters.
Regard sur le modèle Hubbard
Le difficile problème de physique quantique en question portait sur la façon dont les électrons interagissaient les uns avec les autres dans un réseau. Treillis sont souvent utilisés dans la recherche quantique et sont fabriqués à l'aide d'une grille de lasers spéciaux. Au sein du réseau, les électrons peuvent interagir les uns avec les autres s'ils se trouvent au même endroit, ajoutant du bruit au système et faussant les résultats. Ce système, aussi appelé le Modèle Hubbard, a été un casse-tête difficile à résoudre pour les scientifiques quantiques. Selon le chercheur principal Domenico Di Sante, chercheur affilié à la CCQ : « Le modèle de Hubbard… ne comporte que deux ingrédients : l'énergie cinétique des électrons (l'énergie associée au déplacement des électrons sur un réseau) et l'énergie potentielle (l'énergie qui veut empêcher le mouvement des électrons). On pense qu'il code les phénoménologies fondamentales des matériaux quantiques complexes, y compris le magnétisme et la supraconductivité.
Alors que le modèle de Hubbard peut sembler simple, c'est tout sauf cela. Les électrons du réseau peuvent interagir de manière difficile à prévoir, y compris s'emmêler. Même si les électrons se trouvent à deux endroits différents du réseau, ils doivent être traités en même temps, obligeant les scientifiques à traiter tous les électrons à la fois. "Il n'y a pas de solution exacte au modèle Hubbard", a ajouté Di Sante. "Nous devons nous appuyer sur des méthodes numériques." Pour surmonter ce problème de physique quantique, de nombreux physiciens utilisent un groupe de renormalisation. C'est une méthode mathématique qui peut étudier comment un système change lorsque les scientifiques modifient différentes propriétés d'entrée. Mais, pour qu'un groupe de renormalisation fonctionne avec succès, il doit garder une trace de tous les résultats possibles des interactions électroniques, conduisant à au moins 100,000 XNUMX équations à résoudre. Di Sante et ses collègues chercheurs espéraient que l'utilisation du ML algorithmes pourrait rendre ce défi beaucoup plus facile.
Les chercheurs ont utilisé un type spécifique d'outil de ML, appelé Réseau neuronal, pour tenter de résoudre le problème de la physique quantique. Le réseau neuronal a utilisé des algorithmes spécifiques pour détecter un petit ensemble d'équations qui généreraient la même solution que les 100,000 32 groupes de renormalisation d'équations d'origine. "Notre cadre d'apprentissage en profondeur tente de réduire la dimensionnalité de centaines de milliers ou de millions d'équations à une petite poignée (jusqu'à XNUMX ou même quatre équations)", a déclaré Di Sante. « Nous avons utilisé une conception d'encodeur-décodeur pour compresser (presser) le sommet dans ce petit espace « latent ». Dans cet espace latent (imaginez-le comme regardant « sous le capot » du réseau de neurones), nous avons utilisé une nouvelle méthode de ML appelée équation différentielle ordinaire neuronale pour apprendre les solutions de ces équations. »
Résoudre d'autres problèmes difficiles de physique quantique
Grâce au réseau de neurones, les chercheurs ont découvert qu'ils pouvaient utiliser beaucoup moins d'équations pour étudier le modèle de Hubbard. Bien que ce résultat montre un succès évident, Di Sante a compris qu'il reste encore beaucoup de travail à faire. "L'interprétation de l'architecture d'apprentissage automatique n'est pas une tâche simple", a-t-il déclaré. "Souvent, les réseaux de neurones fonctionnent très bien comme des boîtes noires avec peu de compréhension de ce qui est appris. Nos efforts se concentrent actuellement sur des méthodes permettant de mieux comprendre le lien entre la poignée d'équations apprises et la physique réelle du modèle Hubbard.
Pourtant, les premiers résultats de cette recherche suggèrent de grandes implications pour d'autres problèmes de physique quantique. "La compression du vertex (l'objet central qui code l'interaction entre deux électrons) est un gros problème en physique quantique pour les matériaux en interaction quantique", a expliqué Di Sante. « Il économise de la mémoire et de la puissance de calcul, et offre un aperçu physique. Notre travail, une fois de plus, a démontré comment l'apprentissage automatique et la physique quantique se recoupent de manière constructive. Ces impacts peuvent également se traduire par des problèmes similaires au sein de l'industrie quantique. "Le domaine est confronté au même problème : disposer de données volumineuses et de grande dimension qui doivent être compressées pour être manipulées et étudiées", a ajouté Di Sante. "Nous espérons que ce travail sur le groupe de renormalisation pourra également aider ou inspirer de nouvelles approches dans ce sous-domaine."
Kenna Hughes-Castleberry est rédactrice à Inside Quantum Technology et communicatrice scientifique à JILA (un partenariat entre l'Université du Colorado à Boulder et le NIST). Ses rythmes d'écriture incluent la technologie profonde, le métaverse et la technologie quantique.
