By Kenna Hughes-Castleberry közzétéve: 05. október 2022
Az olyan innovatív technológiák kifejlesztése, mint a kvantumszámítás, a mesterséges intelligencia (AI) és a gépi tanulás (ML), jelentős előnyökkel járhat. Mindkét AI és a ML nagy adatkészleteket használjon a minták előrejelzésére és a következtetések levonására, ami különösen hasznos lehet egy kvantumszámítógép-rendszer optimalizálásához. A közelmúltban a Flatiron Intézet Számítógépes Kvantumfizikai Központjának kutatói (CCQ) tudták alkalmazni az ML technológiát egy különösen nehéz kvantumfizikai problémára, így a rendszert 100,000 XNUMX egyenletről mindössze négy egyenletre csökkentették, anélkül, hogy a pontosságot csökkentenék. Ahogy a Flatiron Intézet egyike a népszerű Simons Alapítvány és a tudományos módszerek fejlesztésén dolgozik – tették közzé eredményeiket a kutatók Fizikai áttekintés betűk.
Nézzük a Hubbard-modellt
A kérdéses nehéz kvantumfizikai probléma arra összpontosított, hogy az elektronok hogyan lépnek kölcsönhatásba egymással a rácsban. Rácsok gyakran használják a kvantumkutatásban, és speciális lézerek rácsával készülnek. A rácson belül az elektronok kölcsönhatásba léphetnek egymással, ha ugyanazon a helyen vannak, ami zajt ad a rendszernek, és torzítja az eredményeket. Ez a rendszer, más néven a Hubbard modell, nehéz feladványt jelentett a kvantumkutatók számára. A vezető kutató szerint Domenico Di Sante, a CCQ társkutatója: „A Hubbard-modell… mindössze két összetevőt tartalmaz: az elektronok kinetikus energiáját (az elektronok rácson történő mozgatásához kapcsolódó energia) és a potenciális energiát (az az energia, amely akadályozni akarja az elektronok mozgását). elektronok). Úgy gondolják, hogy az összetett kvantumanyagok alapvető jelenségeit kódolja, beleértve a mágnesességet és a szupravezetést.
Bár a Hubbard-modell egyszerűnek tűnhet, ez nem más. A rácson belüli elektronok nehezen megjósolható módon kölcsönhatásba léphetnek, beleértve az összegabalyodást is. Még ha az elektronok két különböző helyen vannak is a rácson belül, egyszerre kell kezelni őket, ami arra kényszeríti a tudósokat, hogy az összes elektronnal egyszerre foglalkozzanak. „Nincs pontos megoldás a Hubbard modellre” – tette hozzá Di Sante. "A numerikus módszerekre kell hagyatkoznunk." Ennek a kvantumfizikai problémának a leküzdésére sok fizikus renormalizációs csoportot használ. Ez egy matematikai módszer, amely képes megvizsgálni, hogyan változik a rendszer, amikor a tudósok módosítják a különböző bemeneti tulajdonságokat. De ahhoz, hogy egy renormalizációs csoport sikeresen működjön, nyomon kell követnie az elektronkölcsönhatások összes lehetséges kimenetelét, ami legalább 100,000 XNUMX egyenlet megoldásához vezet. Di Sante és kutatótársai abban reménykedtek, hogy az ML használatával algoritmusok jelentősen megkönnyítheti ezt a kihívást.
A kutatók egy speciális típusú ML-eszközt, az úgynevezett a neurális hálózat, hogy megpróbálja megoldani a kvantumfizikai problémát. A neurális hálózat speciális algoritmusokat használt egy kis egyenlethalmaz észlelésére, amely ugyanazt a megoldást generálja, mint az eredeti 100,000 32 egyenlet-renormalizációs csoport. „Mély tanulási keretrendszerünk megpróbálja a dimenziókat több százezer vagy millió egyenletről egy kis maroknyira (XNUMX vagy akár négy egyenletre) csökkenteni” – mondta Di Sante. „Kódoló-dekóder tervezést használtunk, hogy a csúcsot ebbe a kis, „látens” térbe tömörítsük (préseljük). Ebben a látens térben (képzeld el, hogy a neurális hálózat „burkolata alatt” látszunk) egy újszerű ML-módszert, az úgynevezett neurális közönséges differenciálegyenletet használtuk az egyenletek megoldásának megismerésére.
Más nehéz kvantumfizikai problémák megoldása
A neurális hálózatnak köszönhetően a kutatók azt találták, hogy lényegesen kevesebb egyenletet használhatnak a Hubbard-modell tanulmányozására. Bár ez az eredmény egyértelmű sikert mutat, Di Sante megértette, hogy még sok a tennivaló. „A gépi tanulási architektúra értelmezése nem egyszerű feladat” – szögezte le. „Gyakran a neurális hálózatok nagyon jól működnek fekete dobozként, és alig értik a tanulást. Erőfeszítéseink jelenleg olyan módszerekre összpontosulnak, amelyek segítségével jobban megérthetjük a maroknyi tanult egyenlet és a Hubbard-modell tényleges fizikája közötti kapcsolatot.
Ennek a kutatásnak a kezdeti megállapításai azonban más kvantumfizikai problémákra is nagy hatással vannak. "A csúcs (a két elektron közötti kölcsönhatást kódoló központi objektum) összenyomása nagy dolog a kvantumfizikában a kvantumokkal kölcsönható anyagok esetében" - magyarázta Di Sante. „Memóriát és számítási teljesítményt takarít meg, és fizikai betekintést nyújt. Munkánk ismét megmutatta, hogyan keresztezi egymást konstruktívan a gépi tanulás és a kvantumfizika.” Ezek a hatások a kvantumiparon belül is hasonló problémákhoz vezethetnek. "A terület ugyanazzal a problémával küzd: nagy, nagy dimenziós adatokkal kell rendelkezni, amelyeket tömöríteni kell a manipuláció és a tanulmányozás érdekében" - tette hozzá Di Sante. „Reméljük, hogy a renormalizációs csoporton végzett munka ezen a részterületen is segíthet, vagy új megközelítéseket inspirál.”
Kenna Hughes-Castleberry az Inside Quantum Technology és a Science Communicator munkatársa a JILA-nál (a Colorado Boulder Egyetem és a NIST partnersége). Írási ütemei közé tartozik a mélytechnológia, a metaverzum és a kvantumtechnológia.
