By Kenna Hughes-Castleberry diposting 05 Okt 2022
Mengembangkan teknologi inovatif seperti komputasi kuantum, kecerdasan buatan (AI), dan pembelajaran mesin (ML) dapat memberikan manfaat yang signifikan. Keduanya AI dan ML menggunakan kumpulan data yang besar untuk memprediksi pola dan menarik kesimpulan, yang dapat sangat membantu untuk mengoptimalkan sistem komputasi kuantum. Baru-baru ini, para peneliti di Pusat Fisika Kuantum Komputasi Flatiron Institute (CCQ), mampu menerapkan teknologi ML pada soal fisika kuantum yang sangat sulit, mengurangi kebutuhan sistem dari 100,000 persamaan menjadi hanya empat persamaan, tanpa menurunkan akurasi. Sebagai Institut Flatiron merupakan bagian dari Yayasan Simons dan bekerja untuk memajukan metode ilmiah, para peneliti menerbitkan temuan mereka di Physical Review Letters.
Melihat ke dalam Model Hubbard
Masalah fisika kuantum yang sulit dalam pertanyaan berfokus pada bagaimana elektron berinteraksi satu sama lain dalam kisi. kisi-kisi sering digunakan dalam penelitian kuantum dan dibuat menggunakan kisi laser khusus. Di dalam kisi, elektron dapat berinteraksi satu sama lain jika mereka berada di tempat yang sama, menambah gangguan pada sistem dan memiringkan hasilnya. Sistem ini, disebut juga dengan Model Hubard, telah menjadi teka-teki yang sulit dipecahkan oleh para ilmuwan kuantum. Menurut peneliti utama Domenico Di Sante, seorang Rekan Riset Afiliasi di CCQ: “Model Hubbard… menampilkan hanya dua bahan: energi kinetik elektron (energi yang terkait dengan pergerakan elektron pada kisi) dan energi potensial (energi yang ingin menghambat pergerakan elektron). elektron). Diyakini menyandikan fenomenologi fundamental dari bahan kuantum kompleks, termasuk magnetisme, dan superkonduktivitas.”
Sementara model Hubbard mungkin tampak sederhana, itu sama sekali tidak. Elektron di dalam kisi dapat berinteraksi dengan cara yang sulit diprediksi, termasuk terjerat. Bahkan jika elektron berada di dua tempat berbeda di dalam kisi, mereka harus diperlakukan pada saat yang sama, memaksa para ilmuwan untuk menangani semua elektron sekaligus. “Tidak ada solusi pasti untuk model Hubbard,” tambah Di Sante. “Kita harus mengandalkan metode numerik.” Untuk mengatasi masalah fisika kuantum ini, banyak fisikawan menggunakan grup renormalisasi. Ini adalah metode matematis yang dapat mempelajari bagaimana suatu sistem berubah ketika para ilmuwan memodifikasi properti masukan yang berbeda. Namun, agar grup renormalisasi berhasil, ia harus melacak semua kemungkinan hasil interaksi elektron, yang mengarah ke setidaknya 100,000 persamaan yang perlu diselesaikan. Di Sante dan rekan peneliti berharap menggunakan ML algoritma bisa membuat tantangan ini jauh lebih mudah.
Para peneliti menggunakan jenis alat ML tertentu, yang disebut a saraf jaringan, untuk mencoba memecahkan masalah fisika kuantum. Jaringan saraf menggunakan algoritme spesifik untuk mendeteksi sekumpulan kecil persamaan yang akan menghasilkan solusi yang sama dengan 100,000 grup renormalisasi persamaan asli. “Kerangka pembelajaran mendalam kami mencoba untuk mengurangi dimensi dari ratusan ribu atau jutaan persamaan menjadi segelintir kecil (menjadi 32 atau bahkan empat persamaan),” kata Di Sante. “Kami menggunakan desain encoder-decoder untuk mengompres (memeras) vertex ke dalam ruang 'laten' yang kecil ini. Di ruang laten ini (bayangkan ini terlihat 'di bawah kap' jaringan saraf), kami menggunakan metode ML baru yang disebut persamaan diferensial biasa saraf untuk mempelajari solusi dari persamaan ini.”
Memecahkan Masalah Fisika Kuantum Sulit Lainnya
Berkat jaringan saraf, para peneliti menemukan bahwa mereka dapat menggunakan persamaan yang jauh lebih sedikit untuk mempelajari model Hubbard. Meski hasil ini menunjukkan kesuksesan yang jelas, Di Sante memahami bahwa masih banyak pekerjaan yang harus diselesaikan. “Menafsirkan arsitektur pembelajaran mesin bukanlah tugas yang mudah,” katanya. “Seringkali, jaringan saraf bekerja sangat baik sebagai kotak hitam dengan sedikit pemahaman tentang apa yang dipelajari. Upaya kami saat ini difokuskan pada metode untuk lebih memahami hubungan antara segelintir persamaan yang dipelajari dan fisika aktual dari model Hubbard.”
Namun, temuan awal penelitian ini menunjukkan implikasi besar untuk masalah fisika kuantum lainnya. “Mengompresi vertex (objek pusat yang mengkodekan interaksi antara dua elektron) adalah masalah besar dalam fisika kuantum untuk bahan yang berinteraksi dengan kuantum,” jelas Di Sante. “Ini menghemat memori, dan daya komputasi, dan menawarkan wawasan fisik. Pekerjaan kami, sekali lagi, menunjukkan bagaimana pembelajaran mesin dan fisika kuantum bersinggungan secara konstruktif.” Dampak ini juga dapat diterjemahkan ke masalah serupa dalam industri kuantum. “Lapangan ini menghadapi masalah yang sama: memiliki data besar dan berdimensi tinggi yang memerlukan kompresi untuk dimanipulasi dan dipelajari,” tambah Di Sante. “Kami berharap pekerjaan pada kelompok renormalisasi ini dapat membantu atau menginspirasi pendekatan baru di subbidang ini juga.”
Kenna Hughes-Castleberry adalah staf penulis di Inside Quantum Technology dan Science Communicator di JILA (kemitraan antara University of Colorado Boulder dan NIST). Ketukan tulisannya termasuk teknologi dalam, metaverse, dan teknologi kuantum.
