By קנה יוז-קסטלברי פורסם ב-05 באוקטובר 2022
פיתוח טכנולוגיות חדשניות כמו מחשוב קוונטי, בינה מלאכותית (AI) ולמידת מכונה (ML) יכול לתת יתרונות משמעותיים. שניהם AI ו ML השתמש במאגרים גדולים של נתונים כדי לחזות דפוסים ולהסיק מסקנות, מה שיכול להיות מועיל במיוחד עבור אופטימיזציה של מערכת מחשוב קוונטי. לאחרונה, חוקרים במרכז לפיזיקה קוונטית חישובית של מכון פלטירון (CCQ), הצליחו ליישם את טכנולוגיית ML לבעיה קשה במיוחד בפיזיקה קוונטית, והפחיתו את המערכת מצריכה של 100,000 משוואות לארבע משוואות בלבד, מבלי להוריד את הדיוק. בתור ה מכון פלטירון הוא חלק קרן סימונס ופועלת לקידום שיטות מדעיות, פרסמו החוקרים את ממצאיהם מכתבי סקירה פיזית.
מסתכל על דגם האברד
בעיית הפיזיקה הקוונטית הקשה המדוברת התמקדה באינטראקציה של אלקטרונים זה עם זה בסריג. סריג משמשים לעתים קרובות במחקר קוונטי ומיוצרים באמצעות רשת של לייזרים מיוחדים. בתוך הסריג, אלקטרונים יכולים לקיים אינטראקציה זה עם זה אם הם נמצאים באותו מקום, להוסיף רעש למערכת ולהטות את התוצאות. מערכת זו, הנקראת גם ה דגם האברד, היה חידה קשה לפתרון מדעני קוונטים. לדברי החוקר הראשי דומניקו די סנטה, עמית מחקר שותפים ב-CCQ: "מודל האברד... כולל רק שני מרכיבים: האנרגיה הקינטית של אלקטרונים (האנרגיה הקשורה להנעת אלקטרונים על סריג) והאנרגיה הפוטנציאלית (האנרגיה שרוצה לעכב את התנועה של אלקטרונים אלקטרונים). מאמינים שהוא מקודד תופעות בסיסיות של חומרים קוונטיים מורכבים, כולל מגנטיות ומוליכות-על."
אמנם דגם האברד עשוי להיראות פשוט, אבל הוא הכל חוץ. האלקטרונים בתוך הסריג יכולים לקיים אינטראקציה בדרכים קשות לניבוי, כולל הסתבכות. גם אם האלקטרונים נמצאים בשני מקומות שונים בתוך הסריג, יש לטפל בהם בו-זמנית, מה שמאלץ את המדענים להתמודד עם כל האלקטרונים בבת אחת. "אין פתרון מדויק למודל האברד", הוסיף די סנטה. "עלינו להסתמך על שיטות מספריות." כדי להתגבר על בעיית הפיזיקה הקוונטית הזו, פיזיקאים רבים משתמשים בקבוצת רנורמליזציה. זוהי שיטה מתמטית שיכולה לחקור כיצד מערכת משתנה כאשר מדענים משנים מאפייני קלט שונים. אבל, כדי שקבוצת רנורמליזציה תעבוד בהצלחה, עליה לעקוב אחר כל התוצאות האפשריות של אינטראקציות אלקטרונים, מה שמוביל לפחות 100,000 משוואות שצריך לפתור. Di Sante ועמיתיו החוקרים קיוו ששימוש ב-ML אלגוריתמים יכול להקל משמעותית על האתגר הזה.
החוקרים השתמשו בסוג מסוים של כלי ML, הנקרא a רשת עצבית, כדי לנסות לפתור את בעיית הפיזיקה הקוונטית. הרשת העצבית השתמשה באלגוריתמים ספציפיים כדי לזהות קבוצה קטנה של משוואות שייצרו את אותו פתרון כמו 100,000 קבוצות הרנורמליזציה המקוריות של המשוואות. "מסגרת הלמידה העמוקה שלנו מנסה לצמצם את הממדיות ממאות אלפי או מיליוני משוואות לקומץ קטן (עד 32 או אפילו ארבע משוואות)", אמר די סנטה. "השתמשנו בעיצוב מקודד-מפענח כדי לדחוס (לסחוט) את הקודקוד לתוך החלל הקטן וה'סמוי' הזה. במרחב הסמוי הזה (דמיין את זה כמסתכל 'מתחת למכסה המנוע' של הרשת העצבית), השתמשנו בשיטת ML חדשה הנקראת משוואת דיפרנציאל עצבית רגילה כדי ללמוד את הפתרונות של המשוואות הללו."
פתרון בעיות קשות אחרות בפיזיקה קוונטית
הודות לרשת העצבית, החוקרים גילו שהם יכולים להשתמש בפחות משוואות באופן משמעותי כדי לחקור את מודל האברד. למרות שהתוצאה הזו מראה על הצלחה ברורה, די סנטה הבין שיש עוד הרבה עבודה לעשות. "פירוש ארכיטקטורת למידת מכונה אינה משימה פשוטה", הוא קבע. "לעתים קרובות, רשתות עצביות עובדות טוב מאוד כקופסאות שחורות עם מעט הבנה של מה שלומדים. המאמצים שלנו כרגע מתמקדים בשיטות להבנה טובה יותר של הקשר בין קומץ המשוואות הנלמדות לבין הפיזיקה האמיתית של מודל האברד".
ובכל זאת, הממצאים הראשוניים של מחקר זה מצביעים על השלכות גדולות על בעיות אחרות בפיזיקה קוונטית. "דחיסה של הקודקוד (האובייקט המרכזי המקודד את האינטראקציה בין שני אלקטרונים) היא עניין גדול בפיזיקה הקוונטית לחומרים המקיימים אינטראקציה קוונטית", הסביר די סנטה. "זה חוסך זיכרון וכוח חישובי, ומציע תובנה פיזית. העבודה שלנו, שוב, הדגימה כיצד למידת מכונה ופיזיקה קוונטית מצטלבות בצורה בונה". השפעות אלו עשויות גם להיות מסוגלות לתרגם לנושאים דומים בתעשיית הקוונטים. "התחום מתמודד עם אותה בעיה: יש נתונים גדולים ובממדים גבוהים שצריכים דחיסה כדי לבצע מניפולציות וללמוד", הוסיף די סנטה. "אנו מקווים שהעבודה הזו על קבוצת הרנורמליזציה יכולה לעזור או לעורר גישות חדשות גם בתת-תחום זה."
קנה יוז-קסטלברי היא כותבת צוות ב-Inside Quantum Technology ו-Science Communicator ב-JILA (שותפות בין אוניברסיטת קולורדו בולדר ו-NIST). פעימות הכתיבה שלה כוללות Deep Tech, Metaverse וטכנולוגיה קוונטית.
