By ケナ・ヒューズ＝キャッスルベリー 投稿日: 05 年 2022 月 XNUMX 日
量子コンピューティング、人工知能 (AI)、機械学習 (ML) などの革新的なテクノロジーの開発は、大きなメリットをもたらす可能性があります。両方 AI & ML 大規模なデータ プールを使用してパターンを予測し、結論を導き出します。これは、量子コンピューティング システムの最適化に特に役立ちます。最近、フラットアイアン研究所の計算量子物理学センターの研究者 (CCQ) は、特に困難な量子物理学問題に ML テクノロジーを適用し、精度を低下させることなく、システムに必要な 100,000 の方程式を XNUMX つの方程式に減らすことができました。として フラットアイアン研究所 の一部です。 サイモンズ財団 科学的手法の進歩に取り組んでおり、研究者らはその結果を Physical Review Lettersに.
ハバードモデルの考察
問題となっている量子物理学の難しい問題は、電子が格子内でどのように相互作用するかに焦点を当てていました。 格子 量子研究でよく利用され、特殊なレーザーのグリッドを使用して作成されます。格子内では、電子が同じ場所にある場合、相互作用する可能性があり、システムにノイズが追加され、結果が歪められます。このシステムは、 ハバードモデルは、量子科学者にとって解決が難しいパズルでした。主任研究員によると ドメニコ・ディ・サントCCQ の提携研究員である e 氏: 「ハバード モデルは、電子の運動エネルギー (格子上の電子の移動に関連するエネルギー) と位置エネルギー (格子上の電子の移動に伴うエネルギー) の 2 つの要素だけを特徴としています。」電子）。それは、磁性や超伝導を含む複雑な量子物質の基本的な現象学をコード化していると考えられています。」
ハバード モデルは単純に見えるかもしれませんが、決してそうではありません。格子内の電子は、絡み合うなど、予測困難な方法で相互作用する可能性があります。たとえ電子が格子内の 100,000 つの異なる場所にあったとしても、同時に処理する必要があるため、科学者はすべての電子を一度に処理する必要があります。 「ハバードモデルに対する正確な解決策はありません」とディ・サンテ氏は付け加えた。 「私たちは数値的な手法に頼らなければなりません。」この量子物理学の問題を克服するために、多くの物理学者は繰り込み群を使用します。これは、科学者がさまざまな入力プロパティを変更したときにシステムがどのように変化するかを研究できる数学的手法です。しかし、繰り込み群が正常に機能するためには、電子相互作用の考えられるすべての結果を追跡する必要があり、少なくとも XNUMX 個の方程式を解く必要があります。ディ・サンテと彼の同僚の研究者は、ML を使用することを期待していました。 アルゴリズム この課題は大幅に簡単になる可能性があります。
研究者らは、と呼ばれる特定のタイプの ML ツールを使用しました。 ニューラルネットワーク、量子物理学の問題を解決しようとします。ニューラル ネットワークは、特定のアルゴリズムを使用して、元の 100,000 個の方程式繰り込みグループと同じ解を生成する小さな方程式セットを検出しました。 「私たちの深層学習フレームワークは、数十万または数百万の方程式から少数の数式 (32 または XNUMX 方程式まで) に次元を削減しようとしています」と Di Sante 氏は述べています。 「私たちはエンコーダー/デコーダー設計を使用して、頂点をこの小さな「潜在」空間に圧縮（押し込み）しました。この潜在空間 (ニューラル ネットワークの「内部」を覗いていると想像してください) では、ニューラル常微分方程式と呼ばれる新しい ML 手法を使用して、これらの方程式の解を学習しました。」
他の困難な量子物理学問題の解決
ニューラル ネットワークのおかげで、研究者らは、ハバード モデルを研究するために使用できる方程式の数が大幅に減少したことを発見しました。この結果は明らかな成功を示していますが、ディ・サンテ氏は、やるべきことがまだたくさんあることを理解していました。 「機械学習アーキテクチャを解釈するのは簡単な作業ではありません」と彼は述べました。 「多くの場合、ニューラル ネットワークは、学習内容がほとんど理解されていないブラック ボックスとして非常にうまく機能します。私たちの現在の取り組みは、学習した少数の方程式とハバードモデルの実際の物理学との関係をより深く理解するための方法に焦点を当てています。」
それでも、この研究の最初の発見は、他の量子物理学の問題に大きな影響を与えることを示唆しています。 「頂点（2つの電子間の相互作用をコード化する中心物体）を圧縮することは、量子相互作用材料にとって量子物理学において重要なことです」とディ・サンテ氏は説明した。 「メモリと計算能力を節約し、物理的な洞察を提供します。私たちの研究は、機械学習と量子物理学がどのように建設的に交差するかを再度実証しました。」これらの影響は、量子産業内の同様の問題にも波及する可能性があります。 「この分野は同じ問題に直面しています。操作や研究のために圧縮が必要な大規模で高次元のデータがあるのです」とディ・サンテ氏は付け加えた。 「くり込み群に関するこの研究が、このサブ分野でも役立つ、または新しいアプローチを刺激することができることを願っています。」
Kenna Hughes-Castleberry は、Inside Quantum Technology のスタッフ ライターであり、JILA (コロラド大学ボルダー校と NIST のパートナーシップ) のサイエンス コミュニケーターです。 彼女の執筆活動には、ディープ テクノロジー、メタバース、量子テクノロジーが含まれます。
