By Kenny Hughes-Castleberry wysłano 05 października 2022 r
Rozwój innowacyjnych technologii, takich jak obliczenia kwantowe, sztuczna inteligencja (AI) i uczenie maszynowe (ML), może przynieść znaczne korzyści. Obydwa AI i ML wykorzystywać duże zbiory danych do przewidywania wzorców i wyciągania wniosków, co może być szczególnie pomocne przy optymalizacji kwantowego systemu obliczeniowego. Niedawno naukowcy z Centrum Obliczeniowej Fizyki Kwantowej Instytutu Flatiron (CCQ), byli w stanie zastosować technologię uczenia maszynowego do szczególnie trudnego problemu z fizyki kwantowej, redukując zapotrzebowanie systemu ze 100,000 XNUMX równań do zaledwie czterech równań, bez zmniejszania dokładności. jako Instytut Flatiron jest częścią Fundacja Simonsa i pracuje nad udoskonaleniem metod naukowych, naukowcy opublikowali swoje odkrycia w czasopiśmie Physical Review Letters.
Patrząc na model Hubbarda
Rozważany trudny problem fizyki kwantowej skupiał się na tym, jak elektrony oddziałują ze sobą w sieci. Kraty są często wykorzystywane w badaniach kwantowych i powstają przy użyciu siatki specjalnych laserów. W obrębie sieci elektrony mogą oddziaływać ze sobą, jeśli znajdują się w tym samym miejscu, dodając szum do układu i zniekształcając wyniki. System ten, zwany także modelu Hubbarda, było trudną do rozwiązania zagadką dla naukowców zajmujących się kwantami. Według głównego badacza Domenico Di Sante, pracownik naukowy w CCQ: „Model Hubbarda… obejmuje tylko dwa składniki: energię kinetyczną elektronów (energię związaną z poruszaniem się elektronów w sieci) i energię potencjalną (energię, która chce utrudniać ruch elektronów) elektrony). Uważa się, że koduje podstawowe fenomenologie złożonych materiałów kwantowych, w tym magnetyzm i nadprzewodnictwo”.
Chociaż model Hubbarda może wydawać się prosty, wcale tak nie jest. Elektrony w sieci mogą oddziaływać na siebie w trudny do przewidzenia sposób, na przykład splątując się. Nawet jeśli elektrony znajdują się w dwóch różnych miejscach sieci, należy je traktować w tym samym czasie, co zmusza naukowców do zajęcia się wszystkimi elektronami na raz. „Nie ma dokładnego rozwiązania dla modelu Hubbarda” – dodał Di Sante. „Musimy polegać na metodach numerycznych”. Aby przezwyciężyć ten problem fizyki kwantowej, wielu fizyków używa grupy renormalizacyjnej. Jest to metoda matematyczna pozwalająca badać, jak zmienia się system, gdy naukowcy modyfikują różne właściwości wejściowe. Aby jednak grupa renormalizacyjna działała pomyślnie, musi śledzić wszystkie możliwe wyniki interakcji elektronów, co prowadzi do konieczności rozwiązania co najmniej 100,000 XNUMX równań. Di Sante i jego koledzy mieli nadzieję, że zastosowanie ML Algorytmy może znacznie ułatwić to wyzwanie.
Badacze wykorzystali specyficzny rodzaj narzędzia ML, zwanego a sieci neuronowe, próbując rozwiązać problem fizyki kwantowej. Sieć neuronowa wykorzystała określone algorytmy do wykrycia małego zestawu równań, które wygenerowałyby to samo rozwiązanie, co pierwotne 100,000 32 grup renormalizacji równań. „Nasze środowisko głębokiego uczenia się próbuje zredukować wymiarowość z setek tysięcy lub milionów równań do małej garstki (do XNUMX, a nawet czterech równań)” – powiedział Di Sante. „Zastosowaliśmy projekt kodera-dekodera, aby skompresować (wcisnąć) wierzchołek w tę małą, „ukrytą” przestrzeń. W tej ukrytej przestrzeni (wyobraźmy sobie, że zaglądamy „pod maskę” sieci neuronowej) zastosowaliśmy nowatorską metodę ML zwaną neuronowym równaniem różniczkowym zwyczajnym, aby poznać rozwiązania tych równań.
Rozwiązywanie innych trudnych problemów z zakresu fizyki kwantowej
Dzięki sieci neuronowej naukowcy odkryli, że do badania modelu Hubbarda można zastosować znacznie mniej równań. Choć wynik ten wskazuje na wyraźny sukces, Di Sante zdawał sobie sprawę, że przed nami jeszcze wiele pracy. „Interpretacja architektury uczenia maszynowego nie jest zadaniem prostym” – stwierdził. „Często sieci neuronowe działają bardzo dobrze jako czarne skrzynki przy niewielkim zrozumieniu tego, czego się uczą. Nasze wysiłki skupiają się obecnie na metodach lepszego zrozumienia powiązania między kilkoma wyuczonymi równaniami a rzeczywistą fizyką modelu Hubbarda.
Mimo to wstępne wyniki tych badań sugerują duże implikacje dla innych problemów fizyki kwantowej. „Kompresja wierzchołka (centralnego obiektu, który koduje interakcję między dwoma elektronami) to duże wyzwanie w fizyce kwantowej w przypadku materiałów oddziałujących kwantowo” – wyjaśnił Di Sante. „Oszczędza pamięć i moc obliczeniową oraz zapewnia fizyczny wgląd. Nasza praca po raz kolejny pokazała, jak uczenie maszynowe i fizyka kwantowa konstruktywnie się przenikają”. Skutki te mogą również przekładać się na podobne problemy w przemyśle kwantowym. „Badania borykają się z tym samym problemem: posiadaniem dużych, wielowymiarowych danych, które wymagają kompresji w celu manipulowania nimi i ich badania” – dodał Di Sante. „Mamy nadzieję, że prace nad grupą renormalizacyjną mogą pomóc lub zainspirować nowe podejścia również w tej dziedzinie”.
Kenna Hughes-Castleberry jest pisarzem personelu w Inside Quantum Technology i Science Communicator w JILA (partnerstwo między University of Colorado Boulder i NIST). Jej pisarskie bity obejmują deep tech, metaverse i technologię kwantową.
