By Kenna Hughes-Castleberry postat pe 05 octombrie 2022
Dezvoltarea de tehnologii inovatoare precum calculul cuantic, inteligența artificială (AI) și învățarea automată (ML) poate oferi beneficii semnificative. Ambii AI și ML utilizați bazine mari de date pentru a prezice modele și a trage concluzii, ceea ce poate fi deosebit de util pentru optimizarea unui sistem de calcul cuantic. Recent, cercetătorii de la Centrul de Fizică Cuantică Computațională al Institutului Flatiron (CCQ), au putut aplica tehnologia ML la o problemă de fizică cuantică deosebit de dificilă, reducând sistemul de la nevoie de 100,000 de ecuații la doar patru ecuații, fără a scădea acuratețea. Dupa cum Institutul Flatiron face parte din Fundația Simons și lucrează pentru a promova metodele științifice, cercetătorii și-au publicat descoperirile în Scrisori de recenzie fizică.
Privind modelul Hubbard
Problema dificilă de fizică cuantică în cauză s-a concentrat pe modul în care electronii interacționează între ei într-o rețea. Grilele sunt adesea utilizate în cercetarea cuantică și sunt realizate folosind o rețea de lasere speciale. În cadrul rețelei, electronii pot interacționa între ei dacă se află în același loc, adăugând zgomot sistemului și modificând rezultatele. Acest sistem, numit și Model Hubbard, a fost un puzzle dificil de rezolvat pentru oamenii de știință cuantici. Potrivit cercetătorului principal Domenico Di Sante, un membru de cercetare afiliat la CCQ: „Modelul Hubbard... prezintă doar două ingrediente: energia cinetică a electronilor (energia asociată cu electronii în mișcare pe o rețea) și energia potențială (energia care dorește să împiedice mișcarea electroni). Se crede că codifică fenomenologii fundamentale ale materialelor cuantice complexe, inclusiv magnetismul și supraconductivitatea.”
În timp ce modelul Hubbard poate părea simplu, este orice altceva. Electronii din rețea pot interacționa în moduri greu de prezis, inclusiv încurcându-se. Chiar dacă electronii se află în două locuri diferite în rețea, ei trebuie tratați în același timp, forțând oamenii de știință să se ocupe de toți electronii simultan. „Nu există o soluție exactă pentru modelul Hubbard”, a adăugat Di Sante. „Trebuie să ne bazăm pe metode numerice.” Pentru a depăși această problemă de fizică cuantică, mulți fizicieni folosesc un grup de renormalizare. Este o metodă matematică care poate studia modul în care un sistem se schimbă atunci când oamenii de știință modifică diferite proprietăți de intrare. Dar, pentru ca un grup de renormalizare să funcționeze cu succes, trebuie să urmărească toate rezultatele posibile ale interacțiunilor electronilor, ceea ce duce la cel puțin 100,000 de ecuații care trebuie rezolvate. Di Sante și colegii săi cercetători au sperat că folosind ML algoritmi ar putea face această provocare semnificativ mai ușoară.
Cercetătorii au folosit un tip specific de instrument ML, numit a rețele neuronale, pentru a încerca să rezolve problema de fizică cuantică. Rețeaua neuronală a folosit algoritmi specifici pentru a detecta un set mic de ecuații care ar genera aceeași soluție ca și grupurile originale de renormalizare de 100,000 de ecuații. „Cadrul nostru de învățare profundă încearcă să reducă dimensionalitatea de la sute de mii sau milioane de ecuații la o mână mică (până la 32 sau chiar patru ecuații)”, a spus Di Sante. „Am folosit un design de codificator-decodor pentru a comprima (strânge) vârful în acest spațiu mic, „latent”. În acest spațiu latent (imaginați-vă că se uită „sub capota” rețelei neuronale), am folosit o nouă metodă ML numită ecuație diferențială ordinară neuronală pentru a afla soluțiile acestor ecuații.”
Rezolvarea altor probleme dificile de fizică cuantică
Datorită rețelei neuronale, cercetătorii au descoperit că ar putea folosi semnificativ mai puține ecuații pentru a studia modelul Hubbard. Deși acest rezultat arată un succes clar, Di Sante a înțeles că mai este mult de făcut. „Interpretarea arhitecturii de învățare automată nu este o sarcină simplă”, a spus el. „Adesea, rețelele neuronale funcționează foarte bine ca cutii negre, cu puțină înțelegere a ceea ce învață. Eforturile noastre în acest moment sunt concentrate în jurul metodelor pentru o mai bună înțelegere a conexiunii dintre puținele ecuații învățate și fizica reală a modelului Hubbard.”
Totuși, descoperirile inițiale ale acestei cercetări sugerează implicații mari pentru alte probleme de fizică cuantică. „Comprimarea vârfului (obiectul central care codifică interacțiunea dintre doi electroni) este o problemă importantă în fizica cuantică pentru materialele cuantice care interacționează”, a explicat Di Sante. „Se economisește memorie și putere de calcul și oferă o perspectivă fizică. Munca noastră, încă o dată, a demonstrat modul în care învățarea automată și fizica cuantică se intersectează constructiv.” Aceste impacturi se pot traduce și în probleme similare din industria cuantică. „Terenul se confruntă cu aceeași problemă: să aibă date mari, cu dimensiuni mari, care necesită comprimare pentru a fi manipulate și studiate”, a adăugat Di Sante. „Sperăm că această lucrare pe grupul de renormalizare poate ajuta sau inspira noi abordări și în acest subdomeniu.”
Kenna Hughes-Castleberry este scriitoare la Inside Quantum Technology și Science Communicator la JILA (un parteneriat între Universitatea din Colorado Boulder și NIST). Bataile ei de scris includ tehnologia profundă, metaversul și tehnologia cuantică.
