By Kenna Hughes-Castleberry objavljeno 05. oktober 2022
Razvoj inovativnih tehnologij, kot so kvantno računalništvo, umetna inteligenca (AI) in strojno učenje (ML), lahko prinese pomembne koristi. Oboje AI in ML uporabite velike zbirke podatkov za napovedovanje vzorcev in sklepanje, kar je lahko še posebej koristno za optimizacijo kvantnega računalniškega sistema. Pred kratkim so raziskovalci Centra za računalniško kvantno fiziko inštituta Flatiron (CCQ), so lahko uporabili tehnologijo ML pri posebej težkem problemu kvantne fizike, pri čemer so sistem zmanjšali s 100,000 enačb, ki potrebujejo samo štiri enačbe, ne da bi pri tem zmanjšali natančnost. Kot je Inštitut Flatiron del Simonsova fundacija in dela za napredek znanstvenih metod, so raziskovalci objavili svoje ugotovitve v Pisni pregledi fizike.
Pogled v Hubbardov model
Zadevni težavni problem kvantne fizike se je osredotočal na to, kako elektroni medsebojno delujejo v mreži. Rešetke se pogosto uporabljajo v kvantnih raziskavah in so izdelani z uporabo mreže posebnih laserjev. Znotraj rešetke lahko elektroni medsebojno delujejo, če so na istem mestu, kar sistemu doda hrup in izkrivlja rezultate. Ta sistem, imenovan tudi Hubbardov model, je bila težka uganka za kvantne znanstvenike. Po besedah vodilnega raziskovalca Domenico Di Sante, pridruženi raziskovalni sodelavec pri CCQ: »Hubbardov model ... vključuje samo dve sestavini: kinetično energijo elektronov (energijo, povezano s premikanjem elektronov na rešetki) in potencialno energijo (energijo, ki želi ovirati gibanje elektroni). Menijo, da kodira temeljne fenomenologije kompleksnih kvantnih materialov, vključno z magnetizmom in superprevodnostjo.
Čeprav se Hubbardov model morda zdi preprost, je vse prej kot. Elektroni znotraj mreže lahko medsebojno delujejo na težko predvidljive načine, vključno s tem, da se zapletejo. Tudi če so elektroni na dveh različnih mestih znotraj rešetke, jih je treba obravnavati istočasno, zaradi česar morajo znanstveniki obravnavati vse elektrone hkrati. "Za Hubbardov model ni natančne rešitve," je dodal Di Sante. "Moramo se zanesti na numerične metode." Da bi premagali ta problem kvantne fizike, mnogi fiziki uporabljajo renormalizacijsko skupino. To je matematična metoda, ki lahko preučuje, kako se sistem spremeni, ko znanstveniki spremenijo različne vhodne lastnosti. Toda, da bi lahko renormalizacijska skupina uspešno delovala, mora slediti vsem možnim izidom interakcij elektronov, kar vodi do vsaj 100,000 enačb, ki jih je treba rešiti. Di Sante in njegovi kolegi raziskovalci so upali, da bo uporaba ML algoritmi lahko bistveno olajša ta izziv.
Raziskovalci so uporabili posebno vrsto orodja ML, imenovano a nevronska mreža, da bi poskušal rešiti problem kvantne fizike. Nevronska mreža je uporabila posebne algoritme za odkrivanje majhnega nabora enačb, ki bi ustvarile enako rešitev kot izvirnih 100,000 renormalizacijskih skupin enačb. "Naš okvir globokega učenja poskuša zmanjšati dimenzionalnost s sto tisoč ali milijonov enačb na majhno peščico (na 32 ali celo štiri enačbe)," je dejal Di Sante. »Uporabili smo zasnovo kodirnika-dekoderja, da stisnemo (stisnemo) točko v ta majhen, 'latenten' prostor. V tem latentnem prostoru (predstavljajte si, da gledate 'pod pokrovom' nevronske mreže) smo uporabili novo metodo ML, imenovano navadna nevronska diferencialna enačba, da bi se naučili rešitev teh enačb.”
Reševanje drugih težkih problemov kvantne fizike
Zahvaljujoč nevronski mreži so raziskovalci ugotovili, da bi lahko uporabili bistveno manj enačb za preučevanje Hubbardovega modela. Medtem ko ta rezultat kaže jasen uspeh, je Di Sante razumel, da je treba opraviti še veliko dela. "Tolmačenje arhitekture strojnega učenja ni preprosta naloga," je dejal. »Nevronske mreže pogosto zelo dobro delujejo kot črne skrinjice z malo razumevanja, kaj se uči. Naša prizadevanja so zdaj osredotočena na metode za boljše razumevanje povezave med peščico naučenih enačb in dejansko fiziko Hubbardovega modela.«
Kljub temu začetne ugotovitve te raziskave kažejo na velike posledice za druge probleme kvantne fizike. "Stiskanje oglišča (osrednjega predmeta, ki kodira interakcijo med dvema elektronoma) je velik posel v kvantni fiziki za kvantno interakcijske materiale," je pojasnil Di Sante. »Prihrani pomnilnik in računalniško moč ter ponuja fizični vpogled. Naše delo je še enkrat pokazalo, kako se strojno učenje in kvantna fizika konstruktivno križata.” Ti vplivi se lahko prevedejo tudi v podobna vprašanja v kvantni industriji. "Področje se sooča z istim problemom: imeti velike, visokodimenzionalne podatke, ki potrebujejo stiskanje, da bi lahko manipulirali in preučevali," je dodal Di Sante. "Upamo, da bo to delo na renormalizacijski skupini lahko pomagalo ali navdihnilo nove pristope tudi na tem podpolju."
Kenna Hughes-Castleberry je zaposlena pisateljica pri Inside Quantum Technology in znanstveni komunikator pri JILA (partnerstvo med Univerzo Colorado Boulder in NIST). Njeni utripi pisanja vključujejo globoko tehnologijo, metaverzum in kvantno tehnologijo.
