By เคนน่า ฮิวจส์-คาสเซิลเบอร์รี่ โพสต์เมื่อ 05 ต.ค. 2022
การพัฒนาเทคโนโลยีที่เป็นนวัตกรรม เช่น คอมพิวเตอร์ควอนตัม ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) สามารถให้ประโยชน์ที่สำคัญได้ ทั้งคู่ AI และ ML ใช้แหล่งรวมข้อมูลขนาดใหญ่เพื่อทำนายรูปแบบและสรุปผล ซึ่งจะเป็นประโยชน์อย่างยิ่งในการเพิ่มประสิทธิภาพระบบคอมพิวเตอร์ควอนตัม เมื่อเร็วๆ นี้ นักวิจัยจากศูนย์ฟิสิกส์ควอนตัมคอมพิวเตอร์ของสถาบัน Flatiron Institute (ซีซีคิว) สามารถประยุกต์เทคโนโลยี ML กับปัญหาฟิสิกส์ควอนตัมที่ยากเป็นพิเศษ โดยลดระบบจากการต้องใช้สมการ 100,000 สมการเหลือเพียง XNUMX สมการ โดยไม่ลดความแม่นยำลง ในฐานะที่เป็น สถาบันแฟลตไอรอน เป็นส่วนหนึ่งของ มูลนิธิไซมอนส์ และทำงานเพื่อพัฒนาวิธีการทางวิทยาศาสตร์ นักวิจัยได้เผยแพร่ผลการวิจัยของพวกเขาใน จดหมายทางกายภาพความคิดเห็น.
มองเข้าไปในโมเดลฮับบาร์ด
ปัญหาฟิสิกส์ควอนตัมที่ยากลำบากนั้นเน้นไปที่วิธีที่อิเล็กตรอนมีปฏิสัมพันธ์กันในโครงตาข่าย ขัดแตะ มักใช้ในการวิจัยควอนตัมและสร้างขึ้นโดยใช้ตารางเลเซอร์พิเศษ ภายในโครงตาข่าย อิเล็กตรอนสามารถโต้ตอบซึ่งกันและกันได้หากพวกมันอยู่ในจุดเดียวกัน เพิ่มสัญญาณรบกวนให้กับระบบ และทำให้ผลลัพธ์บิดเบี้ยว ระบบนี้เรียกอีกอย่างว่า รุ่นฮับบาร์ดถือเป็นปริศนาที่ยากสำหรับนักวิทยาศาสตร์ควอนตัมที่จะแก้ไข ตามที่นักวิจัยชั้นนำกล่าว โดเมนิโก ดิ ซานต์e นักวิจัยในเครือที่ CCQ: “แบบจำลองฮับบาร์ด…มีเพียงสองส่วนผสมเท่านั้น: พลังงานจลน์ของอิเล็กตรอน (พลังงานที่เกี่ยวข้องกับการเคลื่อนที่ของอิเล็กตรอนบนโครงตาข่าย) และพลังงานศักย์ (พลังงานที่ต้องการขัดขวางการเคลื่อนที่ของ อิเล็กตรอน) เชื่อกันว่าเข้ารหัสปรากฏการณ์พื้นฐานของวัสดุควอนตัมที่ซับซ้อน รวมถึงแม่เหล็กและความเป็นตัวนำยิ่งยวด”
แม้ว่าโมเดล Hubbard อาจดูเรียบง่าย แต่ก็เป็นอะไรก็ได้ อิเล็กตรอนภายในโครงตาข่ายสามารถมีปฏิกิริยาโต้ตอบในลักษณะที่คาดเดาได้ยาก รวมถึงการพันกันด้วย แม้ว่าอิเล็กตรอนจะอยู่ในตำแหน่งที่แตกต่างกันสองแห่งภายในโครงตาข่าย แต่พวกมันก็ต้องได้รับการบำบัดในเวลาเดียวกัน ทำให้นักวิทยาศาสตร์ต้องจัดการกับอิเล็กตรอนทั้งหมดในคราวเดียว “ไม่มีวิธีแก้ปัญหาที่แน่นอนสำหรับโมเดล Hubbard” Di Sante กล่าวเสริม “เราต้องพึ่งพาวิธีการเชิงตัวเลข” เพื่อเอาชนะปัญหาฟิสิกส์ควอนตัมนี้ นักฟิสิกส์จำนวนมากใช้กลุ่มการปรับสภาพใหม่ เป็นวิธีทางคณิตศาสตร์ที่สามารถศึกษาว่าระบบเปลี่ยนแปลงไปอย่างไรเมื่อนักวิทยาศาสตร์แก้ไขคุณสมบัติอินพุตต่างๆ แต่เพื่อให้กลุ่มการฟื้นฟูสภาพใหม่ทำงานได้สำเร็จ กลุ่มจะต้องติดตามผลลัพธ์ที่เป็นไปได้ทั้งหมดของปฏิสัมพันธ์ของอิเล็กตรอน ซึ่งนำไปสู่สมการอย่างน้อย 100,000 สมการที่ต้องแก้ไข Di Sante และเพื่อนนักวิจัยของเขาหวังว่าจะใช้ ML อัลกอริทึม สามารถทำให้ความท้าทายนี้ง่ายขึ้นอย่างมาก
นักวิจัยใช้เครื่องมือ ML ประเภทหนึ่งที่เรียกว่าก เครือข่ายประสาทเพื่อพยายามแก้ปัญหาฟิสิกส์ควอนตัม โครงข่ายประสาทเทียมใช้อัลกอริธึมเฉพาะเพื่อตรวจจับชุดสมการเล็กๆ ที่จะสร้างโซลูชันเดียวกันกับกลุ่มการปรับสภาพสมการเดิม 100,000 กลุ่ม “กรอบการเรียนรู้เชิงลึกของเราพยายามที่จะลดมิติจากสมการนับแสนหรือหลายล้านสมการให้เหลือเพียงกำมือเล็กๆ (เหลือเพียง 32 หรือสมการสี่ตัว)” Di Sante กล่าว “เราใช้การออกแบบตัวเข้ารหัส-ตัวถอดรหัสเพื่อบีบอัด (บีบ) จุดยอดลงในพื้นที่ 'แฝง' ขนาดเล็กนี้ ในพื้นที่แฝงนี้ (ลองนึกภาพว่านี่คือการมอง 'ภายใต้ประทุน' ของโครงข่ายประสาทเทียม) เราใช้วิธี ML ใหม่ที่เรียกว่าสมการเชิงอนุพันธ์สามัญของประสาทเพื่อเรียนรู้การแก้สมการเหล่านี้”
การแก้ปัญหาฟิสิกส์ควอนตัมที่ยากอื่นๆ
ต้องขอบคุณโครงข่ายประสาทเทียม นักวิจัยพบว่าพวกเขาสามารถใช้สมการน้อยลงอย่างมากในการศึกษาแบบจำลองฮับบาร์ด แม้ว่าผลลัพธ์นี้แสดงให้เห็นถึงความสำเร็จที่ชัดเจน แต่ดิ ซานเต้ก็เข้าใจว่ายังมีงานที่ต้องทำอีกมาก “การตีความสถาปัตยกรรมการเรียนรู้ของเครื่องไม่ใช่เรื่องง่าย” เขากล่าว “บ่อยครั้ง โครงข่ายประสาทเทียมทำงานได้ดีมากเหมือนกับกล่องดำที่มีความเข้าใจเพียงเล็กน้อยเกี่ยวกับสิ่งที่กำลังเรียนรู้ ความพยายามของเราในขณะนี้มุ่งเน้นไปที่วิธีการทำความเข้าใจความเชื่อมโยงระหว่างสมการที่เรียนรู้จำนวนหนึ่งกับฟิสิกส์ที่แท้จริงของแบบจำลองฮับบาร์ด”
อย่างไรก็ตาม การค้นพบเบื้องต้นของการวิจัยครั้งนี้ชี้ให้เห็นถึงผลกระทบอย่างใหญ่หลวงต่อปัญหาฟิสิกส์ควอนตัมอื่นๆ “การบีบอัดจุดยอด (วัตถุกลางที่เข้ารหัสปฏิสัมพันธ์ระหว่างอิเล็กตรอนสองตัว) ถือเป็นเรื่องใหญ่ในฟิสิกส์ควอนตัมสำหรับวัสดุที่มีปฏิสัมพันธ์กับควอนตัม” Di Sante อธิบาย “ช่วยประหยัดหน่วยความจำและพลังการคำนวณ และให้ข้อมูลเชิงลึกทางกายภาพ งานของเราแสดงให้เห็นอีกครั้งว่าแมชชีนเลิร์นนิงและฟิสิกส์ควอนตัมมาบรรจบกันอย่างสร้างสรรค์ได้อย่างไร” ผลกระทบเหล่านี้อาจนำไปสู่ปัญหาที่คล้ายกันภายในอุตสาหกรรมควอนตัมได้ “สาขานี้กำลังเผชิญกับปัญหาเดียวกัน นั่นคือการมีข้อมูลขนาดใหญ่และมีมิติสูงซึ่งจำเป็นต้องมีการบีบอัดเพื่อจัดการและศึกษา” Di Sante กล่าวเสริม “เราหวังว่างานในกลุ่มการฟื้นฟูนี้จะสามารถช่วยหรือสร้างแรงบันดาลใจแนวทางใหม่ๆ ในสาขาย่อยนี้ได้เช่นกัน”
Kenna Hughes-Castleberry เป็นนักเขียนที่ Inside Quantum Technology และ Science Communicator ที่ JILA (ความร่วมมือระหว่าง University of Colorado Boulder และ NIST) จังหวะการเขียนของเธอมีทั้ง Deep Tech, Metaverse และเทคโนโลยีควอนตัม
