By Kenna Hughes-Castleberry 05 Ekim 2022'de yayınlandı
Kuantum hesaplama, yapay zeka (AI) ve makine öğrenimi (ML) gibi yenilikçi teknolojilerin geliştirilmesi önemli faydalar sağlayabilir. İkisi birden AI ve ML Modelleri tahmin etmek ve sonuçlar çıkarmak için büyük veri havuzları kullanın; bu, özellikle bir kuantum hesaplama sistemini optimize etmek için yardımcı olabilir. Son zamanlarda, Flatiron Enstitüsü'nün Hesaplamalı Kuantum Fiziği Merkezi'ndeki araştırmacılar (CCQ), ML teknolojisini özellikle zor bir kuantum fiziği problemine uygulayabildiler ve sistemi 100,000 denkleme ihtiyaç duymaktan doğruluğu düşürmeden sadece dört denkleme indirdiler. olarak Flatiron Enstitüsü parçasıdır Simons Vakfı ve bilimsel yöntemleri ilerletmek için çalışan araştırmacılar, bulgularını Physical Review Letters.
Hubbard Modeline Bakmak
Söz konusu zor kuantum fiziği problemi, elektronların bir kafes içinde birbirleriyle nasıl etkileşime girdiğine odaklandı. kafesler genellikle kuantum araştırmalarında kullanılır ve özel lazerlerden oluşan bir ızgara kullanılarak yapılır. Kafes içinde, elektronlar aynı noktadalarsa birbirleriyle etkileşime girebilir, sisteme gürültü ekleyebilir ve sonuçları çarpıtabilir. olarak da adlandırılan bu sistem, Hubbard modeli, kuantum bilim adamlarının çözmesi zor bir bulmaca oldu. Baş araştırmacıya göre Domenico Di Sante, CCQ'da Bağlı Araştırma Görevlisi: “Hubbard modeli… sadece iki bileşen içerir: elektronların kinetik enerjisi (bir kafes üzerinde hareket eden elektronlarla ilişkili enerji) ve potansiyel enerji (hareketini engellemek isteyen enerji). elektronlar). Manyetizma ve süperiletkenlik dahil olmak üzere karmaşık kuantum malzemelerinin temel fenomenolojilerini kodladığına inanılıyor.”
Hubbard modeli basit görünse de, bundan başka bir şey değildir. Kafes içindeki elektronlar, dolaşma dahil, tahmin edilmesi zor şekillerde etkileşime girebilir. Elektronlar kafes içinde iki farklı yerde olsalar bile, aynı anda tedavi edilmeleri gerekir, bu da bilim adamlarını tüm elektronlarla aynı anda ilgilenmeye zorlar. Di Sante, "Hubbard modeline kesin bir çözüm yok" diye ekledi. "Sayısal yöntemlere güvenmeliyiz." Bu kuantum fiziği probleminin üstesinden gelmek için birçok fizikçi bir renormalizasyon grubu kullanır. Bilim adamları farklı girdi özelliklerini değiştirdiğinde bir sistemin nasıl değiştiğini inceleyebilen matematiksel bir yöntemdir. Ancak, bir renormalizasyon grubunun başarılı bir şekilde çalışması için, elektron etkileşimlerinin tüm olası sonuçlarını takip etmesi ve çözülmesi gereken en az 100,000 denkleme yol açması gerekir. Di Sante ve diğer araştırmacıları ML kullanmanın algoritmalar bu zorluğu önemli ölçüde kolaylaştırabilir.
Araştırmacılar, belirli bir tür makine öğrenimi aracı kullandılar. sinir ağı, kuantum fiziği problemini çözmeye çalışmak. Sinir ağı, orijinal 100,000 denklem yeniden normalleştirme gruplarıyla aynı çözümü üretecek küçük bir denklem setini tespit etmek için özel algoritmalar kullandı. Di Sante, "Derin öğrenme çerçevemiz, boyutluluğu yüz binlerce veya milyonlarca denklemden küçük bir avuç (32 hatta dört denkleme kadar) haline getirmeye çalışıyor" dedi. “Köşeyi bu küçük, 'gizli' alana sıkıştırmak (sıkıştırmak) için bir kodlayıcı-kod çözücü tasarımı kullandık. Bu gizli uzayda (bunu sinir ağının 'kaputunun altına' bakmak olarak hayal edin), bu denklemlerin çözümlerini öğrenmek için sinirsel adi diferansiyel denklem adı verilen yeni bir ML yöntemi kullandık.
Diğer Zor Kuantum Fiziği Problemlerini Çözme
Sinir ağı sayesinde araştırmacılar, Hubbard modelini incelemek için önemli ölçüde daha az denklem kullanabileceklerini buldular. Bu sonuç açık bir başarı gösterse de, Di Sante daha yapılacak çok iş olduğunu anladı. "Makine öğrenimi mimarisini yorumlamak basit bir iş değil" dedi. "Genellikle, sinir ağları, neyin öğrenildiğini çok az anlayan kara kutular kadar iyi çalışır. Şu anda çabalarımız, bir avuç öğrenilmiş denklem ile Hubbard modelinin gerçek fiziği arasındaki bağlantıyı daha iyi anlamak için yöntemlere odaklanıyor.”
Yine de, bu araştırmanın ilk bulguları, diğer kuantum fiziği problemleri için büyük çıkarımlar önermektedir. Di Sante, "Köşeyi (iki elektron arasındaki etkileşimi kodlayan merkezi nesne) sıkıştırmak, kuantum etkileşimli malzemeler için kuantum fiziğinde büyük bir meseledir," diye açıkladı. “Hafızadan ve hesaplama gücünden tasarruf sağlıyor ve fiziksel içgörü sunuyor. Çalışmamız, makine öğrenimi ve kuantum fiziğinin yapıcı bir şekilde nasıl kesiştiğini bir kez daha gösterdi.” Bu etkiler, kuantum endüstrisindeki benzer sorunlara da dönüşebilir. Di Sante, "Alan aynı sorunla karşı karşıya: manipüle etmek ve çalışmak için sıkıştırılması gereken büyük, yüksek boyutlu verilere sahip olmak," diye ekledi. "Yeniden normalleştirme grubu üzerindeki bu çalışmanın, bu alt alanda da yeni yaklaşımlara yardımcı olabileceğini veya ilham verebileceğini umuyoruz."
Kenna Hughes-Castleberry, Inside Quantum Technology'de ve JILA'da (Colorado Boulder Üniversitesi ile NIST arasındaki bir ortaklık) Bilim İletişimcisi'nde personel yazarıdır. Yazı ritimleri derin teknoloji, metaverse ve kuantum teknolojisini içerir.
