By 肯纳休斯 - 卡斯尔伯里 05 年 2022 月 XNUMX 日发布
开发量子计算、人工智能 (AI) 和机器学习 (ML) 等创新技术可以带来显着的效益。两个都 AI 和 ML 使用大量数据来预测模式并得出结论，这对于优化量子计算系统特别有帮助。最近，熨斗研究所计算量子物理中心的研究人员（商会），能够将机器学习技术应用于特别困难的量子物理问题，将系统从需要 100,000 个方程减少到仅四个方程，而不会降低精度。作为 熨斗研究所 是的一部分 西蒙斯基金会 并致力于推进科学方法，研究人员将他们的发现发表在 “物理评论快报”.
探究哈伯德模型
所讨论的困难的量子物理问题集中在电子如何在晶格中相互作用。 格子 通常用于量子研究，并使用特殊激光器网格制成。在晶格内，如果电子位于同一点，它们可能会相互作用，从而给系统增加噪声并使结果产生偏差。该系统也称为 哈伯德模型，一直是量子科学家难以解决的难题。据首席研究员称 多梅尼科·迪·桑特e，CCQ 的附属研究员：“哈伯德模型......只有两个成分：电子的动能（与晶格上移动电子相关的能量）和势能（想要阻止电子运动的能量）电子）。人们相信它编码了复杂量子材料的基本现象，包括磁性和超导性。”
虽然哈伯德模型看似简单，但事实并非如此。晶格内的电子可以以难以预测的方式相互作用，包括纠缠。即使电子位于晶格内的两个不同位置，也必须同时处理它们，这迫使科学家同时处理所有电子。 “哈伯德模型没有精确的解决方案，”迪桑特补充道。 “我们必须依靠数值方法。”为了克服这个量子物理问题，许多物理学家使用重正化群。这是一种数学方法，可以研究当科学家修改不同的输入属性时系统如何变化。但是，为了使重正化群成功工作，它必须跟踪电子相互作用的所有可能结果，从而导致至少需要求解 100,000 个方程。 Di Sante 和他的研究人员同事希望使用 ML 算法 可以使这一挑战变得更加容易。
研究人员使用了一种特定类型的机器学习工具，称为 神经网络，尝试解决量子物理问题。神经网络使用特定算法来检测一小组方程，这些方程将生成与原始 100,000 个方程重整化组相同的解。 “我们的深度学习框架试图将维数从数十万或数百万个方程减少到一小部分（减少到 32 个甚至 XNUMX 个方程），”Di Sante 说。 “我们使用编码器-解码器设计将顶点压缩（挤压）到这个小的‘潜在’空间中。在这个潜在空间中（想象一下神经网络的‘底层’），我们使用了一种称为神经常微分方程的新型机器学习方法来学习这些方程的解。”
解决其他困难的量子物理问题
得益于神经网络，研究人员发现他们可以使用更少的方程来研究哈伯德模型。虽然这一结果显示出明显的成功，但迪桑特明白还有很多工作要做。 “解释机器学习架构并不是一项简单的任务，”他说。 “通常，神经网络就像黑匣子一样工作得很好，但对学习的内容知之甚少。我们现在的工作重点是更好地理解少数学习方程与哈伯德模型的实际物理之间的联系的方法。”
尽管如此，这项研究的初步发现仍然对其他量子物理问题产生了重大影响。 “压缩顶点（编码两个电子之间相互作用的中心物体）对于量子相互作用材料的量子物理学来说是一件大事，”迪桑特解释道。 “它节省内存和计算能力，并提供物理洞察力。我们的工作再次证明了机器学习和量子物理如何建设性地交叉。”这些影响也可能转化为量子行业内的类似问题。 “该领域面临着同样的问题：拥有大量高维数据，需要压缩才能操作和研究，”迪桑特补充道。 “我们希望重整化群的这项工作也能帮助或启发这个子领域的新方法。”
Kenna Hughes-Castleberry 是 Inside Quantum Technology 的特约撰稿人和 JILA（科罗拉多大学博尔德分校与 NIST 的合作机构）的科学传播者。 她的写作节奏包括深度技术、元宇宙和量子技术。
