Neurale netværk påtager sig kvanteindvikling

Maskinelæring, feltet, der driver en revolution inden for kunstig intelligens, har cementeret sin rolle i moderne teknologi. Dens værktøjer og teknikker har ført til hurtige forbedringer i alt fra selvkørende biler og talegenkendelse til den digitale beherskelse af et gammelt brætspil.

Nu, fysikere begynder at bruge maskinlæringsværktøjer til at tackle en anden form for problem, en i hjertet af kvantefysikken. I et papir, der for nylig blev offentliggjort i Fysisk gennemgang X , forskere fra JQI og Condensed Matter Theory Center (CMTC) ved University of Maryland viste, at visse neurale netværk - abstrakte baner, der videregiver information fra knude til knude som neuroner i hjernen - kan kortfattet beskrive brede områder af kvantesystemer.

Dongling Deng, en JQI postdoktor, der er medlem af CMTC og papirets første forfatter, siger, at forskere, der bruger computere til at studere kvantesystemer, kan drage fordel af de simple beskrivelser, som neurale netværk giver. "Hvis vi numerisk vil løse et eller andet kvanteproblem, "Deng siger, "Vi skal først finde en effektiv repræsentation."

På papir og, vigtigere, på computere, fysikere har mange måder at repræsentere kvantesystemer på. Typisk omfatter disse repræsentationer lister over tal, der beskriver sandsynligheden for, at et system findes i forskellige kvantetilstande. Men det bliver svært at udtrække egenskaber eller forudsigelser fra en digital beskrivelse, når antallet af kvantepartikler vokser, og den fremherskende visdom har været, at sammenfiltring - en eksotisk kvanteforbindelse mellem partikler - spiller en central rolle i at modarbejde simple repræsentationer.

De neurale netværk, der bruges af Deng og hans samarbejdspartnere - CMTC -direktør og JQI -stipendiat Sankar Das Sarma og Fudan -universitetets fysiker og tidligere JQI -postdoktor Xiaopeng Li - kan effektivt repræsentere kvantesystemer, der har masser af sammenfiltring, en overraskende forbedring i forhold til tidligere metoder.

Hvad mere er, de nye resultater rækker ud over blot repræsentation. "Denne forskning er unik ved, at den ikke bare giver en effektiv repræsentation af meget sammenfiltrede kvantetilstande, "Siger Das Sarma." Det er en ny måde at løse utrættelige, interagerende kvante mange-kropsproblemer, der bruger maskinlæringsværktøjer til at finde præcise løsninger. "

Neurale netværk og deres ledsagende læringsteknikker drev AlphaGo, computerprogrammet, der slog nogle af verdens bedste Go -spillere sidste år (og topspilleren i år). Nyhederne ophidsede Deng, en ivrig fan af brætspillet. Sidste år, omtrent på samme tid som AlphaGos triumfer, et papir dukkede op, der introducerede ideen om at bruge neurale netværk til at repræsentere kvantetilstande, selvom det ikke gav nogen indikation af præcis, hvor bred værktøjets rækkevidde kunne være. "Vi erkendte straks, at dette skulle være et meget vigtigt papir, "Deng siger, "så vi lægger al vores energi og tid i at studere problemet mere."

Resultatet var en mere fuldstændig redegørelse for visse neurale netværks evner til at repræsentere kvantetilstande. I særdeleshed, holdet undersøgte neurale netværk, der bruger to forskellige grupper af neuroner. Den første gruppe, kaldet de synlige neuroner, repræsenterer ægte kvantepartikler, som atomer i et optisk gitter eller ioner i en kæde. For at redegøre for interaktioner mellem partikler, forskerne brugte en anden gruppe neuroner – de skjulte neuroner – som forbinder sig med synlige neuroner. Disse links fanger de fysiske interaktioner mellem virkelige partikler, og så længe antallet af forbindelser forbliver relativt lille, beskrivelsen af ​​det neurale netværk forbliver enkel.

Angivelse af et tal for hver forbindelse og matematisk glemme de skjulte neuroner kan producere en kompakt repræsentation af mange interessante kvantetilstande, herunder stater med topologiske egenskaber og nogle med overraskende mængder af sammenfiltring.

Ud over dets potentiale som et værktøj i numeriske simuleringer, den nye ramme tillod Deng og samarbejdspartnere at bevise nogle matematiske fakta om kvantestaternes familier repræsenteret af neurale netværk. For eksempel, neurale netværk med kun kortdistanceinteraktioner-dem, hvor hver skjult neuron kun er forbundet til en lille klynge af synlige neuroner-har en streng grænse for deres samlede sammenfiltring. Dette tekniske resultat, kendt som en områdelov, er en forskningsudøvelse af mange fysikere af kondenseret stof.

Disse neurale netværk kan ikke fange alt, selvom. "De er et meget begrænset regime, Deng siger, tilføjer, at de ikke tilbyder en effektiv universel repræsentation. Hvis de gjorde, de kunne bruges til at simulere en kvantecomputer med en almindelig computer, noget fysikere og dataloger mener er meget usandsynligt. Stadig, samlingen af ​​stater, som de repræsenterer effektivt, og overlapningen af ​​denne samling med andre repræsentationsmetoder, er et åbent problem, som Deng siger er modent til yderligere efterforskning.