Fysik øger kunstige intelligensmetoder

Forskere fra Caltech og University of Southern California (USC) rapporterer den første anvendelse af kvanteberegning til et fysikproblem. Ved at anvende kvantekompatible maskinindlæringsteknikker, de udviklede en metode til at ekstrahere et sjældent Higgs boson -signal fra rigelige støjdata. Higgs er den partikel, der blev forudsagt at præge elementære partikler med masse og blev opdaget ved Large Hadron Collider i 2012. Den nye kvantemaskineindlæringsmetode viser sig at fungere godt, selv med små datasæt, i modsætning til standardmodellerne.

På trods af fysikkens centrale rolle i kvanteberegning, indtil nu, intet problem af interesse for fysikforskere er blevet løst ved hjælp af kvanteberegningsteknikker. I dette nye værk, forskerne udtrækkede med succes meningsfuld information om Higgs-partikler ved at programmere en kvanteglødemiddel-en type kvantecomputer, der kun kan køre optimeringsopgaver-til at sortere gennem partikelmåledata fyldt med fejl. Caltechs Maria Spiropulu, Shang-Yi Ch'en-professoren i fysik, udtænkte projektet og samarbejdede med Daniel Lidar, pioner inden for kvantemaskinlæringsmetodikken og Viterbi professor i teknik ved USC, der også er en fremtrædende Moore Scholar i Caltechs afdeling for fysik, Matematik og astronomi.

Kvanteprogrammet søger mønstre i et datasæt for at fortælle meningsfulde data fra uønsket. Det forventes at være nyttigt for problemer ud over højenergifysik. Detaljer om programmet samt sammenligninger med eksisterende teknikker er detaljeret i et papir, der blev offentliggjort den 19. oktober i tidsskriftet Natur .

En populær computerteknik til klassificering af data er den neurale netværksmetode, kendt for sin effektivitet i udtrækning af uklare mønstre inden for et datasæt. Mønstrene identificeret af neurale netværk er svære at fortolke, da klassificeringsprocessen ikke afslører, hvordan de blev opdaget. Teknikker, der fører til bedre fortolkningsevne, er ofte mere tilbøjelige til fejl og mindre effektive.

"Nogle mennesker inden for højenergifysik går foran sig selv om neurale net, men neurale net er ikke let fortolkelige for en fysiker, "siger USCs fysikstuderende studerende Joshua Job, medforfatter af papiret og gæstelev ved Caltech. Det nye kvanteprogram er "en simpel maskinindlæringsmodel, der opnår et resultat, der kan sammenlignes med mere komplicerede modeller uden at miste robusthed eller fortolkningsevne, «siger Job.

Med tidligere teknikker, klassificeringens nøjagtighed afhænger stærkt af størrelsen og kvaliteten af ​​et træningssæt, som er en manuelt sorteret del af datasættet. Dette er problematisk for højenergifysikforskning, som kredser om sjældne begivenheder begravet i store mængder støjdata. "Den store Hadron Collider genererer et stort antal begivenheder, og partikelfysikerne skal se på små pakker med data for at finde ud af, hvilke der er interessante, "siger Job. Det nye kvanteprogram" er enklere, tager meget lidt træningsdata, og kunne endda være hurtigere. Vi opnåede det ved at inkludere de ophidsede tilstande, "siger Spiropulu.

Opstemte tilstande i et kvantesystem har overskydende energi, der bidrager til fejl i output. "Overraskende, det var faktisk fordelagtigt at bruge de ophidsede tilstande, de suboptimale løsninger, «siger Lidar.

"Hvorfor er det præcis sådan, vi kan kun spekulere. Men en grund kan være, at det virkelige problem, vi skal løse, ikke præcist kan repræsenteres på kvanteglødemaskinen. På grund af det, suboptimale løsninger kan være tættere på sandheden, «siger Lidar.

At modellere problemet på en måde, som en kvanteglødemiddel kan forstå, viste sig at være en væsentlig udfordring, der med succes blev løst af Spiropulus tidligere kandidatstuderende ved Caltech, Alex Mott (PhD '15), der nu er på DeepMind. "Programmering af kvantecomputere er fundamentalt forskellig fra programmering af klassiske computere. Det er som at kode bits direkte. Hele problemet skal kodes på en gang, og derefter kører den bare en gang som programmeret, «siger Mott.

På trods af forbedringerne, forskerne påstår ikke, at kvanteglødgere er overlegne. Dem, der i øjeblikket er tilgængelige, er simpelthen "ikke store nok til selv at kode fysiske problemer, der er vanskelige nok til at demonstrere nogen fordel, "siger Spiropulu.

"Det er fordi vi sammenligner tusind qubits - kvantebits af oplysninger - med en milliard transistorer, "siger Jean-Roch Vlimant, en postdoktor i højenergifysik ved Caltech. "Kompleksiteten af ​​simuleret annealing vil eksplodere på et tidspunkt, og vi håber, at kvanteudglødning også vil give hurtigere hastighed, ”siger Vlimant.

Forskerne søger aktivt yderligere anvendelser af den nye kvanteanglødningsklassificeringsteknik. "Vi var i stand til at demonstrere et meget lignende resultat i et helt andet applikationsdomæne ved at anvende den samme metode til et problem inden for beregningsbiologi, "siger Lidar." Der er et andet projekt om forbedring af partikelsporing ved hjælp af sådanne metoder, og vi leder efter nye måder at undersøge ladede partikler på, ”siger Vlimant.

"Resultatet af dette arbejde er en fysikbaseret tilgang til maskinlæring, der kan gavne et bredt spektrum af videnskab og andre applikationer, "siger Spiropulu." Der er meget spændende arbejde og opdagelser, der skal gøres i denne nye, tværfaglige arena for videnskab og teknologi, slutter hun.