Kunstig intelligens teknikker rekonstruerer mysterier i kvantesystemer

De samme teknikker, der bruges til at træne selvkørende biler og skakcomputere, hjælper nu fysikere med at udforske kompleksiteten i kvanteverdenen.

For første gang, fysikere har demonstreret, at maskinlæring kan rekonstruere et kvantesystem baseret på relativt få eksperimentelle målinger. Denne metode giver forskere mulighed for grundigt at undersøge systemer af partikler eksponentielt hurtigere end konventionelle, brute-force teknikker. Komplekse systemer, der ville kræve tusinder af år at rekonstruere med tidligere metoder, kunne analyseres fuldstændigt på få timer.

Forskningen vil gavne udviklingen af ​​kvantecomputere og andre anvendelser af kvantemekanik, forskerne rapporterer 26. februar i Naturfysik .

"Vi har vist, at maskinintelligens kan fange essensen af ​​et kvantesystem på en kompakt måde, "siger studieforfatter Giuseppe Carleo, en associeret forsker ved Center for Computational Quantum Physics ved Flatiron Institute i New York City. "Vi kan nu effektivt udvide mulighederne for eksperimenter."

Carleo, der gennemførte forskningen, mens han var lektor ved ETH Zürich, blev inspireret af AlphaGo. Dette computerprogram brugte maskinlæring til at udspille verdensmesteren i det kinesiske brætspil Go i 2016. "AlphaGo var virkelig imponerende, " han siger, "så vi begyndte at spørge os selv, hvordan vi kunne bruge disse ideer i kvantefysik."

Partikelsystemer som elektroner kan eksistere i mange forskellige konfigurationer, hver med en særlig sandsynlighed for at forekomme. Hver elektron, for eksempel, kan enten have et opadgående eller nedadgående spin, ligner Schrödingers kat, der enten er død eller levende i det berømte tankeeksperiment. I kvanteområdet, ikke -observerede systemer findes ikke som nogen af ​​disse arrangementer. I stedet, systemet kan tænkes som værende i alle mulige konfigurationer samtidigt.

Når det måles, systemet falder sammen i en konfiguration, ligesom Schrödingers kat enten er død eller i live, når du åbner kassen. Denne sære kvantemekanik betyder, at du aldrig kan observere hele et systems kompleksitet i et enkelt eksperiment. I stedet, eksperimentelle eksperter foretager de samme målinger igen og igen, indtil de kan bestemme tilstanden for hele systemet.

Denne metode fungerer godt for enkle systemer, der kun indeholder få partikler. Men "tingene bliver grimme med mange partikler, "Siger Carleo. Når antallet af partikler stiger, kompleksiteten skyder på. Hvis man kun tænker på, at hver elektron enten kan dreje op eller ned, et system med fem elektroner har 32 mulige konfigurationer. Et system med 100 elektroner har mere end 1 million billioner billioner.

Indvikling af partikler komplicerer yderligere sager. Gennem kvanteindvikling, uafhængige partikler hænger sammen og kan ikke længere behandles som rent separate enheder, selv når de er fysisk adskilt. Denne sammenfiltring ændrer sandsynligheden for forskellige konfigurationer.

Konventionelle metoder, derfor, bare ikke er muligt for komplekse kvantesystemer.

Giacomo Torlai fra University of Waterloo og Perimeter Institute i Canada, Carleo og kolleger omgåede disse begrænsninger ved at trykke på maskinlæringsteknikker. Forskerne fodrede eksperimentelle målinger af et kvantesystem til et softwareværktøj baseret på kunstige neurale netværk. Softwaren lærer over tid og forsøger at efterligne systemets adfærd. Når softwaren indtager nok data, det kan nøjagtigt rekonstruere det komplette kvantesystem.

Forskerne testede softwaren ved hjælp af mock eksperimentelle datasæt baseret på forskellige prøvekvantumsystemer. I disse tests, softwaren overgik langt de konventionelle metoder. For otte elektroner, hver med spin op eller ned, softwaren kunne nøjagtigt rekonstruere systemet med kun omkring 100 målinger. Til sammenligning, en konventionel brute-force-metode krævede næsten 1 million målinger for at nå det samme nøjagtighedsniveau. Den nye teknik kan også håndtere meget større systemer. På tur, denne evne kan hjælpe forskere med at validere, at en kvantecomputer er korrekt konfigureret, og at kvantesoftware ville køre efter hensigten, foreslår forskerne.

At fange essensen af ​​komplekse kvantesystemer med kompakte kunstige neurale netværk har andre vidtrækkende konsekvenser. Center for Computational Quantum Physics meddirektør Andrew Millis bemærker, at ideerne giver en vigtig ny tilgang til centrets løbende udvikling af nye metoder til at forstå adfærden i interaktive kvantesystemer, og forbinde med arbejdet med andre kvantefysik-inspirerede maskinlæringsmetoder.

Udover applikationer til grundforskning, Carleo siger, at de lektioner teamet lærte, da de blandede maskinlæring med ideer fra kvantefysik, også kunne forbedre anvendelser af kunstig intelligens til generelle formål. "Vi kunne bruge de metoder, vi udviklede her i andre sammenhænge, "siger han." En dag har vi måske en selvkørende bil inspireret af kvantemekanik, hvem ved."