Hvilken er den perfekte kvanteteori?

For nogle fænomener i kvante-mangelegemefysik, der findes flere konkurrerende teorier. Men hvem af dem beskriver et kvantefænomen bedst? Et team af forskere fra Technical University of Munich (TUM) og Harvard University i USA har nu med succes implementeret kunstige neurale netværk til billedanalyse af kvantesystemer.

Er det en hund eller en kat? En sådan klassifikation er et glimrende eksempel på maskinlæring:kunstige neurale netværk kan trænes til at analysere billeder ved at lede efter mønstre, der er karakteristiske for specifikke objekter. Forudsat at systemet har lært sådanne mønstre, den er i stand til at genkende hunde eller katte på ethvert billede.

Ved at bruge samme princip, neurale netværk kan registrere ændringer i væv på radiologiske billeder. Fysikere bruger nu metoden til at analysere billeder - såkaldte snapshots - af kvante-mangekropssystemer og finde ud af, hvilken teori der bedst beskriver de observerede fænomener.

Sandsynlighedernes kvanteverden

Flere fænomener i det kondenserede stofs fysik, som studerer faste stoffer og væsker, forblive indhyllet i mystik. For eksempel, indtil videre er det uhåndgribeligt, hvorfor den elektriske modstand i højtemperatur-superledere falder til nul ved temperaturer på omkring -200 grader Celsius.

Det er udfordrende at forstå sådanne ekstraordinære tilstande af stof:kvantesimulatorer baseret på ultrakolde lithiumatomer er blevet udviklet til at studere fysikken i højtemperatursuperledere. De tager snapshots af kvantesystemet, som eksisterer samtidigt i forskellige konfigurationer - fysikere taler om en superposition. Hvert øjebliksbillede af kvantesystemet giver en specifik konfiguration i henhold til dets kvantemekaniske sandsynlighed.

For at forstå sådanne kvantesystemer, forskellige teoretiske modeller er blevet udviklet. Men hvor godt afspejler de virkeligheden? Spørgsmålet kan besvares ved at analysere billeddataene.

Neurale netværk undersøger kvanteverdenen

Til denne ende, et forskerhold ved det tekniske universitet i München og på Harvard University har med succes anvendt maskinlæring:Forskerne trænede et kunstigt neuralt netværk til at skelne mellem to konkurrerende teorier.

"I lighed med påvisning af katte eller hunde på billeder, billeder af konfigurationer fra hver kvanteteori føres ind i det neurale netværk, " siger Annabelle Bohrdt, en ph.d.-studerende ved TUM. "Netværksparametrene optimeres derefter for at give hvert billede den rigtige etiket - i dette tilfælde, de er bare teori A eller teori B i stedet for kat eller hund."

Efter træningsfasen med teoretiske data, det neurale netværk skulle anvende det, det havde lært, og tildele snapshots fra kvantesimulatorerne til teori A eller B. Netværket valgte således den teori, som er mere forudsigelig.

I fremtiden planlægger forskerne at bruge denne nye metode til at vurdere nøjagtigheden af ​​flere teoretiske beskrivelser. Målet er at forstå de vigtigste fysiske virkninger af højtemperatursuperledning, som har mange vigtige anvendelser, med tabsfri elektrisk kraftoverførsel og effektiv magnetisk resonansbilleddannelse som blot to eksempler.