Enrico Rinaldi, forsker ved University of Michigan Department of Physics, bruger to simuleringsmetoder til at løse kvantematrixmodeller, som kan beskrive, hvordan tyngdekraften af et sort hul ser ud. På dette billede forbinder en billedlig repræsentation af buet rumtid de to simuleringsmetoder. På bunden er en dyb læringsmetode repræsenteret ved grafer af punkter (neuralt netværk), mens kvantekredsløbsmetoden på toppen er repræsenteret af linjer, firkanter og cirkler (qubits og porte). Simuleringsmetoderne smelter sammen med hver side af den buede rumtid for at repræsentere det faktum, at tyngdekraftegenskaberne kommer ud af simuleringerne. Rinaldi er baseret i Tokyo og hostet af Theoretical Quantum Physics Laboratory på Cluster for Pioneering Research på RIKEN, Wako. Kredit:Enrico Rinaldi/U-M, RIKEN og A. Silvestri
Dude, hvad hvis alt omkring os bare var ... et hologram?
Sagen er, at det kunne være - og en fysiker fra University of Michigan bruger kvanteberegning og maskinlæring for bedre at forstå ideen, kaldet holografisk dualitet.
Holografisk dualitet er en matematisk formodning, der forbinder teorier om partikler og deres interaktioner med teorien om tyngdekraft. Denne formodning antyder, at teorien om tyngdekraften og teorien om partikler er matematisk ækvivalente:Hvad der sker matematisk i teorien om tyngdekraft, sker i teorien om partikler, og omvendt.
Begge teorier beskriver forskellige dimensioner, men antallet af dimensioner, de beskriver, er forskelligt med én. Så inde i formen af et sort hul, for eksempel, eksisterer tyngdekraften i tre dimensioner, mens en partikelteori eksisterer i to dimensioner, på dens overflade - en flad skive.
For at forestille dig dette, tænk igen på det sorte hul, som forvrider rumtiden på grund af dets enorme masse. Tyngdekraften af det sorte hul, som eksisterer i tre dimensioner, forbinder matematisk med partiklerne, der danser over det, i to dimensioner. Derfor eksisterer et sort hul i et tredimensionelt rum, men vi ser det som projiceret gennem partikler.
Nogle videnskabsmænd teoretiserer, at hele vores univers er en holografisk projektion af partikler, og dette kan føre til en konsekvent kvanteteori om tyngdekraften.
"I Einsteins generelle relativitetsteori er der ingen partikler – der er kun rum-tid. Og i partikelfysikkens standardmodel er der ingen tyngdekraft, der er bare partikler," siger Enrico Rinaldi, en forsker ved U-M Institut for Fysik. "At forbinde de to forskellige teorier er et langvarigt problem i fysik - noget folk har forsøgt at gøre siden sidste århundrede."
I en undersøgelse offentliggjort i tidsskriftet PRX Quantum , Rinaldi og hans medforfattere undersøger, hvordan man undersøger holografisk dualitet ved hjælp af kvanteberegning og dyb læring for at finde den laveste energitilstand af matematiske problemer kaldet kvantematrixmodeller.
Disse kvantematrixmodeller er repræsentationer af partikelteori. Fordi holografisk dualitet antyder, at det, der sker matematisk i et system, der repræsenterer partikelteori, på samme måde vil påvirke et system, der repræsenterer tyngdekraften, kunne løsning af en sådan kvantematrixmodel afsløre information om tyngdekraften.
Til undersøgelsen brugte Rinaldi og hans team to matrixmodeller, der er enkle nok til at blive løst ved hjælp af traditionelle metoder, men som har alle funktionerne fra mere komplicerede matrixmodeller, der bruges til at beskrive sorte huller gennem den holografiske dualitet.
"Vi håber, at vi ved at forstå egenskaberne af denne partikelteori gennem de numeriske eksperimenter forstår noget om tyngdekraften," sagde Rinaldi, som er baseret i Tokyo og vært ved Theoretical Quantum Physics Laboratory ved Cluster for Pioneering Research på RIKEN, Wako . "Det er desværre stadig ikke nemt at løse partikelteorierne. Og det er her, computerne kan hjælpe os."
Disse matrixmodeller er blokke af tal, der repræsenterer objekter i strengteori, som er en ramme, hvor partikler i partikelteori er repræsenteret af endimensionelle strenge. Når forskere løser matrixmodeller som disse, forsøger de at finde den specifikke konfiguration af partikler i systemet, der repræsenterer systemets laveste energitilstand, kaldet grundtilstanden. I grundtilstanden sker der ikke noget med systemet, medmindre du tilføjer noget til det, der forstyrrer det.
"Det er virkelig vigtigt at forstå, hvordan denne grundtilstand ser ud, for så kan du skabe ting ud fra den," sagde Rinaldi. "Så for et materiale er det at kende grundtilstanden som at vide, for eksempel om det er en leder, eller om det er en superleder, eller om det er rigtig stærkt, eller om det er svagt. Men at finde denne grundtilstand blandt alle de mulige tilstande Det er en ret vanskelig opgave. Det er derfor, vi bruger disse numeriske metoder."
Man kan tænke på tallene i matrixmodellerne som sandkorn, siger Rinaldi. Når sandet er plant, er det modellens grundtilstand. Men hvis der er krusninger i sandet, må man finde en måde at udjævne dem. For at løse dette kiggede forskerne først på kvantekredsløb. I denne metode er kvantekredsløbene repræsenteret af ledninger, og hver qubit eller bit af kvanteinformation er en ledning. Oven på ledningerne er porte, som er kvanteoperationer, der dikterer, hvordan information vil passere langs ledningerne.
"Du kan læse dem som musik, gå fra venstre mod højre," sagde Rinaldi. "Hvis du læser det som musik, omdanner du dybest set qubits fra begyndelsen til noget nyt hvert trin. Men du ved ikke, hvilke operationer du skal gøre, mens du går, hvilke toner du skal spille. Rysteprocessen vil justere alle disse porte for at få dem til at tage den korrekte form, så du ved slutningen af hele processen når grundtilstanden. Så du har al denne musik, og hvis du spiller den rigtigt, har du grundtilstanden til sidst. "
Forskerne ønskede derefter at sammenligne brugen af denne kvantekredsløbsmetode med at bruge en deep learning-metode. Deep learning er en slags maskinlæring, der bruger en neural netværkstilgang - en række algoritmer, der forsøger at finde relationer i data, svarende til hvordan den menneskelige hjerne fungerer.
Neurale netværk bruges til at designe ansigtsgenkendelsessoftware ved at blive fodret med tusindvis af billeder af ansigter - hvorfra de trækker særlige vartegn for ansigtet for at genkende individuelle billeder eller generere nye ansigter af personer, der ikke eksisterer.
I Rinaldis undersøgelse definerer forskerne den matematiske beskrivelse af kvantetilstanden af deres matrixmodel, kaldet kvantebølgefunktionen. Derefter bruger de et særligt neuralt netværk for at finde bølgefunktionen af matrixen med den lavest mulige energi - dens grundtilstand. Numrene på det neurale netværk løber gennem en iterativ "optimeringsproces" for at finde matrixmodellens grundtilstand, idet man banker på spanden med sand, så alle dens korn bliver jævnet.
I begge tilgange var forskerne i stand til at finde grundtilstanden for begge matrixmodeller, de undersøgte, men kvantekredsløbene er begrænset af et lille antal qubits. Nuværende kvantehardware kan kun håndtere et par snesevis af qubits:Det bliver dyrt at tilføje linjer til dit nodeark, og jo mere du tilføjer, jo mindre præcist kan du afspille musikken.
"Andre metoder, folk typisk bruger, kan finde energien i grundtilstanden, men ikke hele strukturen af bølgefunktionen," sagde Rinaldi. "Vi har vist, hvordan man får den fulde information om grundtilstanden ved hjælp af disse nye nye teknologier, kvantecomputere og deep learning.
"Fordi disse matricer er én mulig repræsentation for en særlig type sort hul, kan vi, hvis vi ved, hvordan matricerne er arrangeret, og hvad deres egenskaber er, f.eks. vide, hvordan et sort hul ser ud indvendigt. Hvad er der på begivenhedshorisonten for et sort hul? Hvor kommer det fra? At besvare disse spørgsmål ville være et skridt i retning af at realisere en kvanteteori om tyngdekraft."
Resultaterne, siger Rinaldi, viser et vigtigt benchmark for fremtidigt arbejde med kvante- og maskinlæringsalgoritmer, som forskere kan bruge til at studere kvantetyngdekraften gennem ideen om holografisk dualitet.
Rinaldis medforfattere omfatter Xizhi Han ved Stanford University; Mohammad Hassan ved City College i New York; Yuan Feng ved Pasadena City College; Franco Nori ved U-M og RIKEN; Michael McGuigan ved Brookhaven National Laboratory og Masanori Hanada ved University of Surrey.
Dernæst arbejder Rinaldi sammen med Nori og Hanada for at studere, hvordan resultaterne af disse algoritmer kan skaleres til større matricer, samt hvor robuste de er over for introduktionen af "støjende" effekter eller interferenser, der kan introducere fejl.
Sidste artikelSkihop:Flyver eller falder med stil?
Næste artikelHvordan verdens mest præcise ur kunne transformere fundamental fysik