Revolutionäres Maschinenlernverfahren prognostiziert Quantenverhalten
Die quantenmechanische Vielteilchentheorie(öffnet in neuem Fenster) ist der konzeptionelle Rahmen, den Forschende nutzen, um das Verhalten von Systemen wie zum Beispiel Elektronen in Festkörpern zu verstehen, die aus vielen wechselwirkenden Quantenteilchen bestehen. Da diese Systeme den Prinzipien der Quantenmechanik unterliegen, weisen sie komplexe Phänomene auf, die nicht durch isolierte Untersuchungen einzelner Teilchen zu verstehen sind. „Die Herausforderung besteht darin, gemeinsame Muster und Prinzipien zu ermitteln, die grundlegende Aspekte der Quantenmaterie offenbaren und es uns ermöglichen, Quantenphasen und -übergänge besser zu klassifizieren“, erklärt Markus Heyl(öffnet in neuem Fenster) von der Universität Augsburg. Derartige Phasen und Übergänge besser zu verstehen, könnte erhebliche technologische Konsequenzen nach sich ziehen. Im Rahmen des vom Europäischen Forschungsrat(öffnet in neuem Fenster) finanzierten und von Heyl koordinierten Projekts mlQuDyn(öffnet in neuem Fenster) wurden leistungsstarke Maschinenlernverfahren erarbeitet, um zu einer fortgeschrittenen theoretischen Beschreibung von Quantenmaterie zu gelangen, verbunden mit Vorhersagen, die mit konventionellen theoretischen Verfahren nicht zugänglich sind. „Durch das Training neuronaler Netze zur Annäherung an quantenmechanische Wellenfunktionen und zeitlich entwickelte Zustände konnten wir einige der anspruchsvollsten Probleme der Quantenphysik erfolgreich angehen, die aufgrund ihrer zugrunde liegenden Komplexität zuvor schwer simulierbar waren“, berichtet Heyl.
Revolutionäre neuronale Netzwerke erfassen Quantendynamik
Die Initiative profitierte von den kombinierten interdisziplinären Erkenntnissen in Hinsicht auf Quantentheorie, Datenwissenschaft und Deep Learning, wobei die Fähigkeit des maschinellen Lernens, die hochkomplexen, abstrakten und kontraintuitiven Phänomene der Quantenphysik darzustellen und zu manipulieren, ausgenutzt wurde. Die zentrale Herausforderung der quantenmechanischen Vielteilchentheorie besteht darin, dass das sogenannte „fundamentale Objekt“ eines Vielteilchen-Quantensystems – die Wellenfunktion –, typischerweise Speicherkapazitäten benötigt, die den gesamten auf Erden verfügbaren Festplattenspeicherplatz übersteigen. Innerhalb von mlQuDyn wird diese Herausforderung durch Komprimierung der Informationen der Wellenfunktion in einem künstlichen neuronalen Netzwerk gemeistert. Das Ganze beruhte auf der bahnbrechenden Erfindung des Teams, einem Maschinenlernverfahren mit der Bezeichnung „Minimum-Step Stochastic Reconfiguration“ (minSR), eine stochastische Minimalschritt-Neukonfiguration, mit der zugrunde liegende künstliche neuronalen Netzwerke auf ein bislang beispielloses Niveau trainiert werden. „Mit unserem völlig neuen Ansatz konnte das Gebiet revolutioniert und konnten traditionelle Beschränkungen überraschend einfach überwunden werden, um genauere und effizientere Simulationen anzubieten und die Vorhersagekraft der Quantentheorie zu steigern“, erklärt Heyl. „Das Bahnbrechende an unserer kompakten und skalierbaren Errungenschaft ist, dass mit ihr erstmals 2D-Darstellungen komplexer quantenmechanischer Vielteilchensysteme theoretisch zugänglich werden.“
Zwei bahnbrechende Ergebnisse
Erstens konnte das Team dank minSR komplexe Quantenmaterie in bisher unzugänglichen physikalischen Situationen erkunden, darunter einige der anspruchsvollsten Quantenmagnete, bekannt als Quantenmagnete mit geometrischer Frustration(öffnet in neuem Fenster), und das in beispielloser Detailgenauigkeit. Zweitens gelang dem Team die erste detaillierte Untersuchung einer der wichtigsten dynamischen Vorhersagen der Quantentheorie, bekannt als Kibble-Zurek-Mechanismus(öffnet in neuem Fenster), der in der Kosmologie eingeführt wurde, um die Entstehung des Universums während seiner Abkühlung nach dem Urknall zu erklären. Um Zuverlässigkeit und Genauigkeit zu gewährleisten, wurden die Simulationen erfolgreich auf bekannte physikalische Phänomene angewendet und in Bereichen mit etablierten Vergleichswerten erprobt, was in einer Validierung des Ansatzes anhand vorhandener theoretischer und numerischer Ergebnisse mündete.
Fortschritte bei Quantenanwendungen über die Grenzen des Möglichen hinaus
Als ein Grundlagenforschungsprojekt bereitet mlQuDyn zukünftigen fortgeschrittenen technologischen Anwendungen den Weg. „Unsere bahnbrechenden Erkenntnisse stellen einen wichtigen Schritt hin zu einem vielseitigen Werkzeugkasten zur Erforschung der Quantendynamik in bisher unzugänglichen Systemen dar und eröffnen in der Quantenwissenschaft und in der Materialforschung neue Wege. Die Ergebnisse könnten zu gegenwärtig in der Entwicklung befindlichen Technologien beitragen, etwa zur Quantenmetrologie, zu Quantensimulationen und zur Quanteninformationsverarbeitung“, fügt Heyl hinzu. Die nächsten Schritte werden die weitere Auseinandersetzung mit einer Komplexität innerhalb der Quantenmaterie beinhalten, die als stark korrelierte elektronische Systeme(öffnet in neuem Fenster) bekannt ist und als eines der anspruchsvollsten Probleme der Physik gilt. Laut Heyl können hier auch potenziell Bereiche jenseits der Quantentheorie wie etwa die Evolution in der Biophysik beeinflusst werden, insbesondere wenn erforscht wird, wie komplexe Gensequenzen auf der Grundlage einfacher physikalischer Prinzipien entstehen können.
