Una tecnica rivoluzionaria di apprendimento automatico per prevedere il comportamento quantistico
La teoria quantistica a molti corpi(si apre in una nuova finestra) è il quadro concettuale utilizzato dai ricercatori per comprendere il comportamento dei sistemi composti da numerose particelle quantistiche interagenti, come gli elettroni nei solidi. Dato che questi sistemi sono governati dai principi della meccanica quantistica, presentano fenomeni complessi che non possono essere compresi studiando le singole particelle in maniera isolata. «La sfida è quella di identificare modelli e principi comuni che rivelino aspetti fondamentali della materia quantistica, consentendoci di classificare in modo più efficace le fasi e le transizioni quantistiche», spiega Markus Heyl(si apre in una nuova finestra), docente presso l’Università di Augusta. Una migliore comprensione di tali fasi e transizioni potrebbe generare importanti implicazioni a livello tecnologico. Il progetto mlQuDyn(si apre in una nuova finestra), finanziato dal Consiglio europeo della ricerca(si apre in una nuova finestra) e coordinato dallo stesso Heyl, ha innovato potenti metodi di apprendimento automatico allo scopo di sviluppare una descrizione teorica avanzata della materia quantistica, fornendo previsioni irraggiungibili mediante l’impiego dei metodi teorici convenzionali. «Addestrando le reti neurali ad approssimare le funzioni d’onda quantistiche e gli stati evoluti nel corso del tempo, abbiamo affrontato con successo alcuni dei problemi più complessi nel campo della fisica quantistica, in precedenza difficili da simulare a causa della loro complessità di fondo», dichiara Heyl.
Reti neurali rivoluzionarie che colgono la dinamica quantistica
L’iniziativa, che ha beneficiato delle intuizioni interdisciplinari combinate in ambiti quali teoria quantistica, scienza dei dati e apprendimento profondo, ha sfruttato la capacità dell’apprendimento automatico di rappresentare e manipolare i fenomeni altamente complessi, astratti e controintuitivi della fisica quantistica. La sfida principale della teoria quantistica a molti corpi riguarda il fatto che il cosiddetto «oggetto fondamentale» di un sistema quantistico a molti corpi, ovvero la funzione d’onda, richiede in genere capacità di archiviazione superiori a tutto lo spazio disponibile sui dischi rigidi presenti nella Terra. Nel quadro di mlQuDyn, questa difficoltà viene affrontata comprimendo le informazioni della funzione d’onda in una rete neurale artificiale. Il lavoro si è basato sulla rivoluzionaria invenzione da parte del team di una tecnica di apprendimento automatico chiamata «riconfigurazione stocastica a fase minima» (minSR, minimum-step stochastic reconfiguration), che addestra le reti neurali artificiali sottostanti a un livello senza precedenti. «Il nostro approccio completamente nuovo ha rivoluzionato il settore, superando i limiti tradizionali con sorprendente facilità, al fine di offrire simulazioni più accurate ed efficienti e di rafforzare la capacità predittiva della teoria quantistica», spiega Heyl. «Ciò che configura il nostro risultato compatto e scalabile come altamente innovativo è che rende accessibili dal punto di vista teorico per la prima volta le rappresentazioni bidimensionali di sistemi quantistici complessi a molti corpi.»
Due risultati rivoluzionari
Innanzitutto, grazie a minSR, il team ha esplorato la materia quantistica complessa in situazioni fisiche inaccessibili sino ad ora, tra cui alcuni dei magneti quantistici più complessi, noti come magneti quantistici frustrati(si apre in una nuova finestra), con un livello di dettaglio senza precedenti. In secondo luogo, ha realizzato il primo studio dettagliato di sempre in merito a una delle principali previsioni dinamiche della teoria quantistica, nota come meccanismo di Kibble-Zurek(si apre in una nuova finestra), che è stata introdotta nel campo della cosmologia al fine di spiegare la formazione dell’universo durante il suo raffreddamento dopo il Big Bang. Per garantire affidabilità e precisione, le simulazioni sono state implementate con successo per fenomeni fisici noti e testate in regimi con parametri di riferimento consolidati, il che ha permesso di convalidare l’approccio sulla base dei risultati teorici e numerici esistenti.
Far progredire le applicazioni quantistiche e generare implicazioni al di là di tale settore
In quanto progetto di ricerca fondamentale, mlQuDyn apre la strada alla realizzazione di applicazioni tecnologiche avanzate nel futuro. «Le nostre scoperte rappresentano un passo in avanti fondamentale verso la creazione di un kit di strumenti flessibile per l’esplorazione della dinamica quantistica in sistemi precedentemente inaccessibili, aprendo nuove direzioni nella scienza quantistica e nella scoperta dei materiali; i risultati potrebbero contribuire all’attuale fase di sviluppo di alcune tecnologie quantistiche, come la metrologia, le simulazioni e la computazione», aggiunge Heyl. I prossimi passi comprenderanno un’ulteriore analisi della complessità della materia quantistica nota come sistemi elettronici fortemente correlati(si apre in una nuova finestra), che rappresenta uno dei problemi più impegnativi della fisica. Secondo Heyl, tutto ciò dispone del potenziale di avere un impatto anche su campi che vanno al di là della teoria quantistica, come l’evoluzione in biofisica, in particolare per esplorare il modo in cui complesse sequenze genetiche possano formarsi sulla base di semplici principi fisici.
