Rewolucyjna technika uczenia maszynowego umożliwia przewidywanie zachowania procesów kwantowych
Kwantowa teoria wielu ciał(odnośnik otworzy się w nowym oknie) to pojęcie wykorzystywane przez naukowców w celu zrozumienia zachowania układów składających się z wielu oddziałujących ze sobą cząstek kwantowych, w tym elektronów w ciałach stałych. Ze względu na fakt, że układy te rządzą się zasadami mechaniki kwantowej, zachodzą w nich złożone zjawiska, których nie da się zrozumieć, badając odizolowane pojedyncze cząstki. „Wyzwaniem stale pozostaje identyfikacja wspólnych wzorców i zasad, które ujawniają fundamentalne aspekty materii kwantowej. Ich odkrycie umożliwi nam lepszą klasyfikację faz i przejść kwantowych”, wyjaśnia Markus Heyl(odnośnik otworzy się w nowym oknie) z Uniwersytetu w Augsburgu. Lepsze zrozumienie takich faz i przejść mogłoby mieć duże znaczenie z punktu widzenia technologii. Zespół projektu mlQuDyn(odnośnik otworzy się w nowym oknie), finansowanego ze środków Europejskiej Rady ds. Badań Naukowych(odnośnik otworzy się w nowym oknie) i koordynowany przez Heyla, opracował innowacyjne i wydajne algorytmy uczenia maszynowego w celu opracowania zaawansowanego opisu teoretycznego materii kwantowej, co nie byłoby możliwe do osiągnięcia przy użyciu konwencjonalnych metod teoretycznych. „Dzięki szkoleniu sieci neuronowych w zakresie aproksymacji funkcji fal kwantowych i stanów zmieniających się w czasie udało nam się skutecznie uporać z niektórymi spośród najtrudniejszych problemów fizyki kwantowej, które wcześniej trudno było symulować ze względu na ich złożoność”, mówi Heyl.
Rewolucyjne sieci neuronowe umożliwiają badanie dynamiki kwantowej
Zespół połączył interdyscyplinarne wnioski wynikające z teorii kwantowej, naukę o danych oraz algorytmy uczenia głębokiego, wykorzystując możliwości algorytmów uczenia maszynowego w zakresie reprezentowania i manipulowania niezwykle złożonymi, abstrakcyjnymi i zaprzeczającymi intuicji zjawiskami z zakresu fizyki kwantowej. Kluczowym wyzwaniem dotyczącym kwantowej teorii wielu ciał jest to, że tak zwany „podstawowy obiekt” układu kwantowego wielu ciał – funkcja falowa – wymaga pojemności pamięci przekraczającej całą przestrzeń dysków twardych na Ziemi. Zespół projektu mlQuDyn rozwiązał ten problem wykorzystując kompresję informacji funkcji falowej do sztucznej sieci neuronowej. W tym celu zespół wykorzystał przełomowy wynalazek - technikę uczenia maszynowego nazwaną stochastyczną rekonfiguracją o minimalnym kroku (minSR), która pozwala trenować podstawowe sztuczne sieci neuronowe na niespotykanym dotąd poziomie. „Nasze nowatorskie podejście stanowi prawdziwą rewolucję w tej dziedzinie, zaskakująco łatwo pokonując tradycyjne ograniczenia, oferując dokładniejsze i wydajniejsze symulacje oraz zwiększając przewidywalność teorii kwantowej”, wyjaśnia Heyl. „Przełomowym aspektem naszego kompaktowego i skalowalnego rozwiązania jest to, że po raz pierwszy umożliwia dostęp do dwuwymiarowych reprezentacji złożonych kwantowych układów wielu ciał”.
Dwa przełomowe rezultaty
Dzięki rozwiązaniu minSR zespół mógł zbadać złożoną materię kwantową w dotychczas niedostępnych sytuacjach fizycznych, w tym niektóre z najtrudniejszych do zbadania magnesów kwantowych, znanych jako sfrustrowane magnesy kwantowe(odnośnik otworzy się w nowym oknie) z niespotykaną dotąd szczegółowością. Dodatkowo zespół przeprowadził pierwsze szczegółowe badanie jednego z kluczowych przewidywań dynamicznych w teorii kwantowej, znanego jako mechanizm Kibble’a-Żurka(odnośnik otworzy się w nowym oknie) – wprowadzonego w kosmologii w celu wyjaśnienia formowania się Wszechświata podczas ochładzania się po Wielkim Wybuchu. Aby zagwarantować niezawodność i dokładność, symulacje zostały zweryfikowane przy pomocy znanych zjawisk fizycznych i przetestowane w warunkach o znanych parametrach odniesienia, co pozwoliło na potwierdzenie skuteczności i słuszności założeń w odniesieniu do istniejących wyników teoretycznych i numerycznych.
Rozwój rozwiązań kwantowych i możliwości rozwiązania
Projekt mlQuDyn był poświęcony badaniom podstawowym, które torują drogę do zaawansowanych rozwiązań technologicznych przyszłości. „Nasze przełomowe odkrycia stanowią kluczowy krok w kierunku stworzenia wszechstronnego zestawu narzędzi umożliwiających badanie dynamiki kwantowej w dotychczas niedostępnych układach, otwierając nowe możliwości rozwoju nauki o kwantach i materiałoznawstwa. Wyniki prac mogą przyczynić się do rozwoju technologii takich jak metrologia kwantowa, symulacje kwantowe i komputery kwantowe”, dodaje Heyl. Dalsze prace będą dotyczyły złożoności materii kwantowej, znanej jako silnie skorelowane układy elektroniczne(odnośnik otworzy się w nowym oknie), co stanowi jeden z najtrudniejszych problemów współczesnej fizyki. Zdaniem Heyla nowe odkrycia mogą również wpłynąć na dziedziny wykraczające poza teorię kwantową, takie jak zagadnienie ewolucji w biofizyce, zwłaszcza w kontekście badania formowania złożonych sekwencji genów w oparciu o proste zasady fizyczne.
