machinaal leren, het veld dat een revolutie veroorzaakt in kunstmatige intelligentie, heeft zijn rol in de moderne technologie gecementeerd. De tools en technieken hebben geleid tot snelle verbeteringen in alles, van zelfrijdende auto's en spraakherkenning tot de digitale beheersing van een oud bordspel.

Nutsvoorzieningen, natuurkundigen beginnen machine learning-tools te gebruiken om een ​​ander soort probleem aan te pakken, één in het hart van de kwantumfysica. In een onlangs gepubliceerd artikel in Fysieke beoordeling X , onderzoekers van JQI en het Condensed Matter Theory Center (CMTC) van de Universiteit van Maryland toonden aan dat bepaalde neurale netwerken - abstracte webben die informatie van knoop naar knoop doorgeven, zoals neuronen in de hersenen - een beknopte beschrijving kunnen geven van brede delen van kwantumsystemen.

Dongling Deng, een JQI Postdoctoral Fellow die lid is van CMTC en de eerste auteur van het artikel, zegt dat onderzoekers die computers gebruiken om kwantumsystemen te bestuderen, baat kunnen hebben bij de eenvoudige beschrijvingen die neurale netwerken bieden. "Als we een kwantumprobleem numeriek willen aanpakken, "Den zegt, "we moeten eerst een efficiënte representatie vinden."

Op papier en belangrijker, op computers, natuurkundigen hebben veel manieren om kwantumsystemen weer te geven. Meestal bevatten deze representaties lijsten met getallen die de waarschijnlijkheid beschrijven dat een systeem in verschillende kwantumtoestanden zal worden gevonden. Maar het wordt moeilijk om eigenschappen of voorspellingen te extraheren uit een digitale beschrijving naarmate het aantal kwantumdeeltjes groeit, en de heersende wijsheid was dat verstrengeling - een exotische kwantumverbinding tussen deeltjes - een sleutelrol speelt bij het dwarsbomen van eenvoudige representaties.

De neurale netwerken die worden gebruikt door Deng en zijn medewerkers - CMTC-directeur en JQI Fellow Sankar Das Sarma en Fudan University-fysicus en voormalig JQI Postdoctoral Fellow Xiaopeng Li - kunnen op efficiënte wijze kwantumsystemen vertegenwoordigen die veel verstrengeling herbergen, een verrassende verbetering ten opzichte van eerdere methoden.

Bovendien, de nieuwe resultaten gaan verder dan louter representatie. "Dit onderzoek is uniek omdat het niet alleen een efficiënte weergave biedt van sterk verstrengelde kwantumtoestanden, " zegt Das Sarma. "Het is een nieuwe manier om hardnekkige, interacterende kwantum veel-lichamen problemen die machine learning tools gebruiken om exacte oplossingen te vinden."

Neurale netwerken en hun bijbehorende leertechnieken maakten AlphaGo mogelijk, het computerprogramma dat vorig jaar enkele van 's werelds beste Go-spelers versloeg (en de topspeler dit jaar). Het nieuws maakte Deng enthousiast, een fervent fan van het bordspel. Vorig jaar, rond dezelfde tijd als AlphaGo's triomfen, er verscheen een paper waarin het idee werd geïntroduceerd om neurale netwerken te gebruiken om kwantumtoestanden weer te geven, hoewel het geen indicatie gaf van hoe groot het bereik van de tool precies zou kunnen zijn. "We erkenden meteen dat dit een heel belangrijk document zou moeten zijn, "Den zegt, "Dus hebben we al onze energie en tijd gestoken in het verder bestuderen van het probleem."

Het resultaat was een vollediger verslag van de mogelijkheden van bepaalde neurale netwerken om kwantumtoestanden weer te geven. Vooral, het team bestudeerde neurale netwerken die twee verschillende groepen neuronen gebruiken. De eerste groep, de zichtbare neuronen genoemd, staat voor echte kwantumdeeltjes, zoals atomen in een optisch rooster of ionen in een keten. Om rekening te houden met interacties tussen deeltjes, de onderzoekers gebruikten een tweede groep neuronen - de verborgen neuronen - die verbinding maken met zichtbare neuronen. Deze koppelingen leggen de fysieke interacties tussen echte deeltjes vast, en zolang het aantal aansluitingen relatief klein blijft, de beschrijving van het neurale netwerk blijft eenvoudig.

Het specificeren van een nummer voor elke verbinding en het wiskundig vergeten van de verborgen neuronen kan een compacte weergave opleveren van vele interessante kwantumtoestanden, inclusief staten met topologische kenmerken en sommige met verrassende hoeveelheden verstrengeling.

Naast zijn potentieel als hulpmiddel in numerieke simulaties, het nieuwe raamwerk stelde Deng en medewerkers in staat om enkele wiskundige feiten te bewijzen over de families van kwantumtoestanden die worden vertegenwoordigd door neurale netwerken. Bijvoorbeeld, neurale netwerken met alleen korte-afstandsinteracties - die waarbij elk verborgen neuron alleen is verbonden met een klein cluster van zichtbare neuronen - hebben een strikte limiet voor hun totale verstrengeling. Dit technische resultaat, bekend als een gebiedswet, is een onderzoekstaak van veel fysici van de gecondenseerde materie.

Deze neurale netwerken kunnen niet alles vastleggen, Hoewel. "Ze zijn een zeer beperkt regime, "Den zegt, eraan toevoegend dat ze geen efficiënte universele vertegenwoordiging bieden. Als ze dat deden, ze kunnen worden gebruikt om een ​​kwantumcomputer te simuleren met een gewone computer, iets wat natuurkundigen en computerwetenschappers zeer onwaarschijnlijk achten. Nog altijd, de verzameling staten die ze efficiënt vertegenwoordigen, en de overlap van die collectie met andere representatiemethoden, is een open probleem dat volgens Deng rijp is voor verder onderzoek.