Op weg naar een intelligent laboratorium, natuurkundigen uit Innsbruck en Wenen presenteren een artificieel middel dat autonoom kwantumexperimenten ontwerpt. In de eerste experimenten, het systeem heeft onafhankelijk experimentele technieken (her)ontdekt die standaard zijn in moderne kwantumoptische laboratoria. Dit laat zien hoe machines in de toekomst een creatievere rol kunnen spelen in onderzoek.

De onderzoekers vroegen zich af in hoeverre machines autonoom onderzoek kunnen doen. Ze gebruikten een projectief simulatiemodel voor kunstmatige intelligentie om een ​​machine in staat te stellen creatief te leren en te handelen. Deze autonome machine slaat veel individuele ervaringsfragmenten op in het geheugen, die met elkaar verbonden zijn.

De machine bouwt zijn geheugen op en past het aan terwijl hij leert van zowel succesvolle als niet-succesvolle pogingen. De wetenschappers uit Innsbruck werkten samen met de groep van Anton Zeilinger, die eerder het nut van geautomatiseerde procedures aantoonde bij het ontwerpen van kwantumexperimenten met een zoekalgoritme genaamd Melvin. Sommige van deze computer-geïnspireerde experimenten zijn al uitgevoerd in het lab van Zeilinger. Samen, de natuurkundigen stelden vast dat kwantumexperimenten een ideale omgeving zijn om de toepasbaarheid van AI in onderzoek te testen. Daarom, ze gebruikten het projectieve simulatiemodel om het potentieel van kunstmatige leermiddelen in dit testbed te onderzoeken. Ze hebben hun resultaten gepubliceerd in de Proceedings van de National Academy of Sciences .

Geoptimaliseerde experimenten ontworpen door een AI-agent

De kunstmatige agent ontwikkelt nieuwe experimenten door spiegels virtueel te plaatsen, prisma's of bundelsplitsers op een virtuele labtafel. Als zijn acties leiden tot een zinvol resultaat, de agent heeft een grotere kans om in de toekomst een vergelijkbare reeks acties te vinden. Dit staat bekend als een versterkende leerstrategie.

"Reinforcement learning is wat ons model onderscheidt van het eerder bestudeerde geautomatiseerde zoeken, die wordt beheerst door onbevooroordeeld willekeurig zoeken, ", zegt Alexey Melnikov van de afdeling Theoretische Fysica aan de Universiteit van Innsbruck. "De kunstmatige agent voert tienduizenden experimenten uit op de virtuele laboratoriumtafel. Toen we het geheugen van de machine analyseerden, ontdekten we dat bepaalde structuren zich hebben ontwikkeld, ", zegt Hendrik Poulsen Nautrup. Sommige van deze structuren zijn bij natuurkundigen al bekend als nuttige hulpmiddelen van moderne kwantumoptische laboratoria. Andere zijn volledig nieuw, en kon, in de toekomst, worden getest in het laboratorium.

"Reinforcement learning stelt ons in staat om te vinden, optimaliseren en identificeren van een enorme hoeveelheid potentieel interessante oplossingen, " zegt Alexey Melnikov. "En soms geeft het ook antwoorden op vragen die we niet eens hebben gesteld."

Creatieve ondersteuning in het laboratorium

In de toekomst, de wetenschappers willen hun leerprogramma verder verbeteren. Op dit punt, het is een hulpmiddel dat autonoom kan leren een bepaalde taak op te lossen. Maar in de toekomst, een machine zou wetenschappers mogelijk creatiever kunnen helpen bij fundamenteel onderzoek.