Dezelfde technieken die werden gebruikt om zelfrijdende auto's en schaakcomputers te trainen, helpen natuurkundigen nu om de complexiteit van de kwantumwereld te verkennen.

Voor de eerste keer, natuurkundigen hebben aangetoond dat machine learning een kwantumsysteem kan reconstrueren op basis van relatief weinig experimentele metingen. Met deze methode kunnen wetenschappers systemen van deeltjes exponentieel sneller onderzoeken dan conventionele, brute-force technieken. Complexe systemen die met eerdere methoden duizenden jaren nodig zouden hebben om te reconstrueren, zouden binnen enkele uren volledig kunnen worden geanalyseerd.

Het onderzoek komt ten goede aan de ontwikkeling van kwantumcomputers en andere toepassingen van kwantummechanica, de onderzoekers rapporteren 26 februari in Natuurfysica .

"We hebben aangetoond dat machine-intelligentie de essentie van een kwantumsysteem op een compacte manier kan vastleggen, " zegt co-auteur Giuseppe Carleo, een associate research scientist bij het Center for Computational Quantum Physics van het Flatiron Institute in New York City. "We kunnen nu de mogelijkheden van experimenten effectief uitbreiden."

Carleo, die het onderzoek uitvoerde terwijl hij docent was aan de ETH Zürich, werd geïnspireerd door AlphaGo. Dit computerprogramma gebruikte machine learning om de wereldkampioen van het Chinese bordspel Go in 2016 te slim af te zijn. "AlphaGo was echt indrukwekkend, " hij zegt, "dus begonnen we ons af te vragen hoe we die ideeën konden gebruiken in de kwantumfysica."

Systemen van deeltjes zoals elektronen kunnen in veel verschillende configuraties voorkomen, elk met een bepaalde kans van optreden. Elk elektron, bijvoorbeeld, kan zowel een opwaartse als een neerwaartse draai hebben, vergelijkbaar met de kat van Schrödinger die dood of levend is in het beroemde gedachte-experiment. In het kwantumrijk, niet-geobserveerde systemen bestaan ​​niet als een van deze regelingen. In plaats daarvan, het systeem kan worden beschouwd als zijnde in alle mogelijke configuraties tegelijk.

Wanneer gemeten, het systeem stort in tot één configuratie, net zoals de kat van Schrödinger dood of levend is zodra je de doos opent. Deze gril van de kwantummechanica betekent dat je nooit de hele complexiteit van een systeem in één experiment kunt observeren. In plaats daarvan, experimentatoren voeren steeds dezelfde metingen uit totdat ze de toestand van het hele systeem kunnen bepalen.

Die methode werkt goed voor eenvoudige systemen met slechts een paar deeltjes. Maar "dingen worden smerig met veel deeltjes, " zegt Carleo. Naarmate het aantal deeltjes toeneemt, de complexiteit schiet omhoog. Als je alleen maar bedenkt dat elk elektron zowel omhoog als omlaag kan draaien, een systeem van vijf elektronen heeft 32 mogelijke configuraties. Een systeem van 100 elektronen heeft meer dan 1 miljoen biljoen biljoen.

De verstrengeling van deeltjes maakt de zaak nog ingewikkelder. Door kwantumverstrengeling, onafhankelijke deeltjes raken met elkaar verweven en kunnen niet langer worden behandeld als puur afzonderlijke entiteiten, zelfs als ze fysiek gescheiden zijn. Deze verstrengeling verandert de kans op verschillende configuraties.

Conventionele methoden, daarom, zijn gewoon niet haalbaar voor complexe kwantumsystemen.

Giacomo Torlai van de Universiteit van Waterloo en het Perimeter Institute in Canada, Carleo en collega's omzeilden deze beperkingen door gebruik te maken van machine learning-technieken. De onderzoekers voerden experimentele metingen van een kwantumsysteem naar een softwaretool op basis van kunstmatige neurale netwerken. De software leert in de loop van de tijd en probeert het gedrag van het systeem na te bootsen. Zodra de software voldoende gegevens heeft opgenomen, het kan het volledige kwantumsysteem nauwkeurig reconstrueren.

De onderzoekers testten de software met behulp van nep-experimentele datasets op basis van verschillende voorbeeldkwantumsystemen. Bij deze testen de software overtrof de conventionele methoden ver. Voor acht elektronen, elk met spin omhoog of omlaag, de software kon het systeem nauwkeurig reconstrueren met slechts ongeveer 100 metingen. Ter vergelijking, een conventionele brute-force-methode vereiste bijna 1 miljoen metingen om hetzelfde nauwkeurigheidsniveau te bereiken. De nieuwe techniek kan ook veel grotere systemen aan. Beurtelings, dit vermogen kan wetenschappers helpen te valideren dat een kwantumcomputer correct is ingesteld en dat eventuele kwantumsoftware zou werken zoals bedoeld, suggereren de onderzoekers.

Het vastleggen van de essentie van complexe kwantumsystemen met compacte kunstmatige neurale netwerken heeft andere verstrekkende gevolgen. Andrew Millis, mededirecteur van het Center for Computational Quantum Physics, merkt op dat de ideeën een belangrijke nieuwe benadering bieden voor de voortdurende ontwikkeling van nieuwe methoden door het centrum voor het begrijpen van het gedrag van op elkaar inwerkende kwantumsystemen. en maak verbinding met het werk aan andere op kwantumfysica geïnspireerde machine learning-benaderingen.

Naast toepassingen voor fundamenteel onderzoek, Carleo zegt dat de lessen die het team heeft geleerd toen ze machine learning combineerden met ideeën uit de kwantumfysica, ook algemene toepassingen van kunstmatige intelligentie zouden kunnen verbeteren. "We zouden de methoden die we hier hebben ontwikkeld in andere contexten kunnen gebruiken, "zegt hij. "Op een dag hebben we misschien een zelfrijdende auto geïnspireerd door de kwantummechanica, wie weet."