Voor sommige verschijnselen in de kwantumfysica van veel lichamen geldt verschillende concurrerende theorieën bestaan. Maar welke van hen beschrijft een kwantumfenomeen het beste? Een team van onderzoekers van de Technische Universiteit van München (TUM) en Harvard University in de Verenigde Staten heeft nu met succes kunstmatige neurale netwerken ingezet voor beeldanalyse van kwantumsystemen.

Is dat een hond of een kat? Een dergelijke classificatie is een goed voorbeeld van machine learning:kunstmatige neurale netwerken kunnen worden getraind om afbeeldingen te analyseren door te zoeken naar patronen die kenmerkend zijn voor specifieke objecten. Op voorwaarde dat het systeem dergelijke patronen heeft geleerd, het is in staat om honden of katten op elke foto te herkennen.

Met hetzelfde principe, neurale netwerken kunnen veranderingen in weefsel detecteren op radiologische beelden. Natuurkundigen gebruiken de methode nu om beelden - zogenaamde snapshots - van quantum veeldeeltjessystemen te analyseren en uit te zoeken welke theorie de waargenomen verschijnselen het beste beschrijft.

De kwantumwereld van waarschijnlijkheden

Verschillende verschijnselen in de fysica van de gecondenseerde materie, die vaste stoffen en vloeistoffen bestudeert, in nevelen gehuld blijven. Bijvoorbeeld, tot nu toe blijft het ongrijpbaar waarom de elektrische weerstand van supergeleiders bij hoge temperaturen tot nul daalt bij temperaturen van ongeveer -200 graden Celsius.

Het begrijpen van dergelijke buitengewone toestanden van materie is een uitdaging:kwantumsimulators op basis van ultrakoude lithiumatomen zijn ontwikkeld om de fysica van supergeleiders bij hoge temperatuur te bestuderen. Ze nemen snapshots van het kwantumsysteem, die gelijktijdig in verschillende configuraties bestaat - natuurkundigen spreken van een superpositie. Elke momentopname van het kwantumsysteem geeft een specifieke configuratie op basis van zijn kwantummechanische waarschijnlijkheid.

Om dergelijke kwantumsystemen te begrijpen, er zijn verschillende theoretische modellen ontwikkeld. Maar hoe goed weerspiegelen ze de werkelijkheid? De vraag kan worden beantwoord door de beeldgegevens te analyseren.

Neurale netwerken onderzoeken de kwantumwereld

Hiertoe, een onderzoeksteam van de Technische Universiteit van München en van de Universiteit van Harvard heeft met succes machine learning toegepast:de onderzoekers hebben een kunstmatig neuraal netwerk getraind om onderscheid te maken tussen twee concurrerende theorieën.

"Vergelijkbaar met de detectie van katten of honden op foto's, afbeeldingen van configuraties uit elke kwantumtheorie worden ingevoerd in het neurale netwerk, " zegt Annabelle Bohrdt, een promovendus aan de TUM. "De netwerkparameters worden vervolgens geoptimaliseerd om elke afbeelding het juiste label te geven - in dit geval ze zijn gewoon theorie A of theorie B in plaats van kat of hond."

Na de trainingsfase met theoretische gegevens, het neurale netwerk moest toepassen wat het had geleerd en snapshots van de kwantumsimulatoren toewijzen aan theorie A of B. Het netwerk selecteerde dus de theorie die meer voorspellend is.

In de toekomst zijn de onderzoekers van plan om deze nieuwe methode te gebruiken om de juistheid van verschillende theoretische beschrijvingen te beoordelen. Het doel is om de belangrijkste fysieke effecten van supergeleiding bij hoge temperaturen te begrijpen, die veel belangrijke toepassingen heeft, met verliesloze elektrische krachtoverbrenging en efficiënte magnetische resonantiebeeldvorming zijn slechts twee voorbeelden.