Kwantummechanica is een gevestigde theorie, maar op macroscopisch niveau leidt het tot hardnekkige tegenstrijdigheden. Nu stellen ETH-fysici voor om het probleem op te lossen met behulp van neurale netwerken.

Noodzaak is de moeder van de vindingrijkheid. "Tot dusver, al onze pogingen om de tegenstrijdigheden die inherent zijn aan de kwantummechanica op te lossen, zijn mislukt, " zegt Renato Renner, "daarom proberen we nu een andere aanpak." En het is een zeer krachtige benadering, ook - zelfs als Renner, die hoogleraar theoretische fysica is, bestempelt het als een "daad van wanhoop":in een recente publicatie, geschreven samen met zijn promovendus Raban Iten, zijn masterstudent Tony Metger en andere leden van zijn groep, Renner laat zien hoe het gebruik van kunstmatige intelligentie kan helpen om diepere inzichten in fysieke concepten te geven.

Is een zwarte doos de weg vooruit?

Uitgangspunt is de stelling dat de kwantummechanica - laat staan ​​dat experiment na experiment dit heeft bevestigd - tot tegenstrijdigheden leidt. "Toen we er een jaar geleden op wezen dat er een fundamenteel probleem moet zijn met de kwantummechanica, aangezien je de kwantummechanica niet kunt toepassen op de gebruikers van de kwantummechanica, we kregen allerlei reacties, en veel feedback als resultaat. Maar tot nu toe, niemand heeft een manier bedacht om dit elementaire dilemma op te lossen, ' zegt Renner.

Aanvankelijk, het idee dat kunstmatige intelligentie zou kunnen helpen, lijkt verrassend. Ten slotte, neurale netwerken - het belangrijkste element van kunstmatige intelligentie - werken effectief als een zwarte doos. Je kunt ze leren gezichten op foto's te herkennen, maar er is geen manier om precies te weten hoe ze die taak uitvoeren. Dus hoe kan een natuurkundige hopen iets van hen te leren?

Verkorte informatie

Het antwoord van de ETH-onderzoekers was om een ​​tweedelig "tandem" neuraal netwerk te ontwerpen. Het eerste deel van het netwerk brengt de bal aan het rollen door parameters te berekenen die nuttig zijn bij het uitvoeren van fysieke taken. Op basis hiervan, het tweede deel pakt vervolgens een specifiek probleem aan. In de tussentijd, het eerste deel blijft de parameters aanpassen totdat het tweede deel in staat is om de taken onder de knie te krijgen.

"Wat we hier in wezen doen, is het principe van fysieke formules imiteren, "Renner legt uit, "aangezien deze u in gecondenseerde vorm vertellen welke parameters u moet combineren, en hoe, om een ​​bepaalde taak uit te voeren." Het eerste deel van het neurale netwerk communiceert geen specifieke fysieke formules naar het tweede deel. de fysici kunnen de parameters extraheren die de interface tussen de twee delen kruisen en er fysieke formules uit afleiden - opnieuw met behulp van gespecialiseerde computerprogramma's. "Zodra een neuraal netwerk heeft geleerd hoe kwantummechanische problemen op te lossen, misschien zal het een alternatieve manier vinden om kwantumsystemen te beschrijven - tenminste, dat is wat we hopen, ' zegt Renner.

Het principe werkt

De ETH-fysici hebben aangetoond dat het idee fundamenteel klopt door middel van eenvoudige fysieke taken. Ze lieten het tandem neurale netwerk berekenen waar de planeet Mars op een bepaald moment aan de nachtelijke hemel te zien was. Maar het enige dat de wetenschappers het netwerk gaven om mee te werken, waren gegevens over de posities van de planeet en de zon, zoals die in de loop van de tijd vanaf de aarde werden waargenomen.

Het neurale netwerk identificeerde vervolgens de relevante parameters die nodig zijn om de positie van Mars te berekenen op basis van het heliocentrische wereldbeeld. Met andere woorden, het neurale netwerk vond het "juiste" antwoord, hoewel de eerste gegevens absoluut geen directe indicatie gaven van het feit dat de aarde en Mars beide om de zon draaien, in plaats van dat de aarde het centrum van ons zonnestelsel is.

Niet gehinderd door aannames

Stand van zaken, het tandemnetwerk van ETH-fysici is niet in staat om complexe kwantummechanische problemen op te lossen. "Maar ons werk laat zien dat het wel eens een veelbelovend instrument zou kunnen zijn voor ons theoretische wetenschappers, ", zegt Renner. Het grote voordeel van het neurale netwerk is dat het niet wordt beïnvloed door een reeks eerdere aannames. "Natuurlijk, het is ook mogelijk om de beweging van Mars te verklaren, ervan uitgaande dat de aarde in het midden staat. Maar dat maakt de berekeningen veel uitgebreider, Renner zegt. "We bevinden ons op een soortgelijk punt in de kwantumfysica:we hebben een theorie die een groot aantal verschijnselen kan verklaren, maar we zijn misschien blind voor een ander, veel elegantere beschrijving van dingen."

Hoe komen we tot het juiste antwoord?

Renner is zich er terdege van bewust dat het zoeken naar een andere beschrijving moeilijk zal zijn, aangezien de volgende grote vraag al in de lucht hangt:welke initiële gegevens moet het neurale netwerk worden gevoed? "De taak met de planeten was eigenlijk een gemakkelijke, omdat we van tevoren wisten welke initiële gegevens tot het juiste antwoord zouden leiden, " zegt Renner. "Maar als we op zoek zijn naar nieuwe inzichten, dat is kennis die we gewoon niet hebben."