Mendedahkan Corak Tersembunyi: AI Mengurangkan Masalah Fizik Kuantum 100,000 Persamaan kepada Empat Persamaan Sahaja

Ilustrasi fizik kuantum abstrak.

Para saintis melatih alat pembelajaran mesin untuk menangkap fizik elektron yang bergerak pada kekisi menggunakan persamaan yang jauh lebih sedikit daripada yang biasanya diperlukan, semuanya tanpa mengorbankan ketepatan.

Masalah kuantum yang menakutkan yang sehingga kini memerlukan 100,000 persamaan telah dimampatkan menjadi tugas bersaiz gigitan sebanyak empat persamaan oleh ahli fizik menggunakan kecerdasan buatan. Semua ini dicapai tanpa mengorbankan ketepatan. Kerja itu boleh merevolusikan cara saintis menyiasat sistem yang mengandungi banyak elektron yang berinteraksi. Tambahan pula, jika boleh berskala kepada masalah lain, pendekatan ini berpotensi membantu dalam reka bentuk bahan dengan sifat yang sangat berharga seperti superkonduktiviti atau utiliti untuk penjanaan tenaga bersih.

Kajian itu, oleh penyelidik di Institut Flatiron dan rakan-rakan mereka, diterbitkan dalam edisi 23 September Surat Semakan Fizikal.

“Kita mulakan dengan objek besar ini bagi semua persamaan pembezaan yang digabungkan bersama ini; kemudian kami menggunakan pembelajaran mesin untuk mengubahnya menjadi sesuatu yang sangat kecil sehingga anda boleh mengiranya dengan jari,” kata pengarang utama kajian Domenico Di Sante. Beliau ialah penolong profesor di Universiti Bologna di Itali dan rakan penyelidik pelawat di Pusat Fizik Kuantum Pengiraan (CCQ) Institut Flatiron di New York City.

Masalah kuantum yang mencabar berkenaan dengan cara elektron berkelakuan semasa mereka bergerak pada kekisi seperti grid. Apabila dua elektron menduduki tapak kekisi yang sama, mereka berinteraksi. Dikenali sebagai model Hubbard, persediaan ini adalah idealisasi beberapa kelas bahan penting dan membolehkan saintis mempelajari cara tingkah laku elektron menimbulkan fasa jirim yang sangat dicari, termasuk superkonduktiviti, di mana elektron mengalir melalui bahan tanpa rintangan. Model ini juga berfungsi sebagai landasan pembuktian untuk kaedah baharu sebelum ia dilancarkan pada sistem kuantum yang lebih kompleks.

Visualisasi Fizik Radas Matematik

Visualisasi radas matematik yang digunakan untuk menangkap fizik dan tingkah laku elektron yang bergerak pada kekisi. Setiap piksel mewakili satu interaksi antara dua elektron. Sehingga kini, menangkap sistem dengan tepat memerlukan sekitar 100,000 persamaan — satu untuk setiap piksel. Menggunakan pembelajaran mesin, saintis mengurangkan masalah kepada hanya empat persamaan. Ini bermakna visualisasi yang serupa untuk versi termampat memerlukan hanya empat piksel. Kredit: Domenico Di Sante/Institut Flatiron

Walau bagaimanapun, model Hubbard adalah sangat mudah. Walaupun bilangan elektron yang sederhana dan pendekatan pengiraan termaju, masalahnya memerlukan kuasa pengkomputeran yang besar. Itu kerana apabila elektron berinteraksi, nasib mereka boleh menjadi kuantum secara mekanikal terjerat. Ini bermakna walaupun apabila ia berjauhan pada tapak kekisi yang berbeza, kedua-dua elektron itu tidak boleh dirawat secara individu. Oleh itu, ahli fizik dikehendaki berurusan dengan semua elektron sekaligus dan bukannya satu demi satu. Dengan lebih banyak elektron, lebih banyak kekusutan timbul, menjadikan cabaran pengiraan yang menggerunkan secara eksponen lebih sukar.

“Ia pada asasnya mesin yang mempunyai kuasa untuk menemui corak tersembunyi. Apabila kami melihat hasilnya, kami berkata, ‘Wah, ini lebih daripada apa yang kami jangkakan.’ Kami benar-benar dapat menangkap fizik yang berkaitan..” — Domenico Di Sante

Satu cara untuk mengkaji sistem kuantum adalah dengan menggunakan apa yang dipanggil kumpulan penormalan semula. Itulah alat radas matematik yang digunakan oleh ahli fizik untuk melihat bagaimana kelakuan sistem — seperti model Hubbard — berubah apabila penyelidik mengubah suai sifat seperti suhu atau melihat sifat pada skala yang berbeza. Malangnya, kumpulan penormalan semula yang menjejaki semua gandingan yang mungkin antara elektron dan tidak mengorbankan apa-apa boleh mengandungi puluhan ribu, ratusan ribu, malah berjuta-juta persamaan individu yang perlu diselesaikan. Selain itu, persamaannya agak rumit: Setiap satu mewakili sepasang elektron yang berinteraksi.

Di Sante dan rakan-rakannya tertanya-tanya sama ada mereka boleh menggunakan alat pembelajaran mesin yang dikenali sebagai a rangkaian neural untuk menjadikan kumpulan penormalan semula lebih terurus. Rangkaian saraf adalah seperti persilangan antara pengendali papan suis yang panik dan evolusi survival-of-the-fittest. Pertama, program pembelajaran mesin mencipta sambungan dalam kumpulan penormalan semula bersaiz penuh. Rangkaian saraf kemudian mengubahsuai kekuatan sambungan tersebut sehingga ia menemui satu set kecil persamaan yang menjana penyelesaian yang sama seperti kumpulan penormalan semula bersaiz jumbo asal. Output program menangkap fizik model Hubbard walaupun dengan hanya empat persamaan.

“Ia pada asasnya mesin yang mempunyai kuasa untuk menemui corak tersembunyi,” kata Di Sante. “Apabila kami melihat hasilnya, kami berkata, ‘Wah, ini lebih daripada apa yang kami jangkakan.’ Kami benar-benar dapat menangkap fizik yang berkaitan.”

Melatih program pembelajaran mesin memerlukan otot pengiraan yang besar, dan program itu berjalan selama beberapa minggu. Berita baiknya, kata Di Sante, ialah sekarang setelah program mereka dilatih, mereka boleh menyesuaikannya untuk menyelesaikan masalah lain tanpa perlu bermula dari awal. Dia dan rakan usaha samanya juga sedang menyiasat apa sebenarnya “pembelajaran” pembelajaran mesin tentang sistem itu. Ini boleh memberikan cerapan tambahan yang mungkin sukar untuk ditafsirkan oleh ahli fizik.

Akhirnya, persoalan terbuka terbesar ialah sejauh mana pendekatan baharu itu berfungsi pada sistem kuantum yang lebih kompleks seperti bahan di mana elektron berinteraksi pada jarak jauh. Di samping itu, terdapat kemungkinan menarik untuk menggunakan teknik dalam bidang lain yang berurusan dengan kumpulan penormalan semula, kata Di Sante, seperti kosmologi dan neurosains.

Rujukan: “Pembelajaran Dalam Kumpulan Normalisasi Fungsian” oleh Domenico Di Sante, Matija Medvidović, Alessandro Toschi, Giorgio Sangiovanni, Cesare Franchini, Anirvan M. Sengupta dan Andrew J. Millis, 21 September 2022, Surat Semakan Fizikal.
DOI: 10.1103/PhysRevLett.129.136402

Di Sante mengarang kajian baharu bersama penyelidik tetamu CCQ Matija Medvidović (pelajar siswazah di Universiti Columbia), Alessandro Toschi dari TU Wien di Vienna, Giorgio Sangiovanni dari Universiti Würzburg di Jerman, Cesare Franchini dari Universiti Bologna di Itali, CCQ dan saintis penyelidikan kanan Pusat Matematik Pengiraan Anirvan M. Sengupta, dan pengarah bersama CCQ Andy Millis. Masa Di Sante di CCQ disokong oleh Marie Curie International Fellowship, yang menggalakkan kerjasama saintifik transnasional.

We would love to thank the writer of this post for this outstanding content

Mendedahkan Corak Tersembunyi: AI Mengurangkan Masalah Fizik Kuantum 100,000 Persamaan kepada Empat Persamaan Sahaja


Check out our social media profiles and other pages related to themhttps://paw6.info/related-pages/