Zephyrnet-logo

Vergelijking van kwantumfysica verminderen met behulp van kunstmatige intelligentie

Datum:

Dit artikel is gepubliceerd als onderdeel van het Data Science-blogathon.

Introductie

Natuurkundigen hebben een kwantumfysica-probleem dat 100,000 vergelijkingen vereiste, teruggebracht tot een hapklare taak waarvoor slechts vier vergelijkingen nodig zijn met behulp van kunstmatige intelligentie (AI). Onderzoekers van het Amerikaanse Flatiron Institute heeft een machine learning-tool getraind om de fysica te begrijpen van elektronen die op een rooster bewegen met veel minder vergelijkingen, terwijl de nauwkeurigheid behouden blijft.

Bron: iStock

Dit onderzoek, getiteld “Diep leren van de functionele renormalisatiegroep”, werd gepubliceerd in de Physical Review Letters uitgave van 23 september en zou de manier waarop wetenschappers systemen bestuderen met veel op elkaar inwerkende elektronen volledig kunnen transformeren. Bovendien kan deze strategie, indien schaalbaar naar andere problemen, helpen bij het ontwikkelen van materialen met gewenste eigenschappen zoals supergeleiding of bruikbaarheid voor het produceren van schone energie als het kan worden toegepast op andere problemen.

 In dit artikel gaan we dieper in op dit werk. Laten we meteen beginnen!

Hoogtepunten- kunstmatige intelligentie en kwantumfysica

  • Natuurkundigen hebben een kwantumfysica-probleem dat 1,00,000 vergelijkingen vereiste, teruggebracht tot een hapklare taak waarvoor slechts vier vergelijkingen nodig zijn met behulp van kunstmatige intelligentie.

  • Dit onderzoek kan de manier waarop onderzoekers systemen onderzoeken met veel op elkaar inwerkende elektronen aanzienlijk veranderen. En het kan ook helpen bij de ontwikkeling van materialen met gewenste eigenschappen zoals supergeleiding of gebruik bij de productie van schone energie als het overdraagbaar is naar andere problemen.

Methodologie - Kunstmatige intelligentie en kwantumfysica

Volgens Domenico Di Sante, een gastonderzoeker bij het Center for Computational Quantum Physics (CCQ) van het Flatiron Institute, begonnen ze met een enorm object van gekoppelde differentiaalvergelijkingen. Vervolgens hebben ze het met behulp van machine learning teruggebracht tot een formaat dat op vingers kan worden geteld.

De uitdagende kwestie heeft betrekking op hoe elektronen bewegen op een roosterachtig rooster. Wanneer twee elektronen op dezelfde roosterplaats aanwezig zijn, treedt interactie op. Met behulp van het Hubbard-model kunnen wetenschappers leren hoe elektronengedrag aanleiding geeft tot gewenste fasen van materie, zoals supergeleiding, waarbij elektronen zonder weerstand door een materiaal bewegen. Het model fungeert ook als proeftuin voor nieuwe technieken voordat ze worden toegepast op meer ingewikkelde kwantumsystemen.

Zelfs voor een klein aantal elektronen en na het gebruik van geavanceerde rekentechnieken, vereist het probleem een ​​aanzienlijke hoeveelheid rekenkracht. Dat komt omdat interacties tussen elektronen kwantummechanische verstrengeling in hun lot kunnen veroorzaken: zelfs als ze ver uit elkaar liggen op verschillende roosterplaatsen, kunnen de twee elektronen niet afzonderlijk worden behandeld. Daarom moeten natuurkundigen de elektronen collectief aanpakken in plaats van individueel, waardoor de rekenkundige uitdaging exponentieel uitdagender wordt.

Een methode om een ​​kwantumsysteem te bestuderen, is door een renormalisatiegroep te gebruiken. Natuurkundigen gebruiken dit wiskundige hulpmiddel om te onderzoeken hoe het gedrag van een systeem, zoals het Hubbard-model, verandert wanneer onderzoekers eigenschappen zoals temperatuur veranderen of de eigenschappen op verschillende schalen beschouwen. Helaas kan een renormalisatiegroep die alle mogelijke koppelingen tussen elektronen bijhoudt, tienduizenden, honderdduizenden of zelfs miljoenen individuele vergelijkingen hebben die moeten worden opgelost. De vergelijkingen zijn uitdagend: elk vertegenwoordigt een paar elektronen die op elkaar inwerken.

Di Sante en zijn medeonderzoekers vroegen zich af of ze een neuraal netwerk konden gebruiken om de renormalisatiegroep beter beheersbaar te maken. Het neurale netwerk kan worden gezien als een kruising tussen een hectische telefoniste en survival-of-the-fittest-evolutie. In eerste instantie maakt het model voor machine learning (ML) verbindingen binnen de volledige renormalisatiegroep. De neuraal netwerk past vervolgens de sterke punten van die verbindingen aan totdat het een kleinere reeks vergelijkingen vindt die dezelfde oplossing oplevert als het origineel. Uiteindelijk heeft het ML-model de fysica van het Hubbard-model vastgelegd met vier vergelijkingen.

Het trainen van het machine learning (ML) model vergde veel rekenkracht en werd enkele weken getraind. Dit getrainde model kan worden afgesteld om aan andere taken te werken zonder dat het model helemaal opnieuw hoeft te worden getraind. De onderzoekers onderzoeken ook wat machine learning precies "leert" over het systeem, wat aanvullende inzichten kan bieden die anders voor natuurkundigen een uitdaging zouden zijn om te begrijpen.

Ten slotte is de belangrijkste brandende vraag hoe goed deze nieuwe methode van toepassing is op meer gecompliceerde kwantumsystemen, zoals materialen met elektroneninteracties op lange afstand. Er zijn ook intrigerende mogelijkheden om deze methode toe te passen op andere disciplines die werken met renormalisatiegroepen, zoals kosmologie en neurowetenschappen.

Conclusie

In dit artikel hebben we onderzocht hoe kunstmatige intelligentie een kwantumfysisch probleem dat 100,000 vergelijkingen vereist, kan reduceren tot een taak van bitgrootte waarvoor slechts vier vergelijkingen nodig zijn. Dit zijn de belangrijkste aandachtspunten uit dit artikel:

  • Natuurkundigen hebben een kwantumfysica-probleem dat 100,000 vergelijkingen vereiste, teruggebracht tot een beheersbare taak die slechts vier vergelijkingen vereist met behulp van kunstmatige intelligentie.
  • Met behulp van het Hubbard-model kunnen wetenschappers leren hoe elektronengedrag aanleiding geeft tot gewenste fasen van materie, zoals supergeleiding. Maar zelfs voor een klein aantal elektronen en na het gebruik van geavanceerde rekentechnieken, vereist het probleem aanzienlijke rekenkracht.
  • Een methode om een ​​kwantumsysteem te bestuderen is door een renormalisatiegroep te gebruiken. Een renormalisatiegroep die alle mogelijke koppelingen tussen elektronen bijhoudt, kan echter een ontelbaar aantal individuele vergelijkingen hebben die moeten worden opgelost, wat een inefficiënte benadering is.
  • Het machine learning-model (ML) kan daarentegen worden gebruikt om verbindingen te maken binnen de volledige renormalisatiegroep. De neuraal netwerk past vervolgens de sterke punten van die verbindingen aan totdat het een kleinere reeks vergelijkingen vindt die dezelfde oplossing oplevert als het origineel. Uiteindelijk legde het ML-model de fysica van het Hubbard-model vast met slechts vier vergelijkingen.
  • Het getrainde model kan worden afgesteld om aan andere taken te werken zonder dat het model helemaal opnieuw hoeft te worden getraind.

Dat besluit dit artikel. Bedankt voor het lezen. Als u vragen of opmerkingen heeft, kunt u deze in de opmerkingen hieronder plaatsen. Veel plezier met leren!

De in dit artikel getoonde media zijn geen eigendom van Analytics Vidhya en worden naar goeddunken van de auteur gebruikt.

spot_img

Laatste intelligentie

spot_img