Skip to content
Home » Van 100.000 naar 4 vergelijkingen, AI maakt kwantumfysica-problemen eenvoudig

Van 100.000 naar 4 vergelijkingen, AI maakt kwantumfysica-problemen eenvoudig

    Analytics Insight

    Kwantumfysica problemen

    Kunstmatige intelligentie reduceert een 100.000 vergelijking tot 4 vergelijkingen om kwantumfysica-problemen op te lossen

    Met behulp van kunstmatige intelligentie hebben natuurkundigen ontmoedigende kwantumfysica-problemen opgelost. Studies tonen aan dat nieuwe eigenschappen van complexe kwantummaterialen veel beter beheersbaar zijn. Deze rekenkundige prestatie zou kunnen helpen bij het aanpakken van een van de moeilijkste problemen van de kwantumfysica, het ‘veel-elektronen’-probleem, dat probeert systemen te beschrijven die grote aantallen op elkaar inwerkende elektronen bevatten.

    Het team is van mening dat de “dimensionaliteitsreductie” -benadering het onderzoek naar kwantumpuzzels kan “revolutioneren”, resulterend in innovaties in zeer efficiënt materiaalontwerp. Nieuwe materialen met praktische eigenschappen, zoals supergeleiding, of materialen met toepassingen in uiteenlopende industrieën als hernieuwbare energie en neurowetenschap zijn mogelijke gevolgen. Het zou ook het Hubbard-model kunnen uitbreiden, een echt eerbiedwaardige methode voor het voorspellen van elektronengedrag in vastestofmaterialen, en ons begrip van hoe nuttige fasen van materie, zoals supergeleiding, ontstaan. Het onderzoek laat zien dat het mogelijk is om compacte representaties van dynamische elektronen te extraheren met behulp van AI, wat van het grootste belang is om aan te pakken.

    Kunstmatige intelligentie is door natuurkundigen gebruikt om een ​​uitdagend kwantumprobleem dat voorheen 100.000 vergelijkingen vereiste, te reduceren tot een eenvoudige taak die slechts vier vergelijkingen vereist, allemaal zonder in te boeten aan nauwkeurigheid. Het werk, dat op 23 september in Physical Review Letters werd gepubliceerd, kan de manier veranderen waarop onderzoekers onderzoekssystemen met veel op elkaar inwerkende elektronen benaderen. Als de techniek kan worden toegepast op andere problemen, kan het ook helpen bij het creëren van materialen met gewenste eigenschappen zoals supergeleiding of worden gebruikt om hernieuwbare energie op te wekken.

    Domenico Di Sante, een assistent-professor aan de Universiteit van Bologna in Italië en de hoofdauteur van de studie, is een gastonderzoeker bij het Center for Computational Quantum Physics (CCQ) aan het Flatiron Institute in New York City. “We beginnen met dit enorme object van al deze aan elkaar gekoppelde differentiaalvergelijkingen, en dan gebruiken we machine learning om er iets van te maken dat zo klein is dat je het op je vingers kunt tellen”, zegt hij.

    De uitdagende kwestie heeft betrekking op de beweging van elektronen op een rooster dat lijkt op een raster. Interactie treedt op wanneer twee elektronen op dezelfde roosterlocatie aanwezig zijn. Wetenschappers kunnen bestuderen hoe elektronengedrag leidt tot gewenste fasen van materie, zoals supergeleiding, waarin elektronen zonder weerstand door een materiaal stromen, met behulp van deze configuratie, bekend als het Hubbard-model, dat verschillende belangrijke materiaalklassen idealiseert. Bovendien fungeert het model als een proeftuin voor nieuwe benaderingen voordat ze worden toegepast op meer ingewikkelde kwantumsystemen.

    Maar het Hubbard-model lijkt vrij eenvoudig te zijn. Het probleem vereist een aanzienlijke hoeveelheid computerkracht, zelfs voor een klein aantal elektronen met behulp van state-of-the-art computertechnieken. Dat komt omdat interacties tussen elektronen kwantummechanische verstrengeling in hun lot kunnen veroorzaken: de twee elektronen kunnen niet afzonderlijk worden behandeld, zelfs als ze ver uit elkaar liggen op verschillende roosterplaatsen, daarom moeten natuurkundigen alle elektronen tegelijk behandelen in plaats van één tegelijk. tijd. Het rekenprobleem wordt steeds moeilijker naarmate er meer elektronen aanwezig zijn omdat er meer verstrengelingen ontstaan.

    Renormalisatiegroepen zijn een hulpmiddel dat kan worden gebruikt om een ​​kwantumsysteem te onderzoeken.Dit wiskundige hulpmiddel wordt door natuurkundigen gebruikt om te onderzoeken hoe het gedrag van een systeem, zoals het Hubbard-model, varieert wanneer onderzoekers bepaalde parameters wijzigen, zoals temperatuur, of de eigenschappen op andere schalen. Helaas kunnen er tienduizenden, honderdduizenden of zelfs miljoenen individuele vergelijkingen zijn in een renormalisatiegroep die moeten worden opgelost om alle potentiële koppelingen tussen elektronen te volgen zonder enige opoffering te doen. De vergelijkingen zelf zijn een uitdaging, omdat elke de interactie van twee elektronen weergeeft.

    Di Sante beschrijft het als “in feite een machine met het vermogen om verborgen patronen te vinden.” “Wauw, dit is meer dan we hadden verwacht, riepen we zodra we de uitkomst zagen. We hebben de relevante fysica met succes vastgelegd.”

    Het duurde weken voordat het machine learning-algoritme was getraind, wat veel computerkracht vergde. Het goede nieuws, volgens Di Sante, is dat ze hun curriculum kunnen aanpassen om extra problemen aan te pakken zonder helemaal opnieuw te hoeven beginnen nu het is gecoacht. Om extra inzichten te krijgen die anders voor natuurkundigen een uitdaging zouden zijn om te begrijpen, onderzoeken hij en zijn partners ook wat machine learning is “leren” over het systeem.

    De belangrijkste onbeantwoorde vraag is hoe goed de nieuwe methode van toepassing is op meer gecompliceerde kwantumsystemen, zoals materialen met elektroneninteracties op lange afstand. Volgens Di Sante is er ook een intrigerend potentieel om de methode toe te passen op andere disciplines die werken met renormalisatiegroepen, zoals kosmologie en neurologie.

    Deel dit artikel

    Doe dat ding om te delen