Штучні нейронні мережі розкривають квантовий світ

Команда фізиків розробила штучні нейронні мережі для відображення квантових систем. Це могло б допомогти вирішити квантові проблеми, надавши більш точне уявлення про квантовий світі.

Моделювання складної системи

Квантова заплутаність, яку Ейнштейн називав «моторошним дією на відстані», є однією з багатьох можливих квантових систем, які фізики вивчали для потенційних застосувань в самих різних областях. До них відносяться, зокрема, технології квантових обчислень і основоположний принцип квантової телепортації і квантової криптографії.Дослідники ще не досліджували ці квантові системи повністю. Усвідомлюючи необхідність в кращих інструментах для цього, фізики з Об'єднаного інституту квантових явищ (JQI) і Центру теорії конденсованих середовищ Університету штату Меріленд (CMTC) звернулися до штучних нейронних мереж, які побудовані для функціонування і передачі інформації, наприклад, нейронів в головний мозок.

«Якщо ми хочемо чисельно вирішити якусь квантову проблему, нам спочатку потрібно знайти ефективне представлення», - сказав дослідник JQI Донглін Ден в прес-релізі. Він отримав цю ідею після того, як почув про штучний інтелект DeepMind Go-playing (AI) AlphaGo, хвацько перемагає професійних гравців в 2016 році. Машинне навчання, що стоїть за досягненнями сучасних систем ІІ, здалося нам правдоподібним інструментом.

У той же час в документі пропонується ідея використання нейронних мереж для подання квантових станів. «Ми відразу ж визнали, що це повинен бути дуже важливий документ, - сказав Ден, - тому ми вкладаємо всю свою енергію і час в вивчення проблеми більше». Вони опублікували своє дослідження в журналі Physical Review X.

Розуміння квантових станів

Щоб використовувати нейронні мережі для подання квантових систем, Ден і його колеги вивчали ті, які покладаються на дві різні групи нейронів. Одна група, звана «видимими нейронами», використовувалася для подання реальних квантових частинок, подібних атомам в оптичній решітці або іони в ланцюжку. Друга група нейронів була використана для обліку взаємодій між частинками. Ці так звані «приховані нейрони» пов'язані з видимими нейронами. Поки кількість з'єднань було відносно невеликим, опис нейронної мережі залишалося простим.

«Це дослідження унікальне тим, що воно не просто забезпечує ефективне представлення сильно заплутаних квантових станів», - сказав в прес-релізі JQI Sankar Das Sarma. Моделі змогли створити компактні представлення низки цікавих квантових станів, в тому числі з дивовижними кількостями заплутування. «Це новий спосіб вирішення нерозв'язних, взаємодіючих квантових проблем багатьох тіл, які використовують засоби машинного навчання для пошуку точних рішень», - додав Дас Сарма.

Звичайно, у нейронних мереж були свої обмеження, і вони не змогли зробити ефективне універсальне уявлення, сказав Ден. Проте, дослідження могло б значно поліпшити те, як ми розуміємо квантову заплутаність. Як написала команда в своїй статті: «Наші результати розкривають безпрецедентної сили штучних нейронних мереж в поданні квантових станів багатьох тіл, незалежно від того, наскільки вони пов'язані, що відкриває новий шлях для подолання методів машинного навчання на основі комп'ютерних наук До видатних квантовим проблем фізики конденсованих середовищ».

Посилання: Phys, Physical Review X, Об'єднаний інститут Quantum