人工智能压缩100000 - 4方程方程量子难题

使用人工智能,物理学家已经压缩一个令人生畏的量子问题直到现在需要100000方程成一口大小的任务只有四个方程——所有不牺牲准确性。工作,发表于9月23日发行的物理评论快报,可以彻底改变科学家调查如何包含许多相互作用的电子系统。此外,如果扩展到其他问题,可能援助的方法在材料的设计受欢迎的属性如超导或实用的清洁能源发电方式。

“我们从这个巨大的对象所有这些结合关系的微分方程;然后我们使用机器学习把它变成如此小的东西你可以计算你的手指,”研究报告的主要作者说Domenico迪桑特熨斗研究所客座研究员中心计算量子物理(CCQ)在纽约,一个在意大利博洛尼亚大学的助理教授。

强大的问题涉及电子的行为,因为他们继续一律的晶格。当两个电子占据同一个格点,他们交互。称为哈伯德模型,这个设置是一个理想化的几个重要类的材料,并使科学家们能够学习电子行为的产生受欢迎的阶段,如超导、电子流过材料无阻力。这个模型还充当一个试验场为新方法在他们释放出更复杂的量子系统。

然而,哈伯德模型看似简单。即使适度数量的电子和先进的计算方法,这个问题需要认真的计算能力。这是因为电子互动时,他们的命运可以成为量子机械纠缠:即使他们分开在不同的格子,两个电子不能单独处理,所以物理学家必须立即处理所有的电子而不是一次一个。随着越来越多的电子,更复杂的情况出现,使指数的计算挑战困难。

研究量子系统的一种方法是通过使用所谓的重正化群。这是一个数学仪器物理学家使用看看系统的行为——例如哈伯德模型——当科学家修改属性如温度变化或看看属性在不同的尺度。不幸的是,一个重正化群跟踪之间所有可能的耦合电子和没有牺牲任何东西可以包含数万,数十万甚至数百万人需要解决的方程。最重要的是,方程是棘手:每个代表一对电子相互作用。

迪桑特和他的同事们想知道他们可以使用机器学习工具称为神经网络使重整化群更易于管理。神经网络就像一个疯狂的接线员和场适者生存进化。首先,机器学习程序创建连接尺寸的重正化群内。然后神经网络调整这些连接,直到找到一个小的优势组方程,生成相同的解决方案与原始,jumbo-size重正化群。程序的输出捕获哈伯德模型的物理甚至只有四个方程。

“它本质上是一个机器有能力发现隐藏的模式,”迪桑特说。“当我们看到结果时,我们说,“哇,这是超过了我们的预期。我们真的能够捕获相关的物理学。”

培训机器学习程序需要大量的计算能力,和程序跑了整个星期。迪桑特说,好消息是,现在,他们有自己的计划指导,能适应工作在其他问题,而无需从头开始。他和他的合作者也调查了机器学习实际上是“学习”的系统,可以提供额外的洞察力,否则很难物理学家解释。

最终,最大的问题是如何新方法适用于更复杂的量子系统,如材料的电子相互作用在很长一段距离。此外,有令人心动的希望使用该技术在其他领域处理重正化组,迪桑特说,宇宙学和神经科学等。

参考:

迪桑特维MedvidovićM, Toschi, et al .深度学习功能重正化群。物理评论列托人。2022;129 (13):136402。doi:10.1103 / PhysRevLett.129.136402

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。