Apprendimento automatico, il campo che sta guidando una rivoluzione nell'intelligenza artificiale, ha consolidato il suo ruolo nella tecnologia moderna. I suoi strumenti e le sue tecniche hanno portato a rapidi miglioramenti in tutto, dalle auto a guida autonoma e al riconoscimento vocale alla padronanza digitale di un antico gioco da tavolo.

Ora, i fisici stanno iniziando a utilizzare strumenti di apprendimento automatico per affrontare un diverso tipo di problema, uno al centro della fisica quantistica. In un articolo pubblicato di recente in Revisione fisica X , i ricercatori del JQI e del Condensed Matter Theory Center (CMTC) dell'Università del Maryland hanno dimostrato che alcune reti neurali, reti astratte che trasmettono informazioni da un nodo all'altro come i neuroni del cervello, possono descrivere succintamente vaste aree di sistemi quantistici.

Dongling Deng, un JQI Postdoctoral Fellow membro del CMTC e primo autore del documento, afferma che i ricercatori che utilizzano i computer per studiare i sistemi quantistici potrebbero trarre vantaggio dalle semplici descrizioni fornite dalle reti neurali. "Se vogliamo affrontare numericamente qualche problema quantistico, "Deng dice, "dobbiamo prima trovare una rappresentazione efficiente".

Sulla carta e, ma ancora più importante, sui computer, i fisici hanno molti modi di rappresentare i sistemi quantistici. Tipicamente queste rappresentazioni comprendono elenchi di numeri che descrivono la probabilità che un sistema venga trovato in diversi stati quantistici. Ma diventa difficile estrarre proprietà o previsioni da una descrizione digitale man mano che il numero di particelle quantistiche cresce, e la saggezza prevalente è stata che l'entanglement, una connessione quantistica esotica tra le particelle, gioca un ruolo chiave nel contrastare semplici rappresentazioni.

Le reti neurali utilizzate da Deng e dai suoi collaboratori, il direttore del CMTC e JQI Fellow Sankar Das Sarma e il fisico della Fudan University ed ex JQI Postdoctoral Fellow Xiaopeng Li, possono rappresentare in modo efficiente sistemi quantistici che ospitano molti entanglement, un sorprendente miglioramento rispetto ai metodi precedenti.

Cosa c'è di più, i nuovi risultati vanno oltre la mera rappresentazione. "Questa ricerca è unica in quanto non fornisce solo una rappresentazione efficiente di stati quantistici altamente entangled, " Dice Das Sarma. "È un nuovo modo di risolvere intrattabili, interagenti problemi quantistici a molti corpi che utilizzano strumenti di apprendimento automatico per trovare soluzioni esatte."

Le reti neurali e le relative tecniche di apprendimento sono alimentate da AlphaGo, il programma per computer che l'anno scorso ha battuto alcuni dei migliori giocatori di Go del mondo (e il miglior giocatore quest'anno). La notizia ha entusiasmato Deng, un fan accanito del gioco da tavolo. L'anno scorso, nello stesso periodo dei trionfi di AlphaGo, è apparso un documento che ha introdotto l'idea di utilizzare le reti neurali per rappresentare gli stati quantistici, sebbene non fornisse alcuna indicazione di quanto potesse essere ampia la portata dello strumento. "Ci siamo subito resi conto che questo doveva essere un documento molto importante, "Deng dice, "così mettiamo tutta la nostra energia e il nostro tempo per studiare di più il problema."

Il risultato è stato un resoconto più completo delle capacità di alcune reti neurali di rappresentare gli stati quantistici. In particolare, il team ha studiato le reti neurali che utilizzano due gruppi distinti di neuroni. Il primo gruppo, chiamati neuroni visibili, rappresenta particelle quantistiche reali, come gli atomi in un reticolo ottico o gli ioni in una catena. Per tenere conto delle interazioni tra le particelle, i ricercatori hanno impiegato un secondo gruppo di neuroni, i neuroni nascosti, che si collegano ai neuroni visibili. Questi collegamenti catturano le interazioni fisiche tra particelle reali, e finché il numero di connessioni rimane relativamente piccolo, la descrizione della rete neurale rimane semplice.

Specificare un numero per ogni connessione e dimenticare matematicamente i neuroni nascosti può produrre una rappresentazione compatta di molti stati quantistici interessanti, inclusi stati con caratteristiche topologiche e alcuni con quantità sorprendenti di entanglement.

Al di là del suo potenziale come strumento nelle simulazioni numeriche, il nuovo framework ha permesso a Deng e collaboratori di provare alcuni fatti matematici sulle famiglie di stati quantistici rappresentati dalle reti neurali. Ad esempio, le reti neurali con interazioni solo a corto raggio, quelle in cui ogni neurone nascosto è connesso solo a un piccolo gruppo di neuroni visibili, hanno un limite rigoroso al loro entanglement totale. Questo risultato tecnico, nota come legge di area, è una ricerca di molti fisici della materia condensata.

Queste reti neurali non possono catturare tutto, anche se. "Sono un regime molto ristretto, "Deng dice, aggiungendo che non offrono una rappresentazione universale efficiente. Se lo hanno fatto, potrebbero essere usati per simulare un computer quantistico con un normale computer, qualcosa che fisici e informatici pensano sia molto improbabile. Ancora, la raccolta di stati che rappresentano in modo efficiente, e la sovrapposizione di tale raccolta con altri metodi di rappresentazione, è un problema aperto che, secondo Deng, è maturo per ulteriori esplorazioni.