La meccanica quantistica è una teoria ben consolidata, ma a livello macroscopico porta a contraddizioni intrattabili. Ora i fisici dell'ETH si propongono di risolvere il problema con l'ausilio delle reti neurali.

Necessità è la madre dell'invenzione. "Finora, tutti i nostri tentativi di risolvere le contraddizioni inerenti alla meccanica quantistica sono falliti, "dice Renato Renner, "motivo per cui ora stiamo provando un approccio diverso". Ed è un approccio molto potente, anche, anche se Renner, che è Professore di Fisica Teorica, lo definisce un "atto di disperazione":in una recente pubblicazione, scritto insieme al suo dottorando Raban Iten, il suo allievo del Master Tony Metger e altri membri del suo gruppo, Renner mostra come l'uso dell'intelligenza artificiale può aiutare a fornire informazioni più approfondite sui concetti fisici.

Una scatola nera è la via da seguire?

Il punto di partenza è l'affermazione che la meccanica quantistica, non importa se esperimento dopo esperimento lo ha confermato, porta a contraddizioni. "Quando abbiamo sottolineato un anno fa che deve esserci un problema fondamentale con la meccanica quantistica poiché non è possibile applicare la meccanica quantistica agli utenti della meccanica quantistica, abbiamo avuto tutti i tipi di reazioni, e un sacco di feedback di conseguenza. Ma così lontano, nessuno ha trovato un modo per risolvere questo dilemma elementare, "dice Renner.

All'inizio, l'idea che l'intelligenza artificiale possa essere d'aiuto sembra sorprendente. Dopotutto, le reti neurali, l'elemento chiave dell'intelligenza artificiale, funzionano efficacemente come una scatola nera. Puoi insegnare loro a riconoscere i volti sulle foto, ma non c'è modo di sapere esattamente come svolgono quel compito. Quindi, come può un fisico sperare di imparare qualcosa da loro?

Informazioni condensate

La risposta dei ricercatori dell'ETH è stata quella di progettare una rete neurale "tandem" in due parti. La prima parte della rete fa girare la palla calcolando i parametri che sono utili per eseguire attività fisiche. Basato su questo, la seconda parte affronta poi un problema specifico. Nel frattempo, la prima parte continua a regolare i parametri fino a quando la seconda parte è in grado di padroneggiare i compiti a portata di mano.

"Quello che stiamo essenzialmente facendo qui è imitare il principio delle formule fisiche, "Renner spiega, "poiché questi ti dicono in forma sintetica quali parametri devi combinare, e come, per svolgere un compito particolare." La prima parte della rete neurale non comunica formule fisiche specifiche alla seconda parte. Piuttosto, i fisici possono estrarre i parametri che attraversano l'interfaccia tra le due parti e ricavarne formule fisiche, sempre utilizzando programmi informatici specializzati. "Una volta che una rete neurale ha imparato a risolvere problemi di meccanica quantistica, forse troverà un modo alternativo per descrivere i sistemi quantistici, almeno, è quello che speriamo, "dice Renner.

Il principio funziona

I fisici dell'ETH hanno dimostrato che l'idea è fondamentalmente valida attraverso semplici compiti fisici. Hanno fatto calcolare alla rete neurale in tandem dove il pianeta Marte poteva essere visto nel cielo notturno in un dato momento. Ma tutto ciò che gli scienziati hanno fornito alla rete con cui lavorare sono stati i dati sulle posizioni del pianeta e del sole osservate nel tempo dalla Terra.

La rete neurale ha successivamente identificato i parametri rilevanti come quelli necessari per calcolare la posizione di Marte sulla base della visione del mondo eliocentrica. In altre parole, la rete neurale ha trovato la risposta "giusta", anche se i dati iniziali non fornivano assolutamente alcuna indicazione diretta del fatto che la Terra e Marte orbitano entrambi intorno al sole, piuttosto che la Terra come centro del nostro sistema solare.

Libero da ipotesi

Per come stanno le cose, la rete tandem dei fisici dell'ETH non è in grado di risolvere complessi problemi di meccanica quantistica. "Ma il nostro lavoro mostra che potrebbe essere uno strumento promettente per noi scienziati teorici, " dice Renner. Il grande vantaggio della rete neurale è che non è influenzata da nessuna serie di ipotesi precedenti. "Naturalmente, è anche possibile spiegare il moto di Marte assumendo che la Terra sia al centro. Ma questo rende i calcoli molto più elaborati, " Dice Renner. "Ci troviamo in un punto simile nella fisica quantistica:abbiamo una teoria che può spiegare moltissimi fenomeni, ma forse siamo ciechi per un altro, descrizione molto più elegante delle cose."

Come raggiungiamo la risposta giusta?

Renner sa bene che cercare una descrizione diversa sarà difficile, poiché la prossima grande domanda è già sospesa nell'aria:quali dati iniziali dovrebbe essere alimentata dalla rete neurale? "Il compito con i pianeti era fondamentalmente facile, perché sapevamo in anticipo quali dati iniziali avrebbero portato alla risposta giusta, " dice Renner. "Ma se stiamo cercando nuove intuizioni, questa è una conoscenza che semplicemente non abbiamo."