Representación de un artista de una red neuronal con dos capas. En la parte superior hay un sistema cuántico real, como átomos en una red óptica. A continuación se muestra una red de neuronas ocultas que capturan sus interacciones. Crédito:E. Edwards / JQI
Aprendizaje automático, el campo que está impulsando una revolución en inteligencia artificial, ha cimentado su papel en la tecnología moderna. Sus herramientas y técnicas han llevado a mejoras rápidas en todo, desde automóviles autónomos y reconocimiento de voz hasta el dominio digital de un antiguo juego de mesa.
Ahora, Los físicos están comenzando a utilizar herramientas de aprendizaje automático para abordar un tipo diferente de problema, uno en el corazón de la física cuántica. En un artículo publicado recientemente en Revisión física X , Investigadores de JQI y el Centro de Teoría de la Materia Condensada (CMTC) de la Universidad de Maryland demostraron que ciertas redes neuronales (redes abstractas que pasan información de nodo a nodo como neuronas en el cerebro) pueden describir de manera sucinta amplias franjas de sistemas cuánticos.
Dongling Deng, un becario postdoctoral de JQI que es miembro de CMTC y el primer autor del artículo, dice que los investigadores que usan computadoras para estudiar sistemas cuánticos podrían beneficiarse de las descripciones simples que brindan las redes neuronales. "Si queremos abordar numéricamente algún problema cuántico, "Deng dice, "Primero tenemos que encontrar una representación eficiente".
En papel y, más importante, en computadoras, los físicos tienen muchas formas de representar los sistemas cuánticos. Normalmente, estas representaciones comprenden listas de números que describen la probabilidad de que un sistema se encuentre en diferentes estados cuánticos. Pero se vuelve difícil extraer propiedades o predicciones de una descripción digital a medida que aumenta el número de partículas cuánticas. y la sabiduría prevaleciente ha sido que el entrelazamiento, una conexión cuántica exótica entre partículas, juega un papel clave en frustrar las representaciones simples.
Las redes neuronales utilizadas por Deng y sus colaboradores (el director de CMTC y miembro de JQI Sankar Das Sarma y el físico de la Universidad de Fudan y ex becario postdoctoral de JQI Xiaopeng Li) pueden representar de manera eficiente sistemas cuánticos que albergan muchos entrelazamientos. una mejora sorprendente con respecto a los métodos anteriores.
Y lo que es más, los nuevos resultados van más allá de la mera representación. "Esta investigación es única en el sentido de que no solo proporciona una representación eficiente de estados cuánticos altamente entrelazados, "Das Sarma dice." Es una nueva forma de resolver intratable, interactuar con problemas cuánticos de muchos cuerpos que utiliza herramientas de aprendizaje automático para encontrar soluciones exactas ".
Las redes neuronales y las técnicas de aprendizaje que las acompañan impulsaron AlphaGo, el programa informático que venció a algunos de los mejores jugadores de Go del mundo el año pasado (y al mejor jugador de este año). La noticia emocionó a Deng, un ávido fanático del juego de mesa. El año pasado, casi al mismo tiempo que los triunfos de AlphaGo, apareció un artículo que introdujo la idea de utilizar redes neuronales para representar estados cuánticos, aunque no dio ninguna indicación de cuán amplio podría ser el alcance de la herramienta. "Inmediatamente reconocimos que este debería ser un documento muy importante, "Deng dice, "así que dedicamos toda nuestra energía y tiempo a estudiar más el problema".
El resultado fue una descripción más completa de las capacidades de ciertas redes neuronales para representar estados cuánticos. En particular, el equipo estudió redes neuronales que utilizan dos grupos distintos de neuronas. El primer grupo, llamadas las neuronas visibles, representa partículas cuánticas reales, como átomos en una red óptica o iones en una cadena. Para tener en cuenta las interacciones entre partículas, los investigadores emplearon un segundo grupo de neuronas, las neuronas ocultas, que se conectan con las neuronas visibles. Estos enlaces capturan las interacciones físicas entre partículas reales, y mientras el número de conexiones sea relativamente pequeño, la descripción de la red neuronal sigue siendo simple.
Especificar un número para cada conexión y olvidar matemáticamente las neuronas ocultas puede producir una representación compacta de muchos estados cuánticos interesantes, incluyendo estados con características topológicas y algunos con cantidades sorprendentes de entrelazamiento.
Más allá de su potencial como herramienta en simulaciones numéricas, el nuevo marco permitió a Deng y sus colaboradores probar algunos hechos matemáticos sobre las familias de estados cuánticos representados por redes neuronales. Por ejemplo, Las redes neuronales con interacciones de corto alcance, aquellas en las que cada neurona oculta solo está conectada a un pequeño grupo de neuronas visibles, tienen un límite estricto en su entrelazamiento total. Este resultado técnico, conocida como ley de área, es una búsqueda de investigación de muchos físicos de materia condensada.
Estas redes neuronales no pueden capturar todo aunque. "Son un régimen muy restringido, "Deng dice, agregando que no ofrecen una representación universal eficiente. Si lo hicieran, podrían usarse para simular una computadora cuántica con una computadora ordinaria, algo que los físicos y los informáticos creen que es muy poco probable. Todavía, la colección de estados que representan de manera eficiente, y la superposición de esa colección con otros métodos de representación, es un problema abierto que, según Deng, está listo para una mayor exploración.
