De camino a un laboratorio inteligente, físicos de Innsbruck y Viena presentan un agente artificial que diseña de forma autónoma experimentos cuánticos. En experimentos iniciales, el sistema ha (re) descubierto de forma independiente técnicas experimentales que son estándar en los laboratorios ópticos cuánticos modernos. Esto muestra cómo las máquinas podrían desempeñar un papel más creativo en la investigación en el futuro.

Los investigadores se preguntaron hasta qué punto las máquinas pueden realizar investigaciones de forma autónoma. Utilizaron un modelo de simulación proyectiva de inteligencia artificial para permitir que una máquina aprenda y actúe de forma creativa. Esta máquina autónoma almacena muchos fragmentos individuales de experiencia en la memoria, que están conectados en red.

La máquina acumula y adapta sus recuerdos mientras aprende de los intentos exitosos y fallidos. Los científicos de Innsbruck se unieron al grupo de Anton Zeilinger, quien previamente demostró la utilidad de los procedimientos automatizados en el diseño de experimentos cuánticos con un algoritmo de búsqueda llamado Melvin. Algunos de estos experimentos inspirados en computadoras ya se han realizado en el laboratorio de Zeilinger. Juntos, los físicos determinaron que los experimentos cuánticos son un entorno ideal para probar la aplicabilidad de la IA a la investigación. Por lo tanto, utilizaron el modelo de simulación proyectiva para investigar el potencial de los agentes de aprendizaje artificiales en este banco de pruebas. Han publicado sus resultados en el procedimientos de la Academia Nacional de Ciencias .

Experimentos optimizados diseñados por un agente de IA

El agente artificial desarrolla nuevos experimentos colocando virtualmente espejos, prismas o divisores de haz en una mesa de laboratorio virtual. Si sus acciones conducen a un resultado significativo, el agente tiene una mayor probabilidad de encontrar una secuencia similar de acciones en el futuro. Esto se conoce como estrategia de aprendizaje por refuerzo.

"El aprendizaje por refuerzo es lo que distingue a nuestro modelo de la búsqueda automatizada estudiada anteriormente, que se rige por una búsqueda aleatoria imparcial, "dice Alexey Melnikov del Departamento de Física Teórica de la Universidad de Innsbruck." El agente artificial realiza decenas de miles de experimentos en la mesa del laboratorio virtual. Cuando analizamos la memoria de la máquina, descubrimos que se han desarrollado ciertas estructuras, ", dice Hendrik Poulsen Nautrup. Los físicos ya conocen algunas de estas estructuras como herramientas útiles de los laboratorios ópticos cuánticos modernos. Otras son completamente nuevas, y podría, en el futuro, ser probado en el laboratorio.

"El aprendizaje por refuerzo nos permite encontrar, optimizar e identificar una gran cantidad de soluciones potencialmente interesantes, ", dice Alexey Melnikov." Y a veces también proporciona respuestas a preguntas que ni siquiera hicimos ".

Soporte creativo en el laboratorio

En el futuro, los científicos quieren seguir mejorando su programa de aprendizaje. En este punto, es una herramienta que puede aprender de forma autónoma a resolver una determinada tarea. Pero en el futuro una máquina posiblemente podría proporcionar una ayuda más creativa a los científicos en la investigación básica.