La mecánica cuántica es una teoría bien establecida, pero a nivel macroscópico conduce a contradicciones insolubles. Ahora, los físicos de ETH proponen resolver el problema con la ayuda de redes neuronales.

La necesidad es la madre de la invención. "Hasta aquí, todos nuestros intentos de resolver las contradicciones inherentes a la mecánica cuántica han fracasado, "dice Renato Renner, "por eso ahora estamos probando un enfoque diferente". Y es un enfoque muy potente también, incluso si Renner, quien es profesor de Física Teórica, lo califica de "acto de desesperación":en una publicación reciente, escrito junto con su estudiante de doctorado Raban Iten, su alumno de maestría Tony Metger y otros miembros de su grupo, Renner muestra cómo el uso de la inteligencia artificial puede ayudar a proporcionar conocimientos más profundos sobre los conceptos físicos.

¿Es una caja negra el camino a seguir?

El punto de partida es la afirmación de que la mecánica cuántica —no importa que experimento tras experimento lo haya confirmado— conduce a contradicciones. "Cuando señalamos hace un año que debe haber un problema fundamental con la mecánica cuántica, ya que no se puede aplicar la mecánica cuántica a los usuarios de la mecánica cuántica, tenemos todo tipo de reacciones, y muchos comentarios como resultado. Pero hasta ahora, nadie ha encontrado una forma de resolver este dilema elemental, "Dice Renner.

En primer lugar, la idea de que la inteligencia artificial pueda ayudar parece sorprendente. Después de todo, Las redes neuronales, el elemento clave de la inteligencia artificial, funcionan efectivamente como una caja negra. Puede enseñarles a reconocer rostros en las fotos, pero no hay forma de saber exactamente cómo realizan esa tarea. Entonces, ¿cómo puede un físico esperar aprender algo de ellos?

Información condensada

La respuesta de los investigadores de ETH fue diseñar una red neuronal "en tándem" de dos partes. La primera parte de la red se pone en marcha calculando parámetros que son útiles para realizar tareas físicas. Basado en esto, la segunda parte luego aborda un problema específico. Mientras tanto, la primera parte sigue ajustando los parámetros hasta que la segunda parte es capaz de dominar las tareas en cuestión.

"Lo que estamos haciendo esencialmente aquí es imitar el principio de las fórmulas físicas, "Renner explica, "ya que le indican en forma condensada qué parámetros debe combinar, y cómo, para llevar a cabo una tarea en particular ". La primera parte de la red neuronal no comunica ninguna fórmula física específica a la segunda parte. Más bien, los físicos pueden extraer los parámetros que cruzan la interfaz entre las dos partes y derivar fórmulas físicas de ellos, de nuevo utilizando programas informáticos especializados. "Una vez que una red neuronal ha aprendido a resolver problemas de mecánica cuántica, tal vez encuentre una forma alternativa de describir los sistemas cuánticos, al menos, eso es lo que estamos esperando, "Dice Renner.

El principio funciona

Los físicos de ETH han demostrado que la idea es fundamentalmente sólida mediante simples tareas físicas. Hicieron que la red neuronal en tándem calculara dónde se podía ver el planeta Marte en el cielo nocturno en un momento dado. Pero todo lo que los científicos le dieron a la red para trabajar fueron datos sobre las posiciones del planeta y el sol tal como se observa a lo largo del tiempo desde la Tierra.

Posteriormente, la red neuronal identificó los parámetros relevantes como los necesarios para calcular la posición de Marte sobre la base de la cosmovisión heliocéntrica. En otras palabras, la red neuronal encontró la respuesta "correcta", a pesar de que los datos iniciales no dieron absolutamente ninguna indicación directa del hecho de que la Tierra y Marte orbitan alrededor del sol, en lugar de que la Tierra sea el centro de nuestro sistema solar.

Libre de suposiciones

Como son las cosas, La red en tándem de físicos de la ETH no está en condiciones de resolver complejos problemas de mecánica cuántica. "Pero nuestro trabajo muestra que bien podría ser un instrumento prometedor para nosotros, los científicos teóricos, "Dice Renner. La gran ventaja de la red neuronal es que no está influenciada por ningún conjunto de suposiciones previas". Naturalmente, también es posible explicar el movimiento de Marte asumiendo que la Tierra está en el centro. Pero eso hace que los cálculos sean mucho más elaborados, ", Dice Renner." Nos encontramos en un punto similar en la física cuántica:tenemos una teoría que puede explicar una gran cantidad de fenómenos, pero tal vez estemos ciegos para otro, descripción mucho más elegante de las cosas ".

¿Cómo llegamos a la respuesta correcta?

Renner es muy consciente de que buscar una descripción diferente será difícil, ya que la próxima gran pregunta ya está suspendida en el aire:¿Qué datos iniciales se deben alimentar a la red neuronal? "La tarea con los planetas fue básicamente fácil, porque sabíamos de antemano qué datos iniciales conducirían a la respuesta correcta, "Dice Renner." Pero si buscamos nuevos conocimientos, eso es conocimiento que simplemente no tenemos ".