"Decryption Quantum" AlphaGo'dan esinlenen yapay sinir ağı, kuantum sistemindeki bir atılımı temsil ediyor
Xinzhiyuan Raporu
Kuantum sistemlerini temsil etmenin etkili bir yolunu bulun
Birkaç fizikçi, kuantum sistemlerini karakterize eden, kuantum dünyasını daha doğru bir şekilde karakterize edebilen ve kuantum problemlerini çözmede yardım sağlayan yapay sinir ağları geliştirdi.
Einstein'ın "uzaktaki hayalet eylemi" olarak gördüğü kuantum dolanıklığı, kuantum sistemlerindeki fizikçilerin keşfetmekte olduğu sorunlardan biridir ve geniş uygulama olasılıkları vardır. Örneğin, kuantum hesaplama teknolojisinin temel sorunlarından biridir ve kuantum iletişiminin ve kuantum şifrelemenin arkasındaki temel ilkedir.
Örneğin, 16 Haziran'da, Çin'in "Mozi" kuantum uydusu dünyada ilk kez 1.000 kilometre civarında kuantum dolaşıklığa ulaştı, bu da kuantum iletişiminin pratikliğe doğru büyük bir adım attığı anlamına geliyor; başka bir örnek, 3 Mayıs'ta Çin Bilim ve Teknoloji Üniversitesi ve Çin Bilimler Akademisi, geleneksel bilgisayarlardan 24.000 kat daha hızlı olan dünyanın ilk kuantum bilgisayarının başarılı bir şekilde geliştirildiğini duyurdu.
Bununla birlikte, araştırmacıların kuantum sistem anlayışları yeterli olmaktan uzaktır. Daha iyi araştırma araçları bulmak için, Maryland Üniversitesi'nin Ortak Kuantum Enstitüsü (JQI) ve Yoğun Madde Teorisi Merkezi (CMTC) yapay sinir ağları kullandı. Araştırma raporu yakın zamanda Physical Review X'te yayınlandı. Başlık, Sinir Ağı Durumlarında Kuantum Dolanıklığı'dır. Makalenin ilk yazarı Dongling Deng, Maryland Üniversitesi'ndeki Ortak Kuantum Enstitüsünde doktora sonrası araştırmacı ve aynı zamanda Yoğun Madde Teorisi Merkezi (CMTC) üyesidir.
Makalenin ikinci yazarı, eski bir JQI doktora sonrası araştırmacısı ve Fudan Üniversitesi'nde fizikçi olan Xiaopeng Li'dir ve üçüncü yazar, Yoğun Madde Teorisi Merkezi direktörü ve JQI araştırmacısı Sankar Das Sarma'dır.
Deng Dongling, JQI web sitesinde yayınlanan "Neural Network, Quantum Entanglement" adlı basın açıklamasında şunları söyledi: "Kuantum sistemlerindeki bazı problemleri dijital olarak çözmek istiyorsak, önce kuantum sistemini temsil etmenin etkili bir yolunu bulmalıyız." Yapay sinir ağları tam da budur. Buldukları temsil.
Araştırma doğrudan AlphaGo'dan esinlenmiştir
Bu araştırmaya ilham veren iki kaynak var: biri, Go'nun insan ustalarını süpüren AlphaGo; diğeri ise bu yılın başlarında Science'da yayınlanan kuantum çok-cisim sistemlerinin simülasyonu. Ve bu makalenin ilk yazarı, Zürih İsviçre Federal Teknoloji Enstitüsü'nden (ETH Zürih) Giuseppe Carleo, araştırmasının da AlphaGo'dan ilham aldığını söyledi.
AlphaGo'nun insan "eğitiminden" sonra, birçok kişi şu tanıma aşinadır: Bir Go satranç tahtasının olası alanı, evrendeki atom sayısından daha fazladır. Kaba kuvvet hesaplamaları geçerli değildir. Bu açıdan Go oyunu, kuantum fiziği problemine benzer: milyarlarca atomdan oluşan bir kuantum sistemi nasıl tanımlanır ve bu atomlar karmaşık denklemlere göre birbirlerini etkileyecektir.
İster kağıt üzerinde ister bilgisayarda, fizikçilerin kuantum sistemlerini temsil etmenin birçok yolu vardır. Genellikle bu temsiller, sistemin farklı kuantum durumlarında olma olasılığını açıklayan bir sayı listesi içerecektir. Ancak kuantum parçacıklarının sayısı arttıkça, sayısal tanımlardan özellikleri çıkarmak veya tahminlerde bulunmak zorlaşır Genelde kuantum dolanmasının basit karakterizasyonu önlemenin anahtarı olduğuna inanılır.
Kuantum mekaniğinin "hayalet" kuralı, bir kuantum parçacığının kesin konumunun gerçek zamanlı olarak bilinemeyeceği anlamına gelir. Birçok kuantum parçacığı aynı zamanda "spin" denen özelliğe sahiptir. Spin sayısı, bu tür 100 parçacıktan oluşan bir grubun, neredeyse bir milyon trilyon trilyon olduğunu belirtir. Yapay sinir ağının devreye girdiği yer burasıdır. Go kurallarını öğrendikten sonra, sinir ağı oyunu kazanmak için en iyi stratejiyi bulabilir.Bu yöntem kuantum sistemlere uygulanabilir mi?
Daha önce yayınlanan makalede, Carleo ve Troyer, kuantum çok gövdeli bir sistemin dalga fonksiyonunu karakterize etmek için yapay sinir ağlarını kullandı ve sinir ağının sistemin temel durumunun (veya mekaniğinin) ne olduğunu "öğrenmesine" izin verdi. Yöntemlerinin mevcut son teknoloji sayısal simülasyon yöntemlerinden daha iyi performans gösterdiği ortaya çıktı.
Masa oyunları hayranı olarak Deng Dongling, bu makalenin değerini hemen fark etti: "Dolayısıyla tüm enerjimizi ve zamanımızı bu konunun araştırmasına harcıyoruz."
Gerçek parçacıkların grup karakterizasyonu ve kuantum sistemlerinin etkileşimleri
Deng Dongling ve diğerlerinin yaptığı çalışmanın özel özelliklerinden biri, kuantum sisteminin sinir ağındaki iki farklı nöron dizisi ile karakterize edilmiş olmasıdır.
İlk grup, gerçek kuantum parçacıklarını temsil eden görünür nöronlar olarak adlandırılır. Parçacıklar arasındaki etkileşimi temsil etmek için, araştırmacılar ikinci bir nöron seti kullandılar - gizli nöronlar ve bağlı görünür nöronlar. Bu bağlantılar, gerçek parçacıklar arasındaki fiziksel etkileşimleri temsil eder.Bağlantıların sayısı nispeten küçük kaldığı sürece, sinir ağının kuantum sistemlerini nitelendirmesi basit kalabilir.
Makalenin yazarı Sankar Das Sarma şunları söyledi: "Bu araştırma, yalnızca oldukça karmaşık kuantum durumlarını temsil etmenin etkili bir yolunu sağladığı için benzersiz değil, aynı zamanda model aynı zamanda çok sayıda dolaşıklığa sahip olanlar da dahil olmak üzere çeşitli ilginç kuantum durumlarının kapsamlı temsillerini oluşturabilir. Kuantum durumları. Bu, kuantum çok-cisim problemlerinin karmaşık ve dolu etkileşimlerine doğru çözümler sağlamak için makine öğrenimi araçlarını kullanmanın yeni bir yoludur. "
Dr. Deng, "Elbette sinir ağlarının da sınırlamaları vardır ve etkili bir genel temsil sağlayamazlar." Dedi. Bununla birlikte, araştırma hala kuantum dolanıklığını anlama şeklimizi önemli ölçüde geliştiriyor. Makalenin dediği gibi: "Araştırma sonuçlarımız, ne kadar dolaşıklığa sahip olurlarsa olsunlar, yapay sinir ağlarının kuantum çok-cisim durumlarını karakterize etme konusunda benzersiz bir yeteneğe sahip olduğunu ortaya koyuyor, bu da makine öğrenimi teknolojisi ile kuantum yoğun madde fiziği problemlerini çözmek arasında bir köprü kuruyor. . "
Öz
Günümüzün en hızlı büyüyen disiplinler arası ana dal olan makine öğrenimi, kuantum dolaşıklığındaki karmaşık çoklu cisim problemlerini çözmek için eşi görülmemiş bir potansiyele sahiptir.
Temsili yapay sinir ağlarının fiziksel durumunu anlamak, son zamanlarda kuantum çok-vücut fiziğinde makine öğrenimi teknolojisinin uygulanmasında acil bir arzu haline geldi.
Bu yazıda, kuantum dolanıklığının özelliklerini öğrenerek katı Boltzmann makinesi (sınırlı Boltzmann makinesi) mimarisine odaklanıyoruz ve sinir ağındaki fiziksel özellikleri kodlayan bölgenin veri yapısını inceliyoruz.
Bu araştırma, tüm kısa mesafeli RBM bölgelerinin dolaşıklık entropisinin, herhangi bir boyut ve bifraktal geometrinin alan yasasını karşıladığını kanıtlıyor. Uzaktan RBM için, kesin bir yapı kullanarak, böyle bir bölgenin hacim kanunu dolanmasını gösterebileceğini kanıtladık, bu da RBM'nin çok sayıda dolanmada kuantum durumlarını açıkça temsil etme yeteneğine sahip olduğu anlamına gelir.
Şaşırtıcı bir şekilde, bu durumları temsil etmek için sinir ağlarını kullanmanın etkisinden bahsetmeye değer.Özellikle, sıfır olmayan parametrelerin sayısı yalnızca sistemin boyutu ile genişleyecektir.
Araştırmacılar, RBM'deki ağırlık parametrelerini rastgele örnekleyerek, genel RBM durumunda dolanma özelliklerini daha da test ettiler. Çalışma, ortalama dolanma entropisinin hacim yasasının genişlemesine uyduğunu, ancak tamamen rastgele saf durum sayfası entropisinden büyük ölçüde saptığını buldu.
Deneyler, dolaşıklık spektrumlarının rastgele matris teorisiyle ilişkili genel bir parçaya sahip olmadığını ve Poisson tipi istatistiklere sahip olduğunu göstermektedir. Araştırmacılar, pekiştirmeli öğrenmeyi kullanarak, RBM'nin model Hamiltonian'ın temel durumunu (güç yasası ile karışmış) uzun mesafeli etkileşimle bulabileceğini kanıtladılar. Ek olarak, RBM temsilinin, tek boyutlu simetrik korumanın topolojik kümelenme durumunun belirli örnekleri aracılığıyla dolaşma spektrumunu analiz etmek ve hesaplamak için bir araç olarak da kullanılabileceğini gösteriyorlar.
Araştırma sonuçları, yapay sinir ağlarının kuantum çok-cisim durumlarını (ne kadar dolaşıklığa sahip olurlarsa olsunlar) temsil etme konusundaki benzersiz yeteneğini ortaya koyuyor; bu, bilgisayar bilimi makine öğrenimi tekniklerini kuantum yoğun madde fiziğine entegre etmek için yeni bir yol sağlıyor.
