Makine öğrenimi, yoğun madde fiziği araştırmalarına yardımcı olur: kuantum hesaplama için yeni umutları gerçekleştirme
Kablolu, Doğa Fiziği vb. Arasından seçilir.
Bu makale makinenin kalbi tarafından derlenmiştir.
Katılım: Wei Fat, Li Yazhou
Nature Physics'te yayınlanan iki çalışma, makine öğrenme algoritmalarının yoğunlaştırılmış maddenin faz geçişlerini belirlemede önemli bir rol oynayabileceğini ve ayrıca kuantum bilgisayar araştırmalarına yeni bir şafak getirdiğini doğruladı.
Buzdolabına bir tepsi su koyun, geçici olarak sıvı görünür. Daha sonra su molekülleri küçük altıgenler halinde birikerek buz oluşturur. Ultra soğuk sıvı nitrojeni itriyum baryum bakır oksit gofret üzerine dökün ve bileşikten geçen akım, boğazdan bira içen üniversite öğrencilerinden daha az engelleyici olacaktır. Bu, bir süperiletkene sahip olduğunuz anlamına gelir.
Maddenin özelliklerindeki bu hızlı değişime faz geçişi denir ve fizikçiler tarafından sevilir. Tıpkı Dr. Jekyll'in anında Bay Hyde olması gibi (Stevenson'un "Dr. Incarnation" adlı kitabındaki bir karakter, ikincisi, eski makine kalp notasının alternatif kişiliğidir). Dürüst Dr. Jekyll'in dönüşümü için gizli tarifi bulabilirseniz, fizikçiler onun nasıl kötülüğe dönüştüğünü anlayabilir veya daha fazla Bay Hyde yaratabilir.
İnsan fizikçileri, faz değişikliklerini görebilen sinirsel ıslaklığa (insan beyni) asla sahip olmayabilir, ancak şimdi bilgisayarlar bunu yapabilir. Yakın zamanda Nature Physics'te yayınlanan iki makalede, Perimeter Institute ve ETH Zurich'ten iki ekip, yalnızca yüzlerce atomun anlık görüntülerini gözlemlemek için bir sinir ağı eğitmenin yapabileceğini belirtti. İçinde bulundukları maddenin aşamasını bilin.
Kanada gazetesinin yazarlarından Roger Melko
Çalışma prensibi Facebook'un otomatik etiketlerine çok benzer. Bir fizikçi ve Kanada gazetesinin ortak yazarı Juan Carrasquilla, "Facebook'un bu teknolojiyi görüntü tanıma için kullanma amacını değiştirdik" dedi. Şu anda kuantum hesaplama şirketi D-Wave'de çalışıyor. Ortak makalenin diğer bir işbirlikçisi, Waterloo Üniversitesi'nde doçent ve Circle of Theoretical Physics of the Circle'da araştırmacı olan Roger Melko, açık kaynak makine öğrenimi yazılım kütüphanesi TensorFlow'a geçtiklerini ve bunu fiziksel sistem araştırmalarına uyguladıklarını söyledi.
Elbette yüz tanıma, suyun buza dönüşmesi ve Dr. Jekyll'in Hydes'e dönüşmesi bu bilim adamlarının hedefi değil. Bazı malzemelerin neden mutlak sıfıra sonsuz derecede yakın süper iletkenler haline geldiği ve bazı malzemelerin faz geçişinden sonra eksi 150 santigrat derecenin biraz altında olduğu gibi, potansiyel ticari uygulamalara sahip saçak fenomenleri anlamak için yapay zeka kullanmak istiyorlar. Zurich gazetesinin işbirlikçisi Sebastian Huber, "Yüksek sıcaklık süperiletkenleri bilim ve teknolojiye yardımcı olabilir ve biz bunları çok az anlıyoruz" dedi.
Ayrıca, kuantum parçacıklarının normalden daha tuhaf davrandığı tuhaf faz (madde), yani topolojik durum hakkındaki anlayışlarını geliştirmek istiyorlar. (Topolojik kuantum faz geçişini keşfeden fizikçi 2016 Nobel Ödülü'nü kazandı). Fotonlar veya atomlar gibi kuantum parçacıklarının fiziksel durumlarını değiştirmeleri nispeten kolaydır, ancak topolojik durum daha katıdır. Bu, Microsoft'un kuantum bilgisayarlarının belleği gibi kuantum bilgisayarlar oluşturmak için kullanılabilecekleri anlamına gelir.
Bu araştırma sadece aşamaları belirlemek değil, geçişleri anlamak içindir. Kanadalı araştırma ekibi bilgisayarı, faz değişiminin meydana geldiği sıcaklığı% 0,3 doğrulukla bulması için eğitti. İsviçreli araştırma ekibi daha kurnaz bir numara gösterdi çünkü sinir ağlarının bunları önceden eğitmek zorunda kalmadan anlamasını sağlayabilirler. Genellikle makine öğreniminde, makine öğrenimi için bir hedef belirlersiniz: bir köpeğin neye benzediğini öğrenin. Huber, "Ağı 100.000 resimle eğitin," dedi. "Resimde bir köpek var. İstediğiniz zaman söyleyebilirsiniz. Olmazsa, ağa söyleyebilirsiniz."
Bununla birlikte, fizikçiler ağa bir faz geçişinin ne olduğunu söylemenin bir yolu yok: ağa yalnızca bir parçacıklar koleksiyonunu gösterebilirler. Bilgisayarın her aşamayı tanımayı öğrenmesi için yeterince farklı aşama vardır. Huber, bu düzeydeki yeni becerilerin sonunda sinir ağlarının tamamen yeni aşamalar keşfetmesine izin vereceğini düşünüyor.
Bu yeni araştırma sonuçları fildişi kulede bitmiyor. İnsanlar daha güçlü, daha ucuz ama daha iyi malzemeler arıyor, bu nedenle araştırmacılar bir süredir makine öğrenimini kullanıyorlar. 2004 yılında, NASA ve GE'yi içeren bilimsel bir araştırma işbirliği, uçak motoru üretiminde kullanılabilecek dayanıklı bir alaşım geliştirmek için sinir ağı simülasyon materyallerini kullandı. Dahası, makine öğrenimi, belirli bir malzemenin özelliklerini bir süper bilgisayarda simüle etmekten çok daha hızlıdır.
Gerçek dünya ile karşılaştırıldığında, fizikçiler tarafından incelenen faz geçiş simülasyonları hala nispeten basittir. Bu deneysel materyallerin nihayet yeni cihazlar haline gelmesinden önce, fizikçilerin hala sinir ağlarının bir seferde 10 ^ 23 parçacığı çözmesini sağlamaya ihtiyacı var - sadece birkaç yüz parçacığı değil. Bununla birlikte, Carrasquilla, bir faz değişikliği bulup bulamayacağını görmek için sinir ağına gerçek deneysel verileri göstermeyi umuyor. Gelecekteki bilgisayarlar sadece fotoğraflarda büyükannenin yüzünü işaretlemek için değil, aynı zamanda yeni büyülü malzemeleri keşfetmek için de yeterince akıllı olabilir.
-
İlk makalenin başlığı: Maddenin makine öğrenimi aşamaları (maddenin makine öğrenimi aşamaları)
Yazar: Juan Carrasquilla, Roger G. Melko
Özet: Yoğun madde fiziği, sonsuz karmaşık bir elektron, çekirdek, manyetik moment, atom veya kübit koleksiyonunun kolektif davranışını inceler. Bu karmaşıklık, insanlara makine öğreniminde yaygın olarak karşılaşılan "boyutluluk laneti" ni hatırlatan parçacık sayısıyla üssel olarak artan durum uzayının boyutuna yansır. Bununla birlikte, makine öğrenimi topluluğu, karmaşık veri kümelerinden özellikleri tanımlamak, sınıflandırmak ve çıkarmak için güçlü teknikler geliştirmiştir. Bu araştırmada, modern makine öğrenimi mimarilerinin (tam bağlantılı ve evrişimli sinir ağları gibi) çeşitli yoğun Hamilton niceliklerinde fazları ve faz geçişlerini tanımlayabildiğini gösteriyoruz. Modern yazılım kütüphaneleri sinir ağı programlamayı kolaylaştırır.Araştırmacılar, çok sayıda sıralı parametre türünü ve geleneksel sırayla önemsiz olmayan durumları tanımak için sinir ağlarını eğitebilir. Monte Carlo ilkel durumlardan kullanılabilir. Yapılandırmada örnekleme.
Şekil 1. Makine öğrenimi ferromanyetik Ising modeli (ferromanyetik Ising modeli)
Şekil 2. Kare buz ve Ising gösterge modellerinin tipik konfigürasyonları (Kare buz ve Ising gösterge modellerinin tipik konfigürasyonları)
Şekil 3. Ising gösterge teorisinde logaritmik geçiş sıcaklıklarını algılama
-
İkinci makale başlığı: Karışıklık yoluyla öğrenme aşaması geçişleri
Yazar: Evert P. L. van Nieuwenburg, Ye-Hua Liu, Sebastian D. Huber
Özet: Fazların (maddelerin) sınıflandırılması, fizikteki birçok sorunu anlamamız için önemlidir. Özellikle kuantum mekanizma sistemleri için, bu görev katlanarak büyük Hilbert uzayından dolayı genellikle göz korkutucudur. Günümüzün bilgi işlem gücü ve büyük veri kümeleri sayesinde, sınıflandırma sorunları makine öğrenimi teknikleri kullanılarak çözülebilir. Bu yazıda, kasıtlı olarak yanlış etiketlenmiş veriler üzerinde eğitilmiş sinir ağlarının performansına dayanarak, faz geçişlerini bulmak için bir sinir ağı yöntemi öneriyoruz. Bu yöntemin başarısını Kitaev zincirindeki topolojik faz geçişinde, klasik Ising modelinde termal faz geçişinde ve düzensiz kuantum spin zincirindeki birçok cismin yerel niceliksel değişiminde gösteriyoruz. Yöntemimiz, sipariş parametrelerine, faz topolojisi bilgisine veya diğer faz geçiş uzmanlığına dayanmamaktadır. Bu nedenle, keşfedilmemiş faz geçişlerini belirlemek için evrensel araçların geliştirilmesinin yolunu açtı.
Şekil 1: Kitaev zincirinde topolojik faz geçişini öğrenme
Şekil 2: Sinir ağı
Şekil 3: Öğrenme Aşaması Geçişi
Şekil 4: Çok gövdeli yerel faz geçişini öğrenme
