科学家们训练了一种机器学习工具来捕捉电子在晶格上运动的物理现象，所使用的方程比通常所需的少得多，所有这些都没有牺牲准确性。到目前为止，一个令人生畏的量子问题需要10万个方程，而物理学家使用人工智能将其压缩到只有4个方程的小任务中。所有这些都是在不牺牲精度的情况下完成的。
这项工作可能会彻底改变科学家研究包含许多相互作用的电子的系统的方式。此外，如果可以扩展到其他问题，该方法有可能帮助设计具有极其宝贵特性的材料，如超导性或用于清洁能源发电。
这项研究是由Flatiron研究所的研究人员和他们的同事进行的，发表在9月23日的《物理评论快报》上。
"我们从所有这些耦合在一起的微分方程这个巨大的物体开始；然后我们用机器学习把它变成一个小到你可以用手指计算的算式，"研究的主要作者DomenicoDiSante说。他是意大利博洛尼亚大学的助理教授，也是纽约市Flatiron研究所计算量子物理中心（CCQ）的访问研究员。
这个具有挑战性的量子问题涉及电子在网格状格子上移动时的行为。当两个电子占据相同的晶格位置时，它们会相互作用。这个模型被称为哈伯德模型，是几类重要材料的理想化，使科学家能够了解电子的行为如何产生非常受欢迎的物质阶段，包括超导性，即电子在材料中无阻力流动。该模型还可以作为新方法在更复杂的量子系统中释放之前的试验场。
然而，哈伯德模型是具有欺骗性的简单。即使是数量不多的电子和最先进的计算方法，这个问题也需要大量的计算能力。这是因为当电子相互作用时，它们会变成量子力学上的纠缠。这意味着，即使它们在不同的晶格点上相距甚远，这两个电子也不能被单独处理。因此，物理学家需要一次处理所有的电子，而不是一次处理一个。随着电子的增多，更多的纠缠出现了，使得这个艰巨的计算挑战成倍地困难。
研究量子系统的一种方法是通过使用所谓的重正化组。这是物理学家用来研究当研究人员修改温度等属性或在不同尺度上观察属性时系统的行为，如哈伯德模型--如何发生变化的一种数学仪器。不幸的是，一个保持跟踪电子之间所有可能的耦合且不牺牲任何东西的重正化组可能包含数万、数十万甚至数百万个需要解决的单独方程。除此之外，这些方程还相当棘手：每个方程都代表一对电子的互动。
DiSante和他的同事们想知道他们是否可以使用一种被称为神经网络的机器学习工具来使重正化组更易于管理。神经网络就像一个疯狂的总机操作员和适者生存的进化之间的交叉。首先，机器学习程序在全尺寸重正化组内创建连接。然后，神经网络调整这些连接的强度，直到它找到一个小的方程组，产生与原始的、大尺寸的重正化组相同的解决方案。该程序的输出捕获了哈伯德模型的物理学，即使只有四个方程。
DiSante说："它本质上是一台有能力发现隐藏模式的机器。当我们看到这个结果时，我们说，'哇，这比我们预期的要多'。我们真的能够捕捉到相关的物理学。"
训练机器学习程序需要相当大的计算能力，该程序运行了整整几个星期。好消息是，现在他们的程序得到了优化，处理其他问题后不必从头开始。
最终，最大的开放性问题是新方法在更复杂的量子系统中的效果如何，这种技术在处理重正化组的其他领域时又令人兴奋的可能性，如宇宙学和神经科学。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】