Maskininlärning, fältet som driver en revolution inom artificiell intelligens, har cementerat sin roll inom modern teknik. Dess verktyg och tekniker har lett till snabba förbättringar i allt från självkörande bilar och taligenkänning till digital behärskning av ett gammalt brädspel.

Nu, fysiker börjar använda maskininlärningsverktyg för att hantera ett annat slags problem, en i hjärtat av kvantfysiken. I ett papper publicerat nyligen i Fysisk granskning X , forskare från JQI och Condensed Matter Theory Center (CMTC) vid University of Maryland visade att vissa neurala nätverk - abstrakta banor som överför information från nod till nod som neuroner i hjärnan - kan kortfattat beskriva breda delar av kvantsystem.

Dongling Deng, en JQI -postdoktor som är medlem i CMTC och tidningens första författare, säger att forskare som använder datorer för att studera kvantsystem kan dra nytta av de enkla beskrivningar som neurala nätverk ger. "Om vi ​​numeriskt vill hantera ett kvantproblem, "Deng säger, "Vi måste först hitta en effektiv representation."

På papper och, mer viktigt, på datorer, fysiker har många sätt att representera kvantsystem. Vanligtvis omfattar dessa representationer listor med siffror som beskriver sannolikheten för att ett system kommer att hittas i olika kvanttillstånd. Men det blir svårt att extrahera egenskaper eller förutsägelser från en digital beskrivning när antalet kvantpartiklar växer, och den rådande visdomen har varit att trassel - en exotisk kvantförbindelse mellan partiklar - spelar en nyckelroll för att motverka enkla representationer.

De neurala nätverk som används av Deng och hans medarbetare - CMTC -chef och JQI -stipendiat Sankar Das Sarma och fysiker vid Fudan -universitetet och tidigare JQI -postdoktor Xiaopeng Li - kan effektivt representera kvantsystem som rymmer massor av trassel, en överraskande förbättring jämfört med tidigare metoder.

Vad mer, de nya resultaten går utöver ren representation. "Denna forskning är unik genom att den inte bara ger en effektiv representation av mycket intrasslade kvanttillstånd, "Säger Das Sarma." Det är ett nytt sätt att lösa svårigheter, interagerande kvant-många-kroppsproblem som använder maskininlärningsverktyg för att hitta exakta lösningar. "

Neurala nätverk och deras medföljande inlärningstekniker drivs av AlphaGo, datorprogrammet som slog några av världens bästa Go -spelare förra året (och toppspelaren i år). Nyheten upphetsade Deng, ett ivrigt fan av brädspelet. Förra året, ungefär samtidigt som AlphaGos triumfer, ett papper dök upp som introducerade tanken på att använda neurala nätverk för att representera kvanttillstånd, även om det inte gav någon indikation på exakt hur stor verktygets räckvidd kan vara. "Vi insåg genast att detta borde vara ett mycket viktigt papper, "Deng säger, "så vi lägger all vår energi och tid på att studera problemet mer."

Resultatet blev en mer fullständig redogörelse för förmågan hos vissa neurala nätverk att representera kvanttillstånd. Särskilt, laget studerade neurala nätverk som använder två olika grupper av neuroner. Den första gruppen, kallade de synliga neuronerna, representerar verkliga kvantpartiklar, som atomer i ett optiskt gitter eller joner i en kedja. För att redogöra för interaktioner mellan partiklar, forskarna använde en andra grupp av neuroner - de dolda neuronerna - som kopplar ihop med synliga neuroner. Dessa länkar fångar de fysiska interaktionerna mellan riktiga partiklar, och så länge antalet anslutningar förblir relativt litet, beskrivningen av neurala nätverk förblir enkel.

Att ange ett tal för varje anslutning och matematiskt glömma de dolda neuronerna kan ge en kompakt representation av många intressanta kvanttillstånd, inklusive stater med topologiska egenskaper och några med överraskande mängder av trassel.

Utöver dess potential som ett verktyg i numeriska simuleringar, den nya ramen tillät Deng och medarbetare att bevisa några matematiska fakta om familjerna till kvanttillstånd representerade av neurala nätverk. Till exempel, neurala nätverk med endast kortdistansinteraktioner-de där varje dold neuron bara är ansluten till ett litet kluster av synliga neuroner-har en strikt gräns för deras totala sammanfiltring. Detta tekniska resultat, känd som områdelag, är en forskningsverksamhet för många kondenserade fysiker.

Dessa neurala nätverk kan inte fånga allt, fastän. "De är en mycket begränsad regim, "Deng säger, tillägger att de inte erbjuder en effektiv universell representation. Om de gjorde det, de kan användas för att simulera en kvantdator med en vanlig dator, något fysiker och datavetenskapare tycker är mycket osannolikt. Fortfarande, samlingen av stater som de representerar effektivt, och överlappningen av den samlingen med andra representationsmetoder, är ett öppet problem som Deng säger är moget för vidare undersökning.