Samma tekniker som används för att träna självkörande bilar och schackspelande datorer hjälper nu fysiker att utforska komplexiteten i kvantvärlden.

För första gången, fysiker har visat att maskininlärning kan rekonstruera ett kvantsystem baserat på relativt få experimentella mätningar. Denna metod gör det möjligt för forskare att noggrant undersöka system av partiklar exponentiellt snabbare än konventionella, brute-force-tekniker. Komplexa system som skulle kräva tusentals år att rekonstruera med tidigare metoder skulle kunna analyseras helt på några timmar.

Forskningen kommer att gynna utvecklingen av kvantdatorer och andra tillämpningar av kvantmekanik, forskarna rapporterar 26 februari in Naturfysik .

"Vi har visat att maskinintelligens kan fånga essensen i ett kvantsystem på ett kompakt sätt, " säger studiens medförfattare Giuseppe Carleo, en associerad forskare vid Center for Computational Quantum Physics vid Flatiron Institute i New York City. "Vi kan nu effektivt utöka experimentens möjligheter."

Carleo, som genomförde forskningen medan han var föreläsare vid ETH Zürich, inspirerades av AlphaGo. Detta datorprogram använde maskininlärning för att spela ut världsmästaren i det kinesiska brädspelet Go 2016. "AlphaGo var verkligen imponerande, " han säger, "så vi började fråga oss själva hur vi kunde använda dessa idéer i kvantfysik."

System av partiklar som elektroner kan existera i många olika konfigurationer, var och en med en viss sannolikhet att inträffa. Varje elektron, till exempel, kan snurra antingen uppåt eller nedåt, liknande att Schrödingers katt var antingen död eller levande i det berömda tankeexperimentet. I kvantområdet, oobserverade system existerar inte som något av dessa arrangemang. Istället, systemet kan tänkas vara i alla möjliga konfigurationer samtidigt.

Vid mätning, systemet kollapsar till en konfiguration, precis som Schrödingers katt antingen är död eller levande när du öppnar sin låda. Kvantmekanikens egenhet innebär att du aldrig kan observera hela komplexiteten hos ett system i ett enda experiment. Istället, experimentister utför samma mätningar om och om igen tills de kan bestämma tillståndet för hela systemet.

Den metoden fungerar bra för enkla system som endast innehåller några få partiklar. Men "det blir otäckt med många partiklar, " säger Carleo. När antalet partiklar ökar, komplexiteten skjuter i höjden. Om bara med tanke på att varje elektron kan antingen snurra upp eller ner, ett system med fem elektroner har 32 möjliga konfigurationer. Ett system med 100 elektroner har mer än 1 miljon biljoner biljoner.

Intrassling av partiklar komplicerar ytterligare saker. Genom kvantinvikling, oberoende partiklar sammanflätas och kan inte längre behandlas som rent separata enheter även när de är fysiskt separerade. Denna intrassling förändrar sannolikheten för olika konfigurationer.

Konventionella metoder, därför, är helt enkelt inte genomförbart för komplexa kvantsystem.

Giacomo Torlai från University of Waterloo och Perimeter Institute i Kanada, Carleo och kollegor kringgick dessa begränsningar genom att trycka på maskininlärningstekniker. Forskarna matade experimentella mätningar av ett kvantsystem till ett mjukvaruverktyg baserat på artificiella neurala nätverk. Programvaran lär sig med tiden och försöker efterlikna systemets beteende. När programvaran har fått i sig tillräckligt med data, det kan exakt rekonstruera hela kvantsystemet.

Forskarna testade mjukvaran med mock experimentella datamängder baserade på olika provkvantsystem. I dessa tester, mjukvaran överträffade vida konventionella metoder. För åtta elektroner, var och en med snurr upp eller ner, mjukvaran kunde exakt rekonstruera systemet med endast cirka 100 mätningar. För jämförelse, en konventionell brute-force-metod krävde nästan 1 miljon mätningar för att nå samma noggrannhet. Den nya tekniken kan också hantera mycket större system. I tur och ordning, denna förmåga kan hjälpa forskare att bekräfta att en kvantdator är korrekt inställd och att kvantprogramvara körs som avsett, forskarna föreslår.

Att fånga essensen av komplexa kvantsystem med kompakta artificiella neurala nätverk har andra långtgående konsekvenser. Center for Computational Quantum Physics co-director Andrew Millis noterar att idéerna ger ett viktigt nytt tillvägagångssätt för centrets pågående utveckling av nya metoder för att förstå beteendet hos interagerande kvantsystem, och anslut till arbete med andra kvantfysikinspirerade metoder för maskininlärning.

Förutom tillämpningar på grundforskning, Carleo säger att de lärdomar som teamet fick när de blandade maskininlärning med idéer från kvantfysik också skulle kunna förbättra tillämpningar av artificiell intelligens för allmänna ändamål. "Vi kunde använda de metoder vi utvecklade här i andra sammanhang, "säger han." En dag kan vi ha en självkörande bil inspirerad av kvantmekanik, vem vet."