För vissa fenomen inom kvantfysik med många kroppar, flera konkurrerande teorier finns. Men vilken av dem beskriver ett kvantfenomen bäst? Ett team av forskare från Technical University of Munich (TUM) och Harvard University i USA har nu framgångsrikt implementerat artificiella neurala nätverk för bildanalys av kvantsystem.

Är det en hund eller en katt? En sådan klassificering är ett utmärkt exempel på maskininlärning:artificiella neurala nätverk kan tränas för att analysera bilder genom att leta efter mönster som är karakteristiska för specifika objekt. Förutsatt att systemet har lärt sig sådana mönster, den kan känna igen hundar eller katter på vilken bild som helst.

Med samma princip, neurala nätverk kan upptäcka förändringar i vävnad på radiologiska bilder. Fysiker använder nu metoden för att analysera bilder-så kallade ögonblicksbilder-av kvantmångkroppssystem och ta reda på vilken teori som beskriver de observerade fenomenen bäst.

Sannolikheternas kvantvärld

Flera fenomen inom kondensmaterialets fysik, som studerar fasta och vätskor, förbli inneslutna i mystik. Till exempel, hittills förblir det svårfångat varför det elektriska motståndet hos högtemperatur -superledare sjunker till noll vid temperaturer på cirka -200 grader Celsius.

Att förstå sådana extraordinära tillstånd i materia är utmanande:Kvantsimulatorer baserade på ultrakylda litiumatomer har utvecklats för att studera fysiken hos supraledare med hög temperatur. De tar ögonblicksbilder av kvantsystemet, som existerar samtidigt i olika konfigurationer - fysiker talar om en superposition. Varje ögonblicksbild av kvantsystemet ger en specifik konfiguration enligt dess kvantmekaniska sannolikhet.

För att förstå sådana kvantsystem, olika teoretiska modeller har utvecklats. Men hur väl speglar de verkligheten? Frågan kan besvaras genom att analysera bilddata.

Neurala nätverk undersöker kvantvärlden

För detta ändamål, ett forskargrupp vid tekniska universitetet i München och vid Harvard University har framgångsrikt använt maskininlärning:Forskarna utbildade ett artificiellt neuralt nätverk för att skilja mellan två konkurrerande teorier.

"Liknar upptäckten av katter eller hundar i bilder, bilder av konfigurationer från varje kvantteori matas in i det neurala nätverket, säger Annabelle Bohrdt, doktorand vid TUM. "Nätverksparametrarna optimeras sedan för att ge varje bild rätt etikett - i det här fallet, de är bara teori A eller teori B istället för katt eller hund. "

Efter utbildningsfasen med teoretiska data, det neurala nätverket var tvunget att tillämpa vad det hade lärt sig och tilldela ögonblicksbilder från kvantsimulatorerna till teori A eller B. Nätverket valde alltså den teori som är mer förutsägbar.

I framtiden planerar forskarna att använda denna nya metod för att bedöma riktigheten i flera teoretiska beskrivningar. Syftet är att förstå de huvudsakliga fysiska effekterna av högtemperatur supraledning, som har många viktiga tillämpningar, med förlustfri elektrisk kraftöverföring och effektiv magnetisk resonansavbildning bara två exempel.