Kredit:CC0 Public Domain
Det har varit mycket surr om kvantdatorer och av goda skäl. De futuristiska datorerna är designade för att efterlikna vad som händer i naturen i mikroskopiska skalor, vilket innebär att de har kraften att bättre förstå kvantvärlden och påskynda upptäckten av nya material, inklusive läkemedel, miljövänliga kemikalier och mer. Men experter säger att livskraftiga kvantdatorer fortfarande är ett decennium bort eller mer. Vad ska forskarna göra under tiden?
En ny Caltech-ledd studie i tidskriften Science beskriver hur verktyg för maskininlärning, som körs på klassiska datorer, kan användas för att göra förutsägelser om kvantsystem och därmed hjälpa forskare att lösa några av de knepigaste fysik- och kemiproblemen. Även om denna uppfattning har visats experimentellt tidigare, är den nya rapporten den första som matematiskt bevisar att metoden fungerar.
"Kvantdatorer är idealiska för många typer av fysik- och materialvetenskapliga problem", säger huvudförfattaren Hsin-Yuan (Robert) Huang, en doktorand som arbetar med John Preskill, Richard P. Feynman professor i teoretisk fysik och Allen V. C. Davis och Lenabelle Davis Ledarskapsordförande för Institutet för kvantvetenskap och teknologi (IQIM). "Men vi är inte riktigt där än och har blivit förvånade över att lära oss att klassiska maskininlärningsmetoder kan användas under tiden. I slutändan handlar det här dokumentet om att visa vad människor kan lära sig om den fysiska världen."
På mikroskopiska nivåer blir den fysiska världen en otroligt komplex plats som styrs av kvantfysikens lagar. I detta rike kan partiklar existera i en överlagring av tillstånd, eller i två tillstånd samtidigt. Och en överlagring av tillstånd kan leda till intrassling, ett fenomen där partiklar är länkade, eller korrelerade, utan att ens vara i kontakt med varandra. Dessa konstiga tillstånd och samband, som är utbredda inom naturliga och mänskliga material, är mycket svåra att beskriva matematiskt.
"Att förutsäga lågenergitillståndet för ett material är mycket svårt", säger Huang. "Det finns ett enormt antal atomer, och de är överlagrade och intrasslade. Du kan inte skriva ner en ekvation för att beskriva allt."
Den nya studien är den första matematiska demonstrationen av att klassisk maskininlärning kan användas för att överbrygga klyftan mellan oss och kvantvärlden. Maskininlärning är en typ av datorapplikation som efterliknar den mänskliga hjärnan för att lära av data.
"Vi är klassiska varelser som lever i en kvantvärld", säger Preskill. "Våra hjärnor och våra datorer är klassiska, och detta begränsar vår förmåga att interagera med och förstå kvantverkligheten."
Medan tidigare studier har visat att maskininlärningsapplikationer har förmågan att lösa vissa kvantproblem, fungerar dessa metoder vanligtvis på sätt som gör det svårt för forskare att lära sig hur maskinerna kom fram till sina lösningar.
"Normalt när det gäller maskininlärning vet man inte hur maskinen löste problemet. Det är en svart låda", säger Huang. "Men nu har vi i princip räknat ut vad som händer i lådan genom våra numeriska simuleringar." Huang och hans kollegor gjorde omfattande numeriska simuleringar i samarbete med AWS Center for Quantum Computing vid Caltech, vilket bekräftade deras teoretiska resultat.
Den nya studien kommer att hjälpa forskare att bättre förstå och klassificera komplexa och exotiska faser av kvantmateria.
"Oron var att människor som skapar nya kvanttillstånd i labbet kanske inte kan förstå dem," förklarar Preskill. "Men nu kan vi få rimliga klassiska data för att förklara vad som händer. De klassiska maskinerna ger oss inte bara ett svar som ett orakel utan vägleder oss mot en djupare förståelse."
Medförfattare Victor V. Albert, en NIST-fysiker (National Institute of Standards and Technology) och tidigare DuBridge Prize-postdoktor vid Caltech, håller med. "Den del som upphetsar mig mest med det här arbetet är att vi nu är närmare ett verktyg som hjälper dig att förstå den underliggande fasen av ett kvanttillstånd utan att du behöver veta så mycket om det tillståndet i förväg."
I slutändan kommer naturligtvis framtida kvantbaserade maskininlärningsverktyg att överträffa klassiska metoder, säger forskarna. I en relaterad studie som publicerades den 10 juni 2022 i Science , Huang, Preskill och deras medarbetare rapporterar att de använder Googles Sycamore-processor, en rudimentär kvantdator, för att visa att kvantmaskininlärning är överlägsen klassiska metoder.
"Vi är fortfarande i början av detta område", säger Huang. "Men vi vet att kvantmaskininlärning så småningom kommer att bli den mest effektiva."
Vetenskapen studien har titeln "Provably efficient machine learning for quantum many-body problems." + Utforska vidare
