Οι φυσικοί αποδεικνύουν ότι τα κλασικά μοντέλα μηχανικής μάθησης μπορούν να βελτιώσουν τις προβλέψεις για τα κβαντικά υλικά
Πολύς θόρυβος έχει γίνει για τους κβαντικούς υπολογιστές, και όχι αναίτια. Οι φουτουριστικοί αυτοί υπολογιστές έχουν σχεδιαστεί για να μιμούνται αυτά που συμβαίνουν στη φύση σε μικροσκοπική κλίμακα, που σημαίνει ότι μπορούν να κατανοήσουν καλύτερα το κβαντικό βασίλειο και να επιταχύνουν την ανακάλυψη νέων υλικών, όπως νέων φαρμάκων, χημικών ουσιών που είναι φιλικές προς το περιβάλλον και άλλων πολλών. Ωστόσο, οι ειδικοί λένε πως απέχουμε μια δεκαετία ή και περισσότερο από την δημιουργία βιώσιμων κβαντικών υπολογιστών. Τι μπορούν να κάνουν οι ερευνητές στο μεταξύ;
Μία νέα μελέτη, δημοσιευμένη στο περιοδικό Science, περιγράφει πώς μπορούν να χρησιμοποιηθούν τα εργαλεία μηχανικής μάθησης που τρέχουν σε κλασικούς υπολογιστές, για προβλέψεις σχετικά με κβαντικά συστήματα, βοηθώντας έτσι τους ερευνητές να λύσουν μερικά από τα πιο δύσκολα προβλήματα της φυσικής και της χημείας. Παρά το ότι αυτό έχει ήδη προταθεί στο παρελθόν, η εργασία αυτή είναι η πρώτη που αποδεικνύει μαθηματικά ότι η μέθοδος λειτουργεί για προβλήματα που κανένας παραδοσιακός αλγόριθμος δεν θα μπορούσε να λύσει.
«Οι κβαντικοί υπολογιστές είναι ιδανικοί για πολλούς τύπους προβλημάτων της φυσικής και της επιστήμης υλικών», λέει ο κύριος συγγραφέας της εργασίας Hsin-Yuan (Robert) Huang, μεταπτυχιακός φοιτητής, ο οποίος συνεργάζεται με τον John Preskill, καθηγητή Θεωρητικής Φυσικής στο California Institute of Technology (Caltech). «Όμως δεν έχουμε φτάσει ακόμη εκεί και -με έκπληξη- είδαμε ότι στο μεταξύ μπορούν να χρησιμοποιηθούν οι κλασικές μέθοδοι μηχανικής μάθησης.»
Σε μικροσκοπικό επίπεδό, ο φυσικός κόσμος γίνεται ένα απίστευτα πολύπλοκο μέρος που κυβερνάται από τους νόμους της κβαντικής φυσικής. Σε αυτόν τον κόσμο, τα σωματίδια μπορούν να βρίσκονται σε υπέρθεση καταστάσεων, δηλαδή σε δύο καταστάσεις ταυτόχρονα. Και η υπέρθεση καταστάσεων μπορεί να οδηγήσει σε κβαντική διεμπλοκή, ένα φαινόμενο όπου τα σωματίδια συνδέονται, ή συσχετίζονται, χωρίς καν να έρχονται σε επαφή μεταξύ τους. Αυτές οι παράξενες καταστάσεις και συνδέσεις -οι οποίες είναι ευρέως διαδεδομένες στα υλικά, είτε φυσικά είτε ανθρωπογενή- είναι δύσκολο να περγραφούν μαθηματικά.
«Η πρόβλεψη της κατάστασης χαμηλής ενέργειας ενός υλικού είναι πολύ δύσκολη», λέει ο Huang. «Υπάρχουν τεράστιοι αριθμοί ατόμων, τα οποία βρίσκονται σε καταστάσεις υπέρθεσης και διεμπλοκής. Δεν μπορούμε να γράψουμε μια εξίσωση που να τα περιγράφει όλα.»
Η νέα μελέτη αποτελεί την πρώτη μαθηματική απόδειξη του ότι η κλασική μηχανική μάθηση μπορεί να χρησιμοποιηθεί για να γεφυρώσει το χάσμα μεταξύ ημών και του κβαντικού κόσμου. Η μηχανική μάθηση είναι ένας τύπος λογισμικού που μιμείται τον ανθρώπινο εγκέφαλο για να μάθει από τα δεδομένα.
«Είμαστε κλασικά όντα που ζούμε σε έναν κβαντικό κόσμο», λέει ο Preskill. «Ο εγκέφαλός μας και οι υπολογιστές μας είναι κλασικοί και αυτό περιορίζει την ικανότητά μας να αλληλεπιδάσουμε με την κβαντική πραγματικότητα και να την κατανοήσουμε».
Και ενώ προηγούμενες μελέτες έχουν δείξει ότι τα μοντέλα μηχανικής μάθησης έχουν την ικανότητα να λύνουν ορισμένα κβαντικά προβλήματα, αυτές οι μέθοδοι συνήθως λειτουργούν με τρόπους που δυσκολεύουν τους ερευνητές να μάθουν το πώς έφτασαν οι μηχανές σε αυτές τις λύσεις.
«Όσον αφορά στη μηχανική μάθηση, δεν γνωρίζεις το πώς έλυσε το πρόβλημα η μηχανή. Είναι ένα μαύρο κουτί», λέει ο Huang. «Τώρα, όμως, μέσω της μαθηματικής μας ανάλυσης και των αριθμητικών μας προσομοιώσεων, ουσιαστικά καταλάβαμε τι συμβαίνει στο κουτί». Ο Huang και οι συνεργάτες του εκτέλεσαν, σε συνεργασία με το AWS Center for Quantum Computing στο Caltech, εκτενείς αριθμητικές προσομοιώσεις, οι οποίες επιβεβαίωσαν τα θεωρητικά τους αποτελέσματα.
Η νέα μελέτη θα βοηθήσει τους επιστήμονες να κατανοήσουν καλύτερα και να ταξινομήσουν πολύπλοκες και εξωτικές φάσεις της κβαντικής ύλης.
«Η ανησυχία μας ήταν ότι οι άνθρωποι που θα δημιουργούσαν νέες κβαντικές καταστάσεις στο εργαστήριο μπορεί να μην ήταν σε θέση να τις κατανοήσουν», εξηγεί ο Preskill. «Όμως τώρα μπορούμε να λάβουμε λογικά κλασικά δεδομένα, για να εξηγήσουν το τι συμβαίνει. Οι κλασικές μηχανές δεν παρέχουν απλώς μια απάντηση -όπως ένας μάντης- αλλά μας καθοδηγούν προς μια βαθύτερη κατανόηση.»
Ο συν-συγγραφέας Victor V. Albert, φυσικός στο National Institute of Standards and Technology (NIST) και πρώην μεταδιδακτορικός συνεργάτης στο Caltech, συμφωνεί: «Το μέρος της εργασίας που με ενθουσιάζει περισσότερο είναι ότι τώρα είμαστε πιο κοντά σε ένα εργαλείο που βοηθά στην κατανόηση της υποκείμενης φάσης μιας κβαντικής κατάστασης, χωρίς να απαιτείται να γνωρίζουμε εκ των προτέρων πολλά για την κατάσταση αυτή.»
Στο τέλος, βέβαια -λένε οι επιστήμονες- τα μελλοντικά εργαλεία μηχανικής μάθησης των κβαντικών μηχανών θα ξεπεράσουν τις κλασσικές μεθόδους. Οι Huang, Preskill και οι συνεργάτες τους, σε μια σχετική μελέτη που δημοσιεύτηκε τον Ιούνιο Ιουνίου 2022 στο Science, χρησιμοποιώντας τον επεξεργαστή Sycamore της Google (έναν υποτυπώδη κβαντικό υπολογιστή) έδειξαν ότι η κβαντική μηχανική μάθηση είναι ανώτερη από τις κλασικές προσεγγίσεις.
«Είμαστε ακόμα στην αρχή αυτού του τομέα», λέει ο Huang. «Γνωρίζουμε όμως ότι η κβαντική μηχανική μάθηση θα γίνει, τελικά, η πιο αποτελεσματική».
Παραπομπές: Hsin-Yuan Huang et al, Provably efficient machine learning for quantum many-body problems, Science (2022)
Πηγή: https://www.caltech.edu/