Tradisjonelle datamaskiner kan løse noen kvanteproblemer


kvante

Kreditt: CC0 Public Domain

Det har vært mye buzz om kvantedatamaskiner og med god grunn. De futuristiske datamaskinene er designet for å etterligne det som skjer i naturen i mikroskopiske skalaer, noe som betyr at de har kraften til å bedre forstå kvanteriket og fremskynde oppdagelsen av nye materialer, inkludert legemidler, miljøvennlige kjemikalier og mer. Eksperter sier imidlertid at levedyktige kvantedatamaskiner fortsatt er et tiår unna eller mer. Hva skal forskerne gjøre i mellomtiden?

En ny Caltech-ledet studie i tidsskriftet Vitenskap beskriver hvordan maskinlæring verktøy, kjør på klassiske datamaskinerkan brukes til å lage spådommer om kvantesystemer og dermed hjelpe forskere med å løse noen av de vanskeligste fysikk- og kjemiproblemene. Mens denne forestillingen har blitt vist eksperimentelt før, er den nye rapporten den første som matematisk beviser at metoden fungerer.

“Kvantedatamaskiner er ideelle for mange typer fysikk- og materialvitenskapelige problemer,” sier hovedforfatter Hsin-Yuan (Robert) Huang, en doktorgradsstudent som jobber med John Preskill, Richard P. Feynman-professoren i teoretisk fysikk og Allen VC Davis og Lenabelle Davis Lederskapsleder for Institute for Quantum Science and Technology (IQIM). “Men vi er ikke helt der ennå og har blitt overrasket over å høre at klassiske maskinlæringsmetoder kan brukes i mellomtiden. Til syvende og sist handler denne artikkelen om å vise hva mennesker kan lære om den fysiske verden.”

På mikroskopiske nivåer blir den fysiske verden et utrolig komplekst sted styrt av kvantefysikkens lover. I dette riket kan partikler eksistere i en superposisjon av stater, eller i to stater samtidig. Og en superposisjon av stater kan føre til sammenfiltring, et fenomen der partikler er koblet sammen, eller korrelert, uten engang å være i kontakt med hverandre. Disse merkelige tilstandene og forbindelsene, som er utbredt innenfor naturlige og menneskeskapte materialer, er svært vanskelig å beskrive matematisk.

“Å forutsi lavenergitilstanden til et materiale er veldig vanskelig,” sier Huang. “Det er et stort antall atomer, og de er overlagret og sammenfiltret. Du kan ikke skrive ned en ligning for å beskrive det hele.”

Den nye studien er den første matematiske demonstrasjonen av at klassisk maskinlæring kan brukes til å bygge bro mellom oss og kvanteverdenen. Maskinlæring er en type dataapplikasjon som etterligner Menneskehjerne å lære av data.

“Vi er klassiske vesener som lever i en kvanteverden,” sier Preskill. “Hjernen vår og datamaskinene våre er klassiske, og dette begrenser vår evne til å samhandle med og forstå kvantevirkeligheten.”

Mens tidligere studier har vist at maskinlæringsapplikasjoner har evnen til å løse noen kvanteproblemer, fungerer disse metodene vanligvis på måter som gjør det vanskelig for forskere å lære hvordan maskinene kom frem til løsningene sine.

“Vanligvis, når det kommer til maskinlæring, vet du ikke hvordan maskinen løste problemet. Det er en svart boks,” sier Huang. “Men nå har vi i hovedsak funnet ut hva som skjer i boksen gjennom våre numeriske simuleringer.” Huang og hans kolleger gjorde omfattende numeriske simuleringer i samarbeid med AWS Center for Quantum Computing ved Caltech, som bekreftet deres teoretiske resultater.

Den nye studien vil hjelpe forskere bedre å forstå og klassifisere komplekse og eksotiske faser av kvantestoff.

“Bekymringen var at folk som opprettet nye kvantetilstander i laboratoriet kanskje ikke kunne forstå dem,” forklarer Preskill. “Men nå kan vi få rimelige klassiske data for å forklare hva som skjer. De klassiske maskinene gir oss ikke bare et svar som et orakel, men leder oss mot en dypere forståelse.”

Medforfatter Victor V. Albert, en NIST (National Institute of Standards and Technology) fysiker og tidligere DuBridge Prize-postdoktor ved Caltech, er enig. “Den delen som begeistrer meg mest med dette arbeidet er at vi nå er nærmere et verktøy som hjelper deg å forstå den underliggende fasen av en kvantetilstand uten at du trenger å vite veldig mye om den tilstanden på forhånd.”

Til syvende og sist vil selvfølgelig fremtidige kvantebaserte maskinlæringsverktøy utkonkurrere klassiske metoder, sier forskerne. I en relatert studie som vises 10. juni 2022, i VitenskapHuang, Preskill og deres samarbeidspartnere rapporterer at de bruker Googles Sycamore-prosessor, et rudimentært kvante datamaskinfor å demonstrere at kvantemaskinlæring er overlegen klassiske tilnærminger.

“Vi er fortsatt helt i begynnelsen av dette feltet,” sier Huang. “Men vi vet at kvantemaskinlæring til slutt vil være den mest effektive.”

De Vitenskap studien har tittelen “Provably efficient machine learning for quantum many-body problems.”


Teori antyder at kvantedatamaskiner bør være eksponentielt raskere på enkelte læringsoppgaver enn klassiske maskiner


Mer informasjon:
Hsin-Yuan Huang, beviselig effektiv maskinlæring for kvanteproblemer med mange kropper, Vitenskap (2022). DOI: 10.1126/science.abk3333. www.science.org/doi/10.1126/science.abk3333

Sitering: Tradisjonelle datamaskiner kan løse noen kvanteproblemer (2022, 22. september) hentet 23. september 2022 fra https://phys.org/news/2022-09-traditional-quantum-problems.html

Dette dokumentet er underlagt opphavsrett. Bortsett fra enhver rettferdig handel for formålet med private studier eller forskning, kan ingen del reproduseres uten skriftlig tillatelse. Innholdet er kun gitt for informasjonsformål.