Perinteiset tietokoneet ratkovat kvanttiongelmia

Kvanttitietokoneita odotellessa monet fyysikot osoittavat, että klassiset koneoppimismallit voivat tehostaa kvanttimaailman tutkimusta.

Uusi Caltechin tutkijoiden vetämä tutkimuspaperi kuvailee, kuinka klassisissa tietokoneissa ajettavia koneoppimisen työkaluja voidaan käyttää kvanttijärjestelmien ennustamiseen ja siten auttaa tutkijoita ratkaisemaan joitain vaikeimpia fysiikan ja kemian ongelmia.

Vaikka tätä käsitettä on ehdotettu aiemminkin, uusi raportti on ensimmäinen, joka todistaa matemaattisesti, että menetelmä toimii ongelmissa, joita mikään perinteinen algoritmi ei pystyisi ratkaisemaan.

"Kvanttitietokoneet ovat ihanteellisia monenlaisiin fysiikan ja materiaalitieteen ongelmiin", sanoo johtava kirjoittaja Hsin-Yuan (Robert) Huang. "Mutta emme ole vielä aivan perillä ja olemme yllättyneitä saadessamme tietää, että klassisia koneoppimismenetelmiä voidaan käyttää niitä odotellessa. Tässä artikkelissa on viime kädessä tarkoitus osoittaa, mitä voidaan oppia fyysisestä maailmasta."

Mikroskooppisella tasolla fysikaalisesta maailmasta tulee uskomattoman monimutkainen paikka, jota hallitsevat kvanttifysiikan lait, joita on erittäin vaikea kuvata matemaattisesti.

"Materiaalin matalaenergisen tilan ennustaminen on erittäin vaikeaa", Huang sanoo. "On olemassa valtava määrä atomeja ja ne ovat superpositiossa ja lomittuneet. Et voi kirjoittaa yhtälöä kuvaamaan sitä kaikkea."

Uusi tutkimus on ensimmäinen matemaattinen osoitus siitä, että klassista koneoppimista voidaan käyttää kuromaan umpeen meidän ja kvanttimaailman välinen kuilu.

Vaikka aiemmat tutkimukset ovat osoittaneet, että koneoppimismalleilla on kyky ratkaista joitain kvanttiongelmia, nämä menetelmät toimivat tyypillisesti tavoilla, jotka vaikeuttavat tutkijoiden ymmärtää, kuinka koneet päätyivät ratkaisuihinsa.

Uusi tutkimus auttaa tutkijoita ymmärtämään ja luokittelemaan kvanttiaineen monimutkaisiaja eksoottisia ilmiöitä paremmin.

Simons Foundationin tutkijat ovat puolestaan vääntäneet koneoppimisen avulla 100 000 yhtälöä vaativan järjestelmän laskennan neljään yhtälöön. Työ saattaa mullistaa sen, kuinka tutkijat tutkivat järjestelmiä, jotka sisältävät monia vuorovaikutuksessa olevia elektroneja.

Lisäksi, jos lähestymistapa on skaalattavissa muihin ongelmiin, se voisi mahdollisesti auttaa suunnittelemaan materiaaleja, joilla on haluttuja ominaisuuksia, kuten suprajohtavuus tai käyttökelpoisuus puhtaan energian tuotantoon.

Newcastlen yliopiston tutkimus on taasen ensimmäistä kertaa osoittanut, että koneoppiminen voi ennustaa maapallon runsaimman entsyymin - Rubiscon - biologisia ominaisuuksia.

Rubisco vastaa hiilen tuottamisesta lähes kaikkeen maapallon elämään. Rubisco toimii muuntamalla ilmakehän hiilidioksidia maapallon ilmakehästä orgaaniseksi hiiliaineeksi, joka on välttämätöntä suurimmalle osaa elämästä maapallolla.

Aiheesta aiemmin:

Tekoälyn voimaa