AI学会一次解决许多粒子的量子态

2017-09-22 09:28:18

Art Box Images / Getty作者:Jennifer Ouellette掌握古代Go游戏的同类型人工智能可以帮助解决包含数十亿粒子的量子系统的惊人复杂性谷歌的AlphaGo人工神经网络在去年击败Go的世界冠军时成为头条新闻在惊叹于这一壮举之后,瑞士苏黎世联邦理工学院的Giuseppe Carleo认为有可能建立一个类似的机器学习工具来破解量子物理学中最棘手的问题之一现在,他已经建立了这样一个神经网络 - 这可能会成为理解量子系统的游戏改变者 Go比国际象棋复杂得多,因为Go棋盘上可能的位置数量可能会超过宇宙中的原子数量这就是为什么基于蛮力计算的方法,虽然对国际象棋有效,但对Go来说不起作用在这个意义上,Go类似于量子物理学中的一个经典问题:如何描述由数十亿个原子组成的量子系统,所有这些原子都根据复杂的方程相互作用即使普通物质,如一块金或煤,也是一个量子系统,因此解决这个问题对于理解材料甚至设计新材料至关重要但量子力学的奇怪规则意味着我们无法知道量子粒子在每个时间点的精确位置许多量子粒子也具有称为“自旋”的性质,其可以是向上或向下一组仅有100个这样的粒子可以居住的旋转状态数量接近100万亿亿(1030)使用我们最强大的超级计算机模拟这种系统的当前记录是48次旋转 Carleo估计,即使我们可以将整个行星变成一个巨大的硬盘,我们仍然只能进行最多100次旋转的计算这就是人工神经网络可以提供帮助的地方给这样的网络规则Go,它将找出赢得比赛的最佳策略所以也许它可以对量子系统做同样的事情 “神经网络非常擅长推广,所以他们通常只需要有限的信息来从中推断出更多信息,”Carleo说例如,向神经网络提供Carleo的几张照片,它很快就能在他以前从未“看过”的新照片中识别出来为了评估这个想法,Carleo和现在在微软的合着者Matthias Troyer构建了一个简单的神经网络,用于重建多体量子系统的波函​​数,或描述如何排列所有状态的概率集他们还计算了其最低能量或“基态”状态,这是量子力学中的标准问题他们使用已知解决方案对一些样本问题进行了测试,发现它比其他应用于多体系统的工具表现更好这足以证明该技术的承诺原则构建更复杂的深度神经网络应该更有效 “这就像让机器学习如何破解量子力学一样,”Carleo说道 “我喜欢说我们有一台梦想着薛定谔猫的机器”“这非常酷,”德克萨斯大学奥斯汀分校的斯科特·阿伦森说 “鉴于深度学习的成功......在几乎所有可以想象的应用领域中,尝试量子多体物理学是一个自然的想法,但据我所知,这是有史以来第一次我希望将来能看到更多“期刊参考:科学,DOI:10.1126 / science.aag2302关于这些主题的更多信息: