Mithilfe künstlicher Intelligenz haben Physiker ein entmutigendes Quantenproblem, das bisher 100.000 Gleichungen erforderte, in eine mundgerechte Aufgabe von nur vier Gleichungen komprimiert – und das alles ohne Einbußen bei der Genauigkeit. Die in der Ausgabe der Physical Review Letters vom 23. September 2022 veröffentlichte Arbeit könnte die Art und Weise revolutionieren, wie Wissenschaftler Systeme untersuchen, die viele wechselwirkende Elektronen enthalten. Darüber hinaus könnte der Ansatz, wenn er auf andere Probleme skalierbar ist, möglicherweise beim Design von Materialien mit begehrten Eigenschaften wie Supraleitfähigkeit oder Nützlichkeit für die Erzeugung sauberer Energie helfen.
„Wir beginnen mit diesem riesigen Objekt all dieser miteinander gekoppelten Differentialgleichungen; dann verwenden wir maschinelles Lernen, um es in etwas so Kleines zu verwandeln, dass Sie es an Ihren Fingern abzählen können“, sagt der Hauptautor der Studie, Domenico Di Sante, ein Gastwissenschaftler Fellow am Center for Computational Quantum Physics (CCQ) des Flatiron Institute in New York City und Assistenzprofessor an der Universität Bologna in Italien.
Das gewaltige Problem betrifft das Verhalten von Elektronen, wenn sie sich auf einem gitterartigen Gitter bewegen. Wenn zwei Elektronen denselben Gitterplatz besetzen, interagieren sie. Dieser als Hubbard-Modell bekannte Aufbau ist eine Idealisierung mehrerer wichtiger Materialklassen und ermöglicht es Wissenschaftlern zu lernen, wie das Elektronenverhalten zu begehrten Phasen der Materie führt, wie z. B. Supraleitung, bei der Elektronen ohne Widerstand durch ein Material fließen. Das Modell dient auch als Testgelände für neue Methoden, bevor sie auf komplexere Quantensysteme losgelassen werden.
Das Hubbard-Modell ist jedoch täuschend einfach. Selbst für eine bescheidene Anzahl von Elektronen und modernste Rechenansätze erfordert das Problem eine erhebliche Rechenleistung. Denn wenn Elektronen interagieren, können sich ihre Schicksale quantenmechanisch verschränken: Selbst wenn sie weit voneinander entfernt auf verschiedenen Gitterplätzen sind, können die beiden Elektronen nicht einzeln behandelt werden, sodass Physiker mit allen Elektronen auf einmal und nicht mit einem einzelnen fertig werden müssen eine Zeit. Mit mehr Elektronen treten mehr Verschränkungen auf, was die Rechenaufgabe exponentiell schwieriger macht.
Eine Möglichkeit, ein Quantensystem zu untersuchen, ist die Verwendung einer sogenannten Renormalisierungsgruppe. Das ist ein mathematischer Apparat, den Physiker verwenden, um zu sehen, wie sich das Verhalten eines Systems – wie das Hubbard-Modell – ändert, wenn Wissenschaftler Eigenschaften wie die Temperatur ändern oder die Eigenschaften auf verschiedenen Skalen betrachten. Leider kann eine Renormierungsgruppe, die alle möglichen Kopplungen zwischen Elektronen verfolgt und nichts opfert, Zehntausende, Hunderttausende oder sogar Millionen von einzelnen Gleichungen enthalten, die gelöst werden müssen. Hinzu kommt, dass die Gleichungen knifflig sind: Jede steht für ein wechselwirkendes Elektronenpaar.
Di Sante und seine Kollegen fragten sich, ob sie ein als neuronales Netzwerk bekanntes maschinelles Lerntool verwenden könnten, um die Renormalisierungsgruppe besser handhabbar zu machen. Das neuronale Netzwerk ist wie eine Kreuzung zwischen einem hektischen Telefonisten und der Evolution des Überlebens der Stärkeren. Zunächst erstellt das maschinelle Lernprogramm Verbindungen innerhalb der Renormalisierungsgruppe in voller Größe. Das neuronale Netzwerk optimiert dann die Stärke dieser Verbindungen, bis es einen kleinen Satz von Gleichungen findet, der dieselbe Lösung wie die ursprüngliche Renormierungsgruppe in Jumbo-Größe erzeugt. Die Ausgabe des Programms erfasste die Physik des Hubbard-Modells sogar mit nur vier Gleichungen.
„Es ist im Wesentlichen eine Maschine, die verborgene Muster entdecken kann“, sagt Di Sante. “Als wir das Ergebnis sahen, sagten wir: ‘Wow, das ist mehr als wir erwartet hatten.’ Wir konnten die relevante Physik wirklich erfassen.”
Das Training des maschinellen Lernprogramms erforderte viel Rechenleistung, und das Programm lief ganze Wochen lang. Die gute Nachricht, sagt Di Sante, ist, dass sie jetzt, da sie ihr Programm gecoacht haben, es anpassen können, um an anderen Problemen zu arbeiten, ohne bei Null anfangen zu müssen. Er und seine Mitarbeiter untersuchen auch, was das maschinelle Lernen tatsächlich über das System „lernt“, was zusätzliche Erkenntnisse liefern könnte, die sonst für Physiker schwer zu entschlüsseln wären.
Letztlich ist die größte offene Frage, wie gut der neue Ansatz auf komplexeren Quantensystemen wie etwa Materialien funktioniert, in denen Elektronen über große Entfernungen wechselwirken. Darüber hinaus gibt es spannende Möglichkeiten, die Technik in anderen Bereichen einzusetzen, die sich mit Renormalisierungsgruppen befassen, sagt Di Sante, etwa in der Kosmologie und den Neurowissenschaften.
Di Sante hat die neue Studie zusammen mit dem CCQ-Gastforscher Matija Medvidović (ein Doktorand an der Columbia University), Alessandro Toschi von der TU Wien in Wien, Giorgio Sangiovanni von der Universität Würzburg in Deutschland und Cesare Franchini von der Universität Bologna in Italien verfasst , CCQ und Center for Computational Mathematics Senior Research Scientist Anirvan M. Sengupta und CCQ Co-Direktor Andy Millis. Di Santes Zeit am CCQ wurde durch ein Marie Curie International Fellowship unterstützt, das die transnationale wissenschaftliche Zusammenarbeit fördert.
Geschichte Quelle:
Materialien zur Verfügung gestellt von der Simons Foundation . Original geschrieben von Thomas Sumner. Hinweis: Inhalt kann für Stil und Länge bearbeitet werden.
Zeitschriftenreferenz :
- Domenico Di Sante, Matija Medvidović, Alessandro Toschi, Giorgio Sangiovanni, Cesare Franchini, Anirvan M. Sengupta, Andrew J. Millis. Deep Learning der Functional Renormalization Group . Physische Überprüfungsbriefe , 2022; 129 (13) DOI: 10.1103/PhysRevLett.129.136402