کامپیوتر‌های معمولی می‌توانند حل مسائل کوانتومی پیچیده در فیزیک و شیمی را بیاموزند+عکس

به گزارش گروه دانش و فناوری خبرگزاری آنا به نقل از (سای تک دیلی)، فیزیکدانان ثابت می‌کنند که مدل‌های یادگیری ماشین کلاسیک می‌توانند پیش‌بینی‌های مربوط به مواد کوانتومی را بهبود بخشند.

کامپیوتر‌های کوانتومی سر و صدای زیادی ایجاد کرده اند و دلیل خوبی هم دارد. کامپیوتر‌های آینده نگر برای تقلید از آنچه در طبیعت در مقیاس میکروسکوپی اتفاق می‌افتد طراحی شده اند. این بدان معناست که آن‌ها قدرت درک بهتر قلمرو کوانتومی و سرعت بخشیدن به کشف مواد جدید از جمله داروها، مواد شیمیایی سازگار با محیط زیست و موارد دیگر را دارند. با این حال، کارشناسان می‌گویند که هنوز یک دهه یا بیشتر باقی مانده تا کامپیوتر‌های کوانتومی عملی در دسترس قرار گیرند. در این بین محققین چه کاری باید انجام دهند؟

یک مطالعه جدید توضیح می‌دهد که چگونه ابزار‌های یادگیری ماشین، که روی رایانه‌های کلاسیک اجرا می‌شوند، می‌توانند برای پیش‌بینی سیستم‌های کوانتومی استفاده شوند و بنابراین به دانشمندان کمک می‌کنند تا برخی از پیچیده‌ترین مسائل فیزیک و شیمی را حل کنند. در حالی که این مفهوم قبلاً مطرح شده بود، گزارش جدید اولین گزارشی است که از نظر ریاضی ثابت می‌کند که این روش در مسائلی کار می‌کند که هیچ الگوریتم سنتی قادر به حل آن نیست. این مطالعه به رهبری Caltech در ۲۳ سپتامبر در مجله Science منتشر شد.

هسین یوان (رابرت) هوانگ، نویسنده اصلی این مقاله می‌گوید: رایانه‌های کوانتومی برای بسیاری از مسائل فیزیک و علم مواد ایده‌آل هستند. او یک دانشجوی کارشناسی ارشد است که با جان پرسکیل، استاد فیزیک نظری ریچارد پی فاینمن و رئیس آلن وی سی دیویس و لنابل دیویس در موسسه علوم و فناوری کوانتومی (IQIM) کار می‌کند. اما ما هنوز کاملاً به آنجا نرسیده‌ایم و از آموختن این که روش‌های کلاسیک یادگیری ماشینی را می‌توان در این مدت استفاده کرد، شگفت‌زده شدیم. در نهایت، این مقاله در مورد نشان دادن آنچه که انسان‌ها می‌توانند در مورد دنیای فیزیکی بیاموزند است.

جان پی. پرسکیل، ریچارد پی. فاینمن، استاد فیزیک نظری در کالتک می‌گوید: در سطوح میکروسکوپی، جهان فیزیکی به مکانی بسیار پیچیده تبدیل می‌شود که قوانین فیزیک کوانتومی بر آن حاکم است. در این قلمرو، ذرات می‌توانند در یک برهم نهی از حالت ها، یا در دو حالت به طور همزمان وجود داشته باشند؛ و برهم نهی حالت‌ها می‌تواند منجر به درهم تنیدگی شود، پدیده‌ای که در آن ذرات بدون اینکه در تماس با یکدیگر باشند به هم پیوند خورده یا همبستگی دارند. توصیف این حالات و ارتباطات عجیب و غریب که در مواد طبیعی و ساخت بشر گسترده است، از نظر ریاضی بسیار دشوار است.

هوانگ می‌گوید: «پیش بینی وضعیت کم انرژی یک ماده بسیار سخت است. «تعداد عظیمی از اتم‌ها وجود دارد، و آن‌ها روی هم قرار گرفته و در هم پیچیده شده اند. شما نمی‌توانید معادله‌ای را بنویسید که همه آن را توصیف کند. "

مطالعه جدید نشان‌دهنده اولین نمایش ریاضی است که می‌توان از یادگیری ماشینی کلاسیک برای پر کردن شکاف بین ما و دنیای کوانتومی استفاده کرد. یادگیری ماشینی که یکی از زمینه‌های هوش مصنوعی در نظر گرفته می‌شود، نوعی برنامه کاربردی کامپیوتری است که مغز انسان را برای یادگیری از داده‌ها تقلید می‌کند.

پرسکیل می‌گوید: ما موجودات کلاسیکی هستیم که در دنیای کوانتومی زندگی می‌کنیم. مغز و کامپیوتر‌های ما کلاسیک هستند و این توانایی ما را برای تعامل و درک واقعیت کوانتومی محدود می‌کند.

اگرچه مطالعات قبلی نشان داده‌اند که مدل‌های یادگیری ماشینی توانایی حل برخی مسائل کوانتومی را دارند، اما این روش‌ها معمولاً به گونه‌ای عمل می‌کنند که یادگیری نحوه رسیدن ماشین‌ها به راه‌حل‌های خود را برای دانشمندان دشوار می‌کند.

«به طور معمول، وقتی صحبت از یادگیری ماشینی می‌شود، نمی‌دانید ماشین چگونه مشکل را حل کرده است. هوانگ می‌گوید این یک جعبه سیاه است. اما اکنون ما اساساً از طریق تجزیه و تحلیل ریاضی و شبیه‌سازی‌های عددی متوجه شده‌ایم که در جعبه چه اتفاقی می‌افتد. هوانگ و همکارانش شبیه‌سازی‌های عددی گسترده‌ای را با همکاری مرکز AWS برای محاسبات کوانتومی در Caltech انجام دادند که نتایج نظری آن‌ها را تأیید کرد.

تراشه Sycamore گوگل، یک کامپیوتر کوانتومی، در داخل کرایوستات کوانتومی خود خنک نگه داشته می‌شود.

مطالعه جدید به محققان کمک می‌کند تا مراحل پیچیده و عجیب و غریب ماده کوانتومی را بهتر درک و طبقه بندی کنند.

پرسکیل توضیح می‌دهد: «نگرانی این بود که افرادی که حالت‌های کوانتومی جدیدی در آزمایشگاه ایجاد می‌کنند ممکن است نتوانند آن‌ها را درک کنند. اما اکنون می‌توانیم داده‌های کلاسیک منطقی را برای توضیح آنچه در حال وقوع است به دست آوریم. ماشین‌های کلاسیک فقط مانند یک اوراکل به ما پاسخ نمی‌دهند، بلکه ما را به سمت درک عمیق‌تر راهنمایی می‌کنند.»

ویکتور وی. آلبرت، فیزیکدان NIST (موسسه ملی استاندارد‌ها و فناوری) و محقق سابق دوره فوق دکتری جایزه دوبریج در کلتک، با این نظر موافق است. "بخشی که من را در مورد این کار بیشتر هیجان زده می‌کند این است که ما اکنون به ابزاری نزدیک شده ایم که به شما کمک می‌کند فاز اساسی یک حالت کوانتومی را بدون نیاز به دانستن چیز‌های زیادی در مورد آن حالت از قبل درک کنید. "

البته، در نهایت، دانشمندان می‌گویند که ابزار‌های یادگیری ماشین مبتنی بر کوانتومی آینده از روش‌های کلاسیک بهتر عمل خواهند کرد. در یک مطالعه مرتبط که در ۱۰ ژوئن ۲۰۲۲ در Science منتشر شد، Huang، Preskill و همکارانشان گزارش دادند که از پردازنده Sycamore گوگل، یک کامپیوتر کوانتومی ابتدایی، برای نشان دادن برتری یادگیری ماشین کوانتومی نسبت به رویکرد‌های کلاسیک استفاده کرده‌اند.

هوانگ می‌گوید: ما هنوز در ابتدای راه هستیم. اما ما می‌دانیم که یادگیری ماشین کوانتومی در نهایت کارآمدترین خواهد بود.