فیزیکدانان با استفاده از هوش مصنوعی، یک مشکل کوانتومی را که تا به حال به ۱۰۰۰۰۰ معادله نیاز داشت، بدون کاهش دقت در یک تکلیف کوچک به اندازه چهار معادله فشرده کرده اند. این کار می‌تواند انقلابی در سیستم های پژوهشی در زمینه فیزیک کوانتوم ایجاد کند.
دومینیکو دی سانته، سرپرست تیم تحقیق است و بر مدل “هابارد “که تلاش می کند انتقال بین سیستم‌های رسانا و عایق را توضیح دهد تمرکز دارد.
مدل هابارد برای اولین بار در سال ۱۹۶۳ ارائه شد و سعی می‌کند رفتار الکترون‌ها را هنگامی که روی یک شبکه توری قرار می‌گیرند، توضیح دهد. بر اساس این مدل، زمانی که دو الکترون یک مکان را در شبکه اشغال می‌کنند، برهم‌کنش می‌کنند و سرنوشت آنها به صورت مکانیک کوانتومی درهم‌تنیده می‌شود، حتی اگر دور از هم قرار گیرند.
مطالعه رفتار الکترون به فیزیکدانان کمک می‌کند تا حالت‌ها و مراحل مختلف ماده را توضیح دهند. با این حال، از آنجایی که الکترون‌ها از نظر مکانیک کوانتومی درهم‌تنیده هستند، فیزیکدانان باید در محاسبه‌های خود همه الکترون‌ها را با هم در نظر بگیرند. این مسئله، محاسبه‌ها را به یک چالش ریاضی پیچیده تبدیل می‌کند که در آن هر چه تعداد الکترون‌های مورد نظر بیشتر باشد، محاسبه‌ها به طور تصاعدی سخت‌تر می‌شود.
فیزیکدانان برای ساده کردن این کار از یک دستگاه ریاضی به نام “گروه عادی‌سازی مجدد” استفاده کردند که می‌تواند به ردیابی همه برهمکنش‌های الکترون کمک کند. یک گروه عادی‌سازی مجدد می‌تواند در نهایت حاوی بین ده‌ها هزار تا میلیون‌ها معادله باشد که نیاز به حل دارند.
دی سانته و همکارانش به شبکه‌های عصبی روی آوردند، جایی که نرم‌افزار ابتدا اتصالاتی را بین گروه عادی‌سازی مجدد ایجاد کرد و سپس قدرت آن اتصالات را تغییر داد تا مجموعه کوچکی از معادله‌ها را پیدا کند که همان راه حل گروه اصلی را ایجاد کند.
این برنامه برای درک پیچیدگی مدل هابارد به قدرت محاسباتی زیادی نیاز داشت و هفته‌ها اجرا شد، اما خروجی نهایی آن، مدل هابارد را تنها در چهار معادله خلاصه کرد.
دی سانته گفت: این اساساً ماشینی است که قدرت کشف الگوهای پنهان را دارد. وقتی نتیجه را دیدیم، گفتیم وای، این بیشتر از آن چیزی است که انتظار داشتیم. واقعاً توانستیم فیزیک مربوطه را درک و خلاصه کنیم.
اکنون که این برنامه برای جستجوی چنین الگوهایی آموزش دیده است، می‌توان آن را برای مشاهده سایر مشکلات مشابه بدون نیاز به شروع از ابتدا تطبیق داد.
اگر بتوان این برنامه را برای مشکلات دیگر مقیاس‌بندی کرد، دانشمندان مایلند از آن برای طراحی موادی استفاده کنند که ابررسانایی را ارائه می‌دهند، جایی که الکترون‌ها بدون هیچ مقاومتی از درون ماده عبور می‌کنند.
علاوه بر این، دی سانته و همکارانش اکنون در حال بررسی نحوه عملکرد یادگیری ماشین در این نمونه هستند تا بینشی در مورد نحوه کارکرد آن و آنچه فیزیکدانان تاکنون از دست داده‌اند، ارائه کنند.
دومینیکو دی سانته، سرپرست تیم تحقیق است و بر مدل “هابارد “که تلاش می کند انتقال بین سیستم‌های رسانا و عایق را توضیح دهد تمرکز دارد.
مدل هابارد برای اولین بار در سال ۱۹۶۳ ارائه شد و سعی می‌کند رفتار الکترون‌ها را هنگامی که روی یک شبکه توری قرار می‌گیرند، توضیح دهد. بر اساس این مدل، زمانی که دو الکترون یک مکان را در شبکه اشغال می‌کنند، برهم‌کنش می‌کنند و سرنوشت آنها به صورت مکانیک کوانتومی درهم‌تنیده می‌شود، حتی اگر دور از هم قرار گیرند.
مطالعه رفتار الکترون به فیزیکدانان کمک می‌کند تا حالت‌ها و مراحل مختلف ماده را توضیح دهند. با این حال، از آنجایی که الکترون‌ها از نظر مکانیک کوانتومی درهم‌تنیده هستند، فیزیکدانان باید در محاسبه‌های خود همه الکترون‌ها را با هم در نظر بگیرند. این مسئله، محاسبه‌ها را به یک چالش ریاضی پیچیده تبدیل می‌کند که در آن هر چه تعداد الکترون‌های مورد نظر بیشتر باشد، محاسبه‌ها به طور تصاعدی سخت‌تر می‌شود.
فیزیکدانان برای ساده کردن این کار از یک دستگاه ریاضی به نام “گروه عادی‌سازی مجدد” استفاده کردند که می‌تواند به ردیابی همه برهمکنش‌های الکترون کمک کند. یک گروه عادی‌سازی مجدد می‌تواند در نهایت حاوی بین ده‌ها هزار تا میلیون‌ها معادله باشد که نیاز به حل دارند.
دی سانته و همکارانش به شبکه‌های عصبی روی آوردند، جایی که نرم‌افزار ابتدا اتصالاتی را بین گروه عادی‌سازی مجدد ایجاد کرد و سپس قدرت آن اتصالات را تغییر داد تا مجموعه کوچکی از معادله‌ها را پیدا کند که همان راه حل گروه اصلی را ایجاد کند.
این برنامه برای درک پیچیدگی مدل هابارد به قدرت محاسباتی زیادی نیاز داشت و هفته‌ها اجرا شد، اما خروجی نهایی آن، مدل هابارد را تنها در چهار معادله خلاصه کرد.
دی سانته گفت: این اساساً ماشینی است که قدرت کشف الگوهای پنهان را دارد. وقتی نتیجه را دیدیم، گفتیم وای، این بیشتر از آن چیزی است که انتظار داشتیم. واقعاً توانستیم فیزیک مربوطه را درک و خلاصه کنیم.
اکنون که این برنامه برای جستجوی چنین الگوهایی آموزش دیده است، می‌توان آن را برای مشاهده سایر مشکلات مشابه بدون نیاز به شروع از ابتدا تطبیق داد.
اگر بتوان این برنامه را برای مشکلات دیگر مقیاس‌بندی کرد، دانشمندان مایلند از آن برای طراحی موادی استفاده کنند که ابررسانایی را ارائه می‌دهند، جایی که الکترون‌ها بدون هیچ مقاومتی از درون ماده عبور می‌کنند.
علاوه بر این، دی سانته و همکارانش اکنون در حال بررسی نحوه عملکرد یادگیری ماشین در این نمونه هستند تا بینشی در مورد نحوه کارکرد آن و آنچه فیزیکدانان تاکنون از دست داده‌اند، ارائه کنند.
کد خبر ۲۱۵۰۱۰۷۰۹.۰۵۹
