Las técnicas de inteligencia artificial reconstruyen misterios de sistemas cuánticos

Por primera vez, los físicos han demostrado que el aprendizaje automático puede reconstruir un sistema cuántico basado en relativamente pocas mediciones experimentales. Este método permitirá que los científicos prueben a fondo los sistemas de partículas exponencialmente más rápido que las técnicas convencionales de fuerza bruta. Los sistemas complejos que requerirían miles de años para reconstruirse con métodos anteriores podrían analizarse completamente en cuestión de horas.

La investigación beneficiará el desarrollo de computadoras cuánticas y otras aplicaciones de la mecánica cuántica, informaron los investigadores el 26 de febrero en Nature Physics .

“Hemos demostrado que la inteligencia artificial puede capturar la esencia de un sistema cuántico de forma compacta”, afirma el coautor del estudio Giuseppe Carleo, investigador asociado del Centro de Física Cuántica Computacional del Instituto Flatiron en la ciudad de Nueva York. “Ahora podemos extender efectivamente las capacidades de los experimentos”.

Carleo, quien dirigió la investigación mientras era profesor en ETH Zurich, se inspiró en AlphaGo. Este programa de computadora utilizó el aprendizaje automático para superar al campeón mundial del juego de mesa chino Go in 2016. “AlphaGo fue realmente impresionante”, dice, “así que comenzamos a preguntarnos cómo podríamos usar esas ideas en la física cuántica”.

Los sistemas de partículas como los electrones pueden existir en muchas configuraciones diferentes, cada una con una probabilidad particular de ocurrir. Cada electrón, por ejemplo, puede tener un giro hacia arriba o hacia abajo, similar al gato de Schrödinger que está muerto o vivo en el famoso experimento mental. En el ámbito cuántico, los sistemas no observados no existen como ninguno de estos arreglos. En cambio, se puede pensar que el sistema está en todas las configuraciones posibles simultáneamente.

Cuando se mide, el sistema colapsa en una configuración, al igual que el gato de Schrödinger está muerto o vivo una vez que abre su caja. Esta peculiaridad de la mecánica cuántica significa que nunca se puede observar toda la complejidad de un sistema en un solo experimento. En cambio, los experimentales realizan las mismas mediciones una y otra vez hasta que puedan determinar el estado de todo el sistema.

Ese método funciona bien para sistemas simples que contienen solo unas pocas partículas. Pero “las cosas se ponen feas con muchas partículas”, dice Carleo. A medida que aumenta el número de partículas, la complejidad se dispara. Si solo se considera que cada electrón puede tener un giro hacia arriba o hacia abajo, un sistema de cinco electrones tiene 32 configuraciones posibles. Un sistema de 100 electrones tiene más de 1 millón de billones de billones.

El enredo de partículas complica aún más las cosas. A través del entrelazamiento cuántico, las partículas independientes se entrelazan y ya no pueden tratarse como entidades puramente separadas, incluso cuando están físicamente separadas. Este enredo altera la probabilidad de diferentes configuraciones.

Los métodos convencionales, por lo tanto, simplemente no son factibles para sistemas cuánticos complejos.

Giacomo Torlai de la Universidad de Waterloo y el Instituto Perimeter en Canadá, Carleo y sus colegas sortearon estas limitaciones mediante el uso de técnicas de aprendizaje automático. Los investigadores alimentaron las mediciones experimentales de un sistema cuántico con una herramienta de software basada en redes neuronales artificiales. El software aprende con el tiempo e intenta imitar el comportamiento del sistema. Una vez que el software ingiere suficientes datos, puede reconstruir con precisión el sistema cuántico completo.

Los investigadores probaron el software utilizando conjuntos de datos experimentales simulados basados ​​en diferentes sistemas cuánticos de muestra. En estas pruebas, el software superó con creces los métodos convencionales. Para ocho electrones, cada uno con giro hacia arriba o hacia abajo, el software podría reconstruir con precisión el sistema con solo alrededor de 100 mediciones. A modo de comparación, un método de fuerza bruta convencional requirió casi 1 millón de mediciones para alcanzar el mismo nivel de precisión. La nueva técnica también puede manejar sistemas mucho más grandes. A su vez, esta capacidad puede ayudar a los científicos a validar que una computadora cuántica está configurada correctamente y que cualquier software cuántico se ejecutará según lo previsto, sugieren los investigadores.

Capturar la esencia de sistemas cuánticos complejos con redes neuronales artificiales compactas tiene otras consecuencias de largo alcance. El codirector del Centro de Física Computacional Cuántica, Andrew Millis, señala que las ideas proporcionan un nuevo enfoque importante para el desarrollo continuo de métodos novedosos para comprender el comportamiento de los sistemas cuánticos interactivos y para trabajar con otros enfoques de aprendizaje automático basados ​​en la física cuántica.

Además de las aplicaciones a la investigación fundamental, Carleo dice que las lecciones que el equipo aprendió al mezclar el aprendizaje automático con las ideas de la física cuántica podrían mejorar las aplicaciones generales de artif.inteligencia icial también. “Podríamos usar los métodos que desarrollamos aquí en otros contextos”, dice. “Algún día podríamos tener un auto sin conductor inspirado en la mecánica cuántica, quién sabe”.

Tags:
, Wire, Artificial Intelligence Newswire, United States, Spanish