يقلل الذكاء الاصطناعي من مشكلة فيزياء الكم من 100.000 معادلة إلى أربع معادلات فقط

يقلل الذكاء الاصطناعي من مشكلة فيزياء الكم إلى أربع معادلات فقط
يقلل الذكاء الاصطناعي من مشكلة فيزياء الكم للمعادلة إلى أربع معادلات فقط - رسم توضيحي لأداة رياضية تستخدم لمحاكاة حركة وسلوك الإلكترونات على الشبكة. يتم تمثيل تفاعل واحد بين إلكترونين بكل بكسل. حتى وقت قريب ، كانت هناك حاجة إلى حوالي 100.000 معادلة ، واحدة لكل بكسل ، لالتقاط النظام بدقة. بعد تقليل المشكلة باستخدام التعلم الآلي ، بقيت أربع معادلات فقط. لذلك ، ستكون هناك حاجة إلى أربع وحدات بكسل فقط للحصول على مرئيات مماثلة في الإصدار المضغوط. الائتمان: معهد فلاتيرون / دومينيكو دي سانتي

قام الباحثون بتدريب أداة التعلم الآلي لنمذجة فيزياء الإلكترونات التي تتحرك على شبكة مع معادلات أقل بكثير مما هو مطلوب عادة ، دون التضحية بالدقة.

تم تكثيف مشكلة كمومية صعبة كانت تتطلب في السابق 100.000 معادلة بواسطة علماء الفيزياء باستخدام الذكاء الاصطناعي في مهمة يمكن إدارتها تتطلب أقل من أربع معادلات. تم الحفاظ على الدقة طوال هذه العملية برمتها. يمكن أن يغير البحث تمامًا الطريقة التي يدرس بها العلماء الأنظمة ذات الأعداد الكبيرة من الإلكترونات المتفاعلة. يمكن أن تساعد الطريقة أيضًا في تصميم المواد ذات الخصائص القيمة بشكل استثنائي ، مثل الموصلية الفائقة أو الفائدة لتوليد الطاقة النظيفة ، إذا كانت قابلة للتحويل إلى مواضيع أخرى.

وفقًا للمؤلف الرئيسي للدراسة ، دومينيكو دي سانتي ، "نبدأ بهذا الكائن الضخم بكل هذه المعادلات التفاضلية المجمعة ثم نستخدم التعلم الآلي لتحويله إلى شيء صغير بما يكفي للعد بأصابعك." دي سانتي هو زميل باحث زائر في مركز فيزياء الكم الحاسوبية (CCQ) في معهد فلاتيرون في نيويورك وأستاذ مساعد في جامعة بولونيا بإيطاليا.

تتعلق مشكلة الكم الصعبة بحركة الإلكترونات على شبكة تشبه الشبكة. يحدث التفاعل عندما يكون إلكترونان في نفس موضع الشبكة. يُعرف هذا التكوين ، المعروف باسم نموذج هوبارد ، بالعديد من الأنواع المهمة من المواد ويمكّن الباحثين من فهم كيف يؤدي سلوك الإلكترون إلى مراحل مرغوبة للغاية من المادة ، مثل الموصلية الفائقة ، حيث تتحرك الإلكترونات عبر مادة بدون مقاومة. يمكن اختبار التقنيات الجديدة على النموذج قبل تطبيقها على أنظمة الكم الأكثر تعقيدًا.

ومع ذلك ، فإن نموذج Hubbard بسيط للغاية. تتطلب هذه المهمة عددًا صغيرًا من الإلكترونات وقدرة معالجة هائلة ، حتى بالنسبة لأحدث الأساليب الحسابية. وذلك لأن التفاعلات بين الإلكترونات يمكن أن تتسبب في تشابك مصائرها ميكانيكيًا كميًا. يشير هذا إلى أنه لا يمكن النظر إلى إلكترونين منفصلين ، حتى لو كانا متباعدين وفي مواقع شعرية مختلفة. نتيجة لذلك ، يتعين على الفيزيائيين التعامل مع كل إلكترون دفعة واحدة ، وليس بشكل فردي. تصبح هذه الصعوبة الحسابية الهائلة صعبة بشكل متزايد عندما يكون هناك المزيد من الإلكترونات حيث يكون هناك المزيد من التشابك.

مجموعات إعادة التطبيع هي أداة يمكن استخدامها لدراسة النظام الكمي. نموذج هوبارد هو مثال على نظام يستخدم فيه الفيزيائيون هذه الأداة الرياضية لدراسة كيفية تغير سلوك النظام عندما يغير الباحثون معلمات مثل درجة الحرارة أو يأخذون في الاعتبار الخصائص على مستويات مختلفة. لسوء الحظ ، قد يكون هناك عشرات الآلاف أو مئات الآلاف أو حتى الملايين من المعادلات الفريدة في مجموعة إعادة التطابق التي لا هوادة فيها والتي تتعقب جميع عمليات الاقتران المحتملة بين الإلكترونات. أيضًا ، المعادلات مقنعة جدًا: كل منها يرمز إلى تفاعل إلكترونين.

تساءل دي سانتي وزملاؤه عما إذا كان بإمكانهم استخدام تقنية التعلم الآلي ، وهي شبكة عصبية ، لتبسيط مجموعة إعادة التطبيع. تشبه الشبكة العصبية تقاطعًا بين مشغل لوحة التبديل القلق والتطور وفقًا لأقوى مبادئها. يتم توصيل مجموعة إعادة التطابق بالحجم الكامل أولاً بخوارزمية التعلم الآلي. تقوم الشبكة العصبية بضبط نقاط قوة هذه الاتصالات للعثور على مجموعة أصغر من المعادلات التي تعطي نفس النتيجة مثل مجموعة إعادة التطابق الأصلية ذات الحجم الجامبو. حتى مع وجود أربع معادلات فقط ، كان ناتج البرنامج قادرًا على إعادة إنتاج فيزياء نموذج هوبارد.

يصفه دي سانتي بأنه "في الأساس آلة قادرة على إيجاد أنماط خفية." واو ، هذا أكثر مما توقعنا ، اعتقدنا عندما رأينا النتيجة. لقد نجحنا في التقاط الفيزياء ذات الصلة.

استغرقت خوارزمية التعلم الآلي أسابيع للتدريب لأنها تتطلب الكثير من قوة الحوسبة. الخبر السار ، وفقًا لـ Di Sante ، هو أنه يمكنهم تغيير مناهجهم الدراسية لمعالجة مشكلات إضافية دون الحاجة إلى البدء من الصفر لأنه يمر عبر التدريب. يدرس مع زملائه ما "تتعلمه" خوارزمية التعلم الآلي عن النظام. يمكن أن يوفر هذا معلومات إضافية قد يصعب على الفيزيائيين فهمها.

السؤال الرئيسي الذي لم تتم الإجابة عليه هو مدى جودة تطبيق الطريقة الجديدة على أنظمة الكم الأكثر تعقيدًا ، مثل المواد ذات التفاعلات الإلكترونية طويلة المدى. وفقًا لـ Di Sante ، هناك أيضًا إمكانات مثيرة للاهتمام لتطبيق الطريقة على التخصصات الأخرى التي تعمل مع مجموعات إعادة التطبيع ، مثل علم الكونيات وعلم الأعصاب.

المصدر: scitechdaily

 

 

Günceleme: 30/09/2022 14:42

إعلانات مماثلة

كن أول من يعلق

Yorumunuz