Apprentissage automatique, le domaine qui révolutionne l'intelligence artificielle, a cimenté son rôle dans la technologie moderne. Ses outils et techniques ont conduit à des améliorations rapides dans tout, des voitures autonomes et de la reconnaissance vocale à la maîtrise numérique d'un ancien jeu de société.

Maintenant, les physiciens commencent à utiliser des outils d'apprentissage automatique pour s'attaquer à un autre type de problème, un au cœur de la physique quantique. Dans un article publié récemment dans Examen physique X , des chercheurs du JQI et du Condensed Matter Theory Center (CMTC) de l'Université du Maryland ont montré que certains réseaux de neurones, des toiles abstraites qui transmettent des informations de nœud en nœud comme les neurones du cerveau, peuvent décrire de manière succincte de larges pans de systèmes quantiques.

Dongling Deng, un boursier postdoctoral JQI qui est membre du CMTC et le premier auteur de l'article, dit que les chercheurs qui utilisent des ordinateurs pour étudier les systèmes quantiques pourraient bénéficier des descriptions simples fournies par les réseaux de neurones. "Si nous voulons aborder numériquement un problème quantique, " Deng dit, "Nous devons d'abord trouver une représentation efficace."

Sur papier et, plus important, sur les ordinateurs, les physiciens ont de nombreuses façons de représenter les systèmes quantiques. Typiquement, ces représentations comprennent des listes de nombres décrivant la probabilité qu'un système se trouve dans différents états quantiques. Mais il devient difficile d'extraire des propriétés ou des prédictions d'une description numérique à mesure que le nombre de particules quantiques augmente, et la sagesse dominante a été que l'intrication - une connexion quantique exotique entre les particules - joue un rôle clé pour contrecarrer les représentations simples.

Les réseaux de neurones utilisés par Deng et ses collaborateurs - le directeur du CMTC et membre du JQI Sankar Das Sarma et le physicien de l'Université de Fudan et ancien boursier postdoctoral JQI Xiaopeng Li - peuvent représenter efficacement des systèmes quantiques qui recèlent de nombreux enchevêtrements, une amélioration surprenante par rapport aux méthodes antérieures.

Quoi de plus, les nouveaux résultats dépassent la simple représentation. "Cette recherche est unique en ce qu'elle ne fournit pas seulement une représentation efficace d'états quantiques hautement intriqués, " dit Das Sarma. " C'est une nouvelle façon de résoudre les problèmes insolubles, des problèmes quantiques à plusieurs corps en interaction qui utilisent des outils d'apprentissage automatique pour trouver des solutions exactes."

Les réseaux de neurones et leurs techniques d'apprentissage associées ont propulsé AlphaGo, le programme informatique qui a battu certains des meilleurs joueurs de Go du monde l'année dernière (et le meilleur joueur cette année). La nouvelle a excité Deng, un grand fan de jeu de société. L'année dernière, à peu près en même temps que les triomphes d'AlphaGo, un article est apparu qui a introduit l'idée d'utiliser des réseaux de neurones pour représenter les états quantiques, bien qu'il n'ait donné aucune indication sur la portée exacte de l'outil. « Nous avons immédiatement reconnu que cela devrait être un document très important, " Deng dit, « alors nous consacrons toute notre énergie et notre temps à étudier davantage le problème. »

Le résultat a été un compte rendu plus complet des capacités de certains réseaux de neurones à représenter des états quantiques. En particulier, l'équipe a étudié les réseaux de neurones qui utilisent deux groupes distincts de neurones. Le premier groupe, appelés neurones visibles, représente de vraies particules quantiques, comme des atomes dans un réseau optique ou des ions dans une chaîne. Pour tenir compte des interactions entre les particules, les chercheurs ont utilisé un deuxième groupe de neurones, les neurones cachés, qui se relient aux neurones visibles. Ces liens capturent les interactions physiques entre les particules réelles, et tant que le nombre de connexions reste relativement faible, la description du réseau de neurones reste simple.

Spécifier un nombre pour chaque connexion et oublier mathématiquement les neurones cachés peut produire une représentation compacte de nombreux états quantiques intéressants, y compris des états avec des caractéristiques topologiques et certains avec des quantités surprenantes d'intrication.

Au-delà de son potentiel comme outil de simulation numérique, le nouveau cadre a permis à Deng et à ses collaborateurs de prouver certains faits mathématiques sur les familles d'états quantiques représentées par les réseaux de neurones. Par exemple, les réseaux de neurones avec uniquement des interactions à courte portée - ceux dans lesquels chaque neurone caché n'est connecté qu'à un petit groupe de neurones visibles - ont une limite stricte sur leur intrication totale. Ce résultat technique, connue sous le nom de loi régionale, est une poursuite de recherche de nombreux physiciens de la matière condensée.

Ces réseaux de neurones ne peuvent pas tout capturer, bien que. "C'est un régime très restreint, " Deng dit, ajoutant qu'ils n'offrent pas une représentation universelle efficace. S'ils l'ont fait, ils pourraient être utilisés pour simuler un ordinateur quantique avec un ordinateur ordinaire, quelque chose que les physiciens et les informaticiens pensent est très improbable. Toujours, l'ensemble des états qu'ils représentent efficacement, et le chevauchement de cette collection avec d'autres modes de représentation, est un problème ouvert qui, selon Deng, est mûr pour une exploration plus approfondie.