Les mêmes techniques utilisées pour entraîner les voitures autonomes et les ordinateurs jouant aux échecs aident désormais les physiciens à explorer les complexités du monde quantique.

Pour la première fois, les physiciens ont démontré que l'apprentissage automatique peut reconstruire un système quantique sur la base de relativement peu de mesures expérimentales. Cette méthode permettra aux scientifiques de sonder en profondeur les systèmes de particules exponentiellement plus rapidement que les systèmes conventionnels, techniques de force brute. Des systèmes complexes qui nécessiteraient des milliers d'années pour se reconstruire avec les méthodes précédentes pourraient être entièrement analysés en quelques heures.

La recherche profitera au développement d'ordinateurs quantiques et d'autres applications de la mécanique quantique, les chercheurs rapportent le 26 février dans Physique de la nature .

"Nous avons montré que l'intelligence artificielle peut capturer l'essence d'un système quantique de manière compacte, " déclare le co-auteur de l'étude Giuseppe Carleo, chercheur associé au Center for Computational Quantum Physics du Flatiron Institute de New York. « Nous pouvons désormais étendre efficacement les capacités des expériences. »

Carléo, qui a mené la recherche alors qu'il était maître de conférences à l'ETH Zurich, a été inspiré par AlphaGo. Ce programme informatique a utilisé l'apprentissage automatique pour surpasser le champion du monde du jeu de société chinois Go en 2016. « AlphaGo était vraiment impressionnant, " il dit, "Nous avons donc commencé à nous demander comment nous pourrions utiliser ces idées en physique quantique."

Les systèmes de particules tels que les électrons peuvent exister dans de nombreuses configurations différentes, chacun avec une probabilité particulière de se produire. Chaque électron, par exemple, peut avoir une rotation vers le haut ou vers le bas, semblable au chat de Schrödinger étant mort ou vivant dans la célèbre expérience de pensée. Dans le domaine quantique, les systèmes non observés n'existent pas comme l'un de ces arrangements. Au lieu, le système peut être pensé comme étant dans toutes les configurations possibles simultanément.

Lorsqu'il est mesuré, le système s'effondre en une seule configuration, tout comme le chat de Schrödinger est soit mort, soit vivant une fois que vous ouvrez sa boîte. Cette bizarrerie de la mécanique quantique signifie que vous ne pouvez jamais observer toute la complexité d'un système en une seule expérience. Au lieu, les expérimentateurs effectuent les mêmes mesures encore et encore jusqu'à ce qu'ils puissent déterminer l'état de l'ensemble du système.

Cette méthode fonctionne bien pour les systèmes simples ne contenant que quelques particules. Mais "les choses se gâtent avec beaucoup de particules, " dit Carleo. Au fur et à mesure que le nombre de particules augmente, la complexité monte en flèche. Si seulement en considérant que chaque électron peut avoir un spin vers le haut ou vers le bas, un système de cinq électrons a 32 configurations possibles. Un système de 100 électrons a plus d'un million de milliards de milliards de milliards.

L'enchevêtrement des particules complique encore les choses. Grâce à l'intrication quantique, les particules indépendantes s'entrelacent et ne peuvent plus être traitées comme des entités purement séparées, même physiquement séparées. Cet enchevêtrement modifie la probabilité de configurations différentes.

Méthodes conventionnelles, donc, ne sont tout simplement pas réalisables pour les systèmes quantiques complexes.

Giacomo Torlai de l'Université de Waterloo et du Perimeter Institute au Canada, Carleo et ses collègues ont contourné ces limitations en exploitant des techniques d'apprentissage automatique. Les chercheurs ont fourni des mesures expérimentales d'un système quantique à un outil logiciel basé sur des réseaux de neurones artificiels. Le logiciel apprend au fil du temps et tente d'imiter le comportement du système. Une fois que le logiciel ingère suffisamment de données, il peut reconstruire avec précision le système quantique complet.

Les chercheurs ont testé le logiciel en utilisant des jeux de données expérimentaux fictifs basés sur différents systèmes quantiques d'échantillons. Dans ces épreuves, le logiciel a largement dépassé les méthodes conventionnelles. Pour huit électrons, chacun avec rotation vers le haut ou vers le bas, le logiciel a pu reconstruire avec précision le système avec seulement environ 100 mesures. En comparaison, une méthode conventionnelle de force brute nécessitait près d'un million de mesures pour atteindre le même niveau de précision. La nouvelle technique peut également gérer des systèmes beaucoup plus grands. À son tour, cette capacité peut aider les scientifiques à valider qu'un ordinateur quantique est correctement configuré et que tout logiciel quantique fonctionnerait comme prévu, suggèrent les chercheurs.

Capturer l'essence des systèmes quantiques complexes avec des réseaux de neurones artificiels compacts a d'autres conséquences de grande envergure. Le codirecteur du Center for Computational Quantum Physics, Andrew Millis, note que les idées fournissent une nouvelle approche importante au développement en cours du centre de nouvelles méthodes pour comprendre le comportement des systèmes quantiques en interaction, et connectez-vous avec des travaux sur d'autres approches d'apprentissage automatique inspirées de la physique quantique.

Outre les applications à la recherche fondamentale, Carleo dit que les leçons que l'équipe a apprises en mélangeant l'apprentissage automatique avec des idées de la physique quantique pourraient également améliorer les applications générales de l'intelligence artificielle. "Nous pourrions utiliser les méthodes que nous avons développées ici dans d'autres contextes, " dit-il. " Un jour, nous aurons peut-être une voiture autonome inspirée de la mécanique quantique, qui sait."