وب سایت Phys.org گزارش داده است که یک گروه بین المللی از فیزیکدانان از هوش مصنوعی (AI) برای فشرده سازی یک مسئله کوانتومی بسیار پیچیده که شامل بیش از 100هزار معادله است، و تبدیل آن به تنها 4 معادله استفاده کردند.
به گزارش تک ناک، فشرده سازی معادله دقت در نتیجه را تغییر نداد و می تواند منجربه انقلابی در سیستم های تحقیقاتی خصوصا در زمینه فیزیک کوانتوم شود. کار تحقیقاتی در درجه اول توسط دومینیکو دی سانته، استادیار دانشگاه بولونیا در ایتالیا انجام شد. این تحقیق بر مدل هابارد تمرکز داشت که تلاش می‌کند انتقال بین سیستم‌های رسانا و عایق را توضیح دهد.
مدل هابارد
مدل هابارد برای اولین بار در سال 1963 ارائه شد و سعی می کند رفتار الکترون ها را هنگامی که روی یک شبکه قرار می گیرند توضیح دهد. بر اساس این مدل، زمانی که دو الکترون یک مکان را در شبکه اشغال می‌کنند، برهم کنش می‌کنند و سرنوشت آنها به صورت مکانیکی کوانتومی در هم می‌پیچد، حتی اگر دور از هم قرار گرفته باشند.
مطالعه رفتار الکترون به فیزیکدانان کمک می کند تا بتوانند فازهای مختلف ماده را توضیح دهند. با این حال، از آنجایی که الکترون ها از نظر مکانیکی کوانتومی درهم تنیده هستند، فیزیکدانان باید در محاسبات خود همه الکترون ها را با هم در نظر بگیرند. این درهم تنیدگی محاسبات را به یک مانع ریاضی پیچیده تبدیل می‌کند که هرچه تعداد الکترون‌های مورد نظر بیشتر باشد، به‌طور تصاعدی سخت‌تر می‌شود.
برای ساده کردن این کار، فیزیکدانان از یک دستگاه ریاضی به نام گروه عادی سازی مجدد استفاده کردند که می تواند به ردگیری همه برهمکنش های الکترون کمک کند. با این حال، یک گروه عادی سازی می تواند در نهایت حاوی بین ده ها هزار تا یک میلیون ها معادله باشد که نیاز به حل دارند.
استقرار هوش مصنوعی برای ساده سازی
دی سانته و همکارانش در این فکر بودند که آیا می‌توان از هوش مصنوعی یا AI (Artificial Intelligence : field of computer science and engineering practices for intelligence demonstrated by machines and intelligent agents) برای ساده‌سازی و حل مسئله کوانتومی و معادلات آن استفاده کرد. Phys.org در گزارش خود گفت که آنها به شبکه های عصبی روی آوردند، جایی که نرم افزار ابتدا اتصالاتی را بین گروه دستگاه ریاضیاتی عادی سازی مجدد کرد و سپس قدرت آن اتصالات را تغییر داد تا مجموعه کوچکی از معادلات را پیدا کند که همان راه حل گروه اصلی را ایجاد کند.
این برنامه هوش مصنوعی برای درک پیچیدگی مدل هابارد به قدرت محاسباتی زیادی نیاز داشت. هفته ها اجرا شد، اما خروجی نهایی آن مدل هابارد را تنها در چهار معادله خلاصه کرد.
دی سانته به Phys.org 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. ما واقعاً توانستیم فیزیک مربوطه را ضبط کنیم.”
اکنون که این هوش مصنوعی برای جستجوی چنین الگوهایی آموزش دیده است، می توان آن را برای بررسی سایر مشکلات مشابه بدون نیاز به شروع از ابتدا تطبیق داد. اگر بتوان این هوش مصنوعی را برای مشکلات دیگر مقیاس‌بندی کرد، دانشمندان مایلند از آن برای طراحی موادی استفاده کنند که ابررسانایی یعنی فازی که که الکترون‌ها بدون هیچ مقاومتی از درون یک ماده عبور می‌کنند را مدل سازی کند.
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 از دست داده‌اند، ارائه کنند.
